联通主义学习中知识贡献影响因素分析模型与规律

摘 要：联通主义强调学习者是知识的主要贡献者，知识的产出源于学习者丰富广泛的社会交互，但社会交互影响知识贡献的具体机制尚不明晰。本研究基于联通主义和复杂系统观，从连接支持、连接机会和连接能力3个维度，选取促进者关注、反馈激励、榜样带动、交互对象异质性、身份公开、社群规模、主动性、社会吸引力和利他性9个条件变量，构建了联通主义知识贡献影响因素分析模型（SOA模型）。收集国内第一门cMOOC的10，598条交互数据，采用基于模糊集的定性比较方法（fsQCA），从组态的视角揭示社会交互影响联通主义学习者知识贡献质量的联合作用路径，发现：1）高质量的知识贡献表现为三种驱动模式——自我导向型、开放利他型和促进者依赖型；2）高质量的知识贡献离不开社会交互的反馈激励、榜样带动和个体的社会吸引力；3）促进者关注或榜样带动、自主性或利他性是驱动高质量知识贡献必不可少的核心条件。本研究为今后分析联通主义知识贡献的影响因素提供了理论框架，研究结果揭示了社会交互因素对个体知识贡献质量的影响机制，有助于帮助研究者和课程设计者理解个体的知识贡献行为，为激发学习者保持高质量贡献、改进激励机制设计和学习支持服务提供依据。

关键词：联通主义；cMOOC；社会交互；知识贡献；知识生产

一、问题提出

联通主义学习是适应“互联网+”时代快速变化、动态生长、复杂境域化知识的一类学习（陈丽 等， 2019）。知识的增长和发展是所有学习者持续对话、贡献经验、不断探索碰撞的结果（Downes， 2012），起初主题和想法的简单列表在学习者广泛丰富的交互中碰撞、发散，生长为视角多元的复杂知识网络（Cabrero & Román， 2018; Díaz & de Frutos， 2018）。学习者贡献知识是联通主义学习的新特征，社会交互不仅为学习者间的知识交流提供管道，而且有利于更深层次、更高质量的知识贡献和产出（Downes， 2017），但是，社会交互如何影响个体知识贡献这一问题尚未得到解答。近年来，虚拟学习社区知识贡献的影响因素研究受到广泛关注，但一方面这类研究多将回答数、发文数、帖子数等平台记录的行为数据直接作为知识贡献的测量指标（李海峰 & 王炜， 2020），缺乏对行为数据的二次挖掘，难以准确表征知识贡献质量（Wasko & Faraj， 2005）；另一方面，研究方法结构方程模型、泊松回归、负二项回归等方法，侧重揭示单一条件变量的净效应，而联通主义知识贡献的影响因素并不独立（秦婷 & 郑勤华， 2020），其因果推断是一种复杂的、多组合的、非对称的关系，应对变量间的联动、非对称关系进行建模（谭海波 等， 2019; 邓胜利 等， 2022）。

因此，本研究重点回答两个问题：1）哪些社会交互因素会影响联通主义学习者的知识贡献？2）这些影响因素如何共同作用？具体而言：一方面基于联通主义和复杂系统理论，结合已有研究的理论基础和研究假设，构建联通主义知识贡献影响因素分析模型；另一方面收集cMOOCs实证数据，运用基于模糊集的定性比较分析方法（fsQCA），进一步验证揭示社会交互影响联通主义学习者知识贡献的因素组态，帮助研究者和课程设计者理解联通主义学习者的知识贡献行为，为激发学习者持续高质量贡献、改进激励机制设计和学习支持服务提供依据。

二、文献综述

联通主义学习条件下的知识贡献研究集中于非正式学习领域，同样强调平台和媒体开发者本身不生产内容，每个个体既是内容的消费者也是内容的生产者，如探究虚拟学习社区、社交媒体、知识问答社区中个体知识贡献的影响因素。这类研究呈现多理论视角，综合社会资本、社会认知、社会比较、身份传播、社会交换、动机理论等观点，提出了一系列影响个体知识贡献的研究假设，为本研究选取联通主义情境中影响个体知识贡献质量的社会交互层面的条件变量提供了重要参考。社会资本理论认为社会人际关系是一种促进组织和个体知识贡献的重要资本，包括网络连接的结构资本，责任、规范、信任、认同的关系资本，以及共同语言与愿景的认知资本等，能够提升知识贡献的范围、深度和效率（Wasko & Faraj， 2000）；社会认知理论强调个人因素（自我效能、结果预期、感知相对优势、兼容性等）和情境因素（互惠、规范、信任等）共同作用于个体知识贡献行为（Wasko & Faraj， 2005; Tsai & Bagozzi， 2014）；社会比较理论指出个体间的比较影响了个体的认知、情感、行为，在社会比较标准的作用下，个体为了保持和进步，往往会更努力地参与、工作和贡献（Frey & Meier， 2004）；身份传播理论表明自我展示（个人信息、行为记录等）和社会曝光（用户关系等）等因素也会影响社交媒体环境下的参与和分享行为（Wasko et al.， 2009）；社会交换理论认为人的行为受成本（知识特权丧失、时间和精力等）和收益（组织奖励、形象激励、互惠、愉悦等）的影响，知识贡献同样追求成本最小化和收益最大化（李金阳， 2013）；动机理论认为知识贡献源于获得感、愉悦、满足等内部动机，以及金钱、威望、形象等外在需求引发的外部动机（Austvoll-Dahlgren et al.， 2012）。除以上主要理论基础之外，已有研究也将自我决定理论、使用与满足理论、活动理论、集体行动理论、注意力经济、沉没成本效应、复杂系统科学等纳入，共同支撑知识贡献影响因素的选取和解释。

麦金尼斯和贾沃斯基（MachInnis & Jaworski， 1989）构建了动机（Motivation）、机会（Opportunity）、能力（Ability）3个因素作用的MOA模型，3个维度相互关联，互为补充，共同解释特定信息行为的发生动力。其中：动机包括行为产生的外部动机和内部动机，是一种促使个体为实现特定目标而付出努力的驱动力；机会泛指个体感知到的、促进或抑制特定行为或目标实现的环境因素；能力泛指个体达成特定目标所具备的知识、技能等方面的潜力。知识贡献属于信息行为的范畴，MOA模型为从过程驱动的视角解释个体层面的知识贡献行为提供了理论框架的参考，在个体信息搜寻、知识共享的因素研究方面已有应用（谭春辉 & 任季寒， 2022）。本研究将基于MOA模型，从社会交互的视角构建联通主义知识贡献影响因素分析模型。

三、联通主义知识贡献影响因素

分析模型的构建

社会交互所建立的连接关系的质量（如频率、强度、互惠性、多样性、好友关系、结构特征等），会对个体的知识贡献质量产生影响（陈则谦， 2013; 徐亚倩 & 陈丽， 2019; 秦婷 & 郑勤华， 2020）。与MOA模型的3个维度相对应，社会交互所形成的关系网络对特定行为的影响可以从激发动机、提供机会和反映节点的资源和胜任力3个维度概括（Adler & Kwon， 2002）。因此，本研究基于MOA模型，将社会交互对知识贡献质量提升的影响因素概括为连接支持、连接机会和连接能力3个维度。采用“连接支持”代替原有模型的“动机”维度，是因为这类因素并非个体知识贡献的动机本身，而是作为激发动机和支持个体提升知识贡献质量的因素。

结合联通主义及复杂系统理论，进一步论证3个维度对个体知识贡献质量的影响。首先，社会交互为提升个体知识贡献质量提供外部支持和激励。联通主义学习中的知识贡献是一种自主决定的、非强制性的行为，联通主义学习观、知识观以及复杂系统理论表明，相互连接的两个实体之间存在相互影响和相互作用（Downes， 2022; Mateos-Aparicio & Rodríguez-Moreno， 2019），个体通过连接和交互能够获得来自他人源源不断的反馈和激励，从而支撑更高质量、更持久的知识贡献行为（徐亚倩 & 陈丽， 2021）。其次，社会交互为提升个体知识贡献质量提供机会，社会交互连接了知识贡献者与消费者（Cross & Cummings， 2004），且联通主义学习是一个复杂系统，连接的伙伴的文化背景、经历风格、思维策略越多样，连接关系越丰富，则个体从连接中受益越多，对知识流动及其价值需求的感知越多维可靠（Downes， 2017），刺激个体知识贡献质量提升的概率越高。最后，社会交互为个体知识贡献质量提升奠定能力基础，无论是自发类还是应求类知识贡献，都对学习者的能力提出了一定的要求（Teng & Song， 2011）。社会交互所形成的网络，能够反映个体在自主寻径、网络导向、维持对话、领会他人等方面的能力，而这些能力不仅是连接形成、维护和发展的前提，也为个体灵活适应复杂环境、不断更新和贡献经验提供重要支撑（Bowes & Swanwick， 2018）。综上，本研究从连接支持（Connecting Support， CS）、连接机会（Connecting Opportunity， CO）、连接能力（Connecting Ability， CA）3个维度，构建了联通主义知识贡献影响因素分析模型（SOA模型）（如图1所示）。3个维度相互关联，互为补充，共同解释复杂开放的联通主义学习情境中的个体知识贡献行为。

结合以往研究理论和假设，考虑数据收集的可行性，进一步选取定义了9个条件变量。

（一）连接支持（Connecting Support， CS）因素

依据互惠理论、社会交换理论、强化理论、联通主义学习观和教师观，本研究选取促进者关注、反馈激励和榜样带动作为影响个体知识贡献质量的连接支持因素。其一，促进者关注。当物质性奖励较低时，重要他人（如社区管理者）的认可和关注便成为个体持续贡献高质量知识的重要外部支持（Shen et al.， 2015）。联通主义学习中促进者是多数学习者的重要他人（Dron， 2013），促进者的关注和反馈能够帮助学习者更高效地寻径和驱动意会（王志军 & 陈丽， 2014），助力提升个体知识贡献质量。其二，反馈激励。他人反馈或帮助能够给予个体情感激励和满足尊重需求，在回馈信念作用下产生继续分享和回报他人的信心与意愿（Byron & Khazanchi， 2012; Liang et al.， 2018）。他人反馈也为修正原有连接与经验提供支持，是刺激知识贡献质量提升的重要外在激励（卢新元 等， 2019）。其三，榜样带动。联通主义认为连接的实体之间存在相互作用（Downes， 2017），好友的知识贡献行为将影响个体的知识贡献行为（Burke et al.， 2009），“和谁学习”比“学习什么”更重要。社会网络中高影响力的学习者能够发挥与促进者相似的支持、示范和演示作用，联通的高影响力个体越多，则个体收获的分布式支持和激励作用越大，个体受“榜样”影响进行高质量知识贡献的可能性越高（Jin et al.， 2015）。

（二）连接机会（Connecting Opportunity， CO）因素

依据复杂系统理论、身份传播理论、社会资本理论和社会比较理论，本研究将交互对象异质性、身份公开和社群规模作为重点观测的连接机会因素。其一，交互对象异质性。主体异质性意味着经验背景和社会属性多元，看待问题和分享内容的视角更加多样（徐亚倩 & 陈丽， 2021），交互对象越多元，在交流过程中越可能激发认知冲突和头脑风暴，进而促进知识涌现，提升知识贡献质量（陈丽 等， 2019）。其二，身份公开。身份信息是在虚拟社区环境中向陌生人展示“我是谁”、形成身份共识的重要途径（Ma & Agarwal， 2007）。知识共享社区中个体的身份标签、自我介绍等标识越完整、越具体，交互过程中维护身份形象的意愿越强，收获他人认同与信任、连接志同道合的伙伴的机会越大（Jabr et al.， 2014），有更大概率融入问题讨论，进而提升知识贡献质量。其三，社群规模。一般而言，社群规模越大，个体知识感知、社会曝光和观众效应的范围越大（Barasch & Berger， 2014），收获他人反馈、围绕具体内容深入讨论的可能性也越高，从而刺激和推动个体知识贡献质量的提升（Huang & Zhang， 2016）。

（三）连接能力（Connecting Ability， CA）因素

依据联通主义知识观和学生观、复杂系统理论和社会规范理论，本研究选取主动性、社会吸引力和利他性作为个体知识贡献质量的连接能力因素。其一，主动性。联通主义学习中的知识贡献是非强制性的，学习者需要主动积极地寻径、筛选、组织、整合碎片化信息来源（Siemens， 2011; Cao， 2018），即高质量的知识贡献行为依赖于学习者的自我导向和积极参与（Chen & Hung， 2010），社会交互过程中个体的主动自发交互行为能在一定程度上反映个体的主动性（崔智斌 & 涂艳， 2022）。其二，社会吸引力。个体社会网络的入度值能够反映其在社区中的吸引力和受欢迎程度（徐亚倩 & 陈丽， 2019），个体吸引力越高，社会曝光和信任关系的有效范围越大，接收丰富信息流的能力越强，则个体作为理性人提升知识贡献质量的倾向越高（Jabr et al.， 2014; Hashim & Tan， 2015）。其三，利他性。利他性是个体依据特定知识接收者的需求提供回答和帮助的行为倾向和表现（崔智斌 & 涂艳， 2022），是提升应求类知识贡献质量的能力基础（Ma & Chan， 2014; Teng & Song， 2011）。在社会交互中，个体对他人消息的积极回复行为，是利他性的典型体现。

四、研究设计与变量处理

（一）研究情境与数据收集

本研究以国内cMOOC“互联网+教育：理论与实践的对话”第一期课程（cMOOC 1.0）为研究情境。该课程以联通主义理论为指导，围绕“互联网+教育”领域的5个主题开展共计12周的课程学习。5个主题分别为“线上线下教学空间融合”“社会教育资源共建共享”“消费驱动的教育供给侧改革”“精准高效的教育管理模式”“‘互联网+教育’的哲学观”。课程运行期间，包括教育管理者、产业从业者、一线教师、学生、研究者等在内的425名不同身份和经验背景的学习者参与学习，自主决定参与哪些话题讨论以及如何参与，通过微信群、新浪博客、课程平台等分布式平台互动交流，贡献观点，最终生成10，598条交互数据，包括10，070条微信讨论数据、218条论坛数据（发帖和回帖）和310条新浪博客数据（发文、评论、回复）。这些交互数据与学习者身份数据共同组成本研究的数据集。

（二）研究方法

本研究主要采用基于模糊集的定性比较分析法（fsQCA），探究联通主义学习者个体知识贡献质量影响因素的组态效应。与强调因果关系对称、关注相互独立的单个自变量的净效应的回归分析方法相比，该方法以集合论为基础，强调条件变量相互依赖、共同作用导致结果的发生。不同条件变量的组合能够产生相同的结果，是对变量间的复杂非对称关系进行建模的方法（杜运周 & 贾良定， 2017）。QCA方法在大样本案例处理和复杂组态效应的分析中的应用已经得到国内外学者的肯定（Jiang et al.， 2018; 卢新元 等， 2019）。联通主义学习路径模糊，学习者自主性强，类型多样（Xu & Du， 2021），实现知识创生的路径不唯一（Wang et al.， 2014），影响知识贡献的因素组合更加复杂多样，因此适合采用该方法解释个体知识贡献质量的多重并发动因组合，但该方法在应用时需注意变量选取及校准，明确一致性和频数阈值以及稳健性检验。除此之外，在条件变量测算时，研究采用社会网络分析法计算榜样带动（特征向量中心度）和社会吸引力（入度），采用Louvain算法识别并计算个体所属社群规模，采用描述统计测算促进者关注、反馈激励、交互对象异质性、身份公开、主动性、利他性等条件变量对应的行为频次。

（三）变量设置、测量与校准

1. 结果变量设置与测量

在知识贡献的测量与定义方面，已有研究多选用回答数、发文数、帖子数等平台直接记录的行为数据（李海峰 & 王炜， 2020; Guan et al.， 2018），但行为频次难以准确表征知识贡献质量。对联通主义学习而言，个体在观点碰撞过程中孕育新概念、在特定情境中开展意会的过程尤为重要（陈丽 & 王志军， 2016），即相比行为计数，应更加关注内容本身。因此，本研究将个体贡献的关键概念的数量作为衡量其知识贡献质量的重要指标，采用徐亚倩和陈丽（2019）定义的指标计算方法，即概念数量贡献度（K），挖掘并统计个体贡献内容中与主题相关的概念的数量。概念的提取须对10，598条交互内容数据进行预处理，包括将图片、视频、语音等非文本数据编码为文本数据，删除表情符号等。之后基于课程组提供的专家词典（1，096个关键词）和停用词列表（1，208个常用停用词和195个课程组自定义停用词），利用结巴分词算法从内容文本中提取概念，最终，主题一提取1，075个概念，主题二提取607个概念，主题三提取693个概念，主题四提取630个概念，主题五提取530个概念，以上提取的概念即本期课程的关键概念库。计算个体发布内容中囊括关键概念的个数，即可得出个体的概念数量贡献度，即知识贡献质量。经统计，个体知识贡献质量最高为214，最低为0。

2. 条件变量设置与测量

如表1所示，9个条件变量的测算以对应交互行为计次、社会网络分析以及身份数据统计为依据。不同平台的交互数据，以姓名、单位、邮箱、电话等基本信息以及学习者填写的各平台ID及链接为依据进行匹配整合。

3. 变量校准

在fsQCA分析前，须将各变量原始数据转换为0至1的模糊集隶属度，“1”代表案例完全隶属于该集合，“0”代表完全不隶属于该集合。本研究采用直接校准法（Ragin & Fiss， 2008），以95%、50%、5%作为校准分位点。其中促进者关注的50%和5%分位点均为0，因此以“被促进者回复1次”作为中间点划分是否隶属。数据校准后，为避免隶属度为0.5的案例被fsQCA软件剔除，将“促进者关注（FA）”和“身份公开（ID）”中隶属度为0.5的值修改为0.501，原因为“FA”隶属度为0.5的原始值为1，表明得到过促进者关注，归为隶属集，“ID”隶属度为0.5的原始值为2，表明公开了大部分个人信息，归为隶属集（Campbell et al.， 2016），其余变量中隶属度为0.5的值修改为0.499（Crilly et al.， 2012）。校准后的部分结果见表2。

五、结果分析

（一）单个条件的必要性分析

条件组态分析之前需对各条件变量的“必要性”进行逐一单独检验。必要条件意味着在结果发生时该条件始终存在（Ragin & Fiss， 2008）。通过fsQCA 3.0软件输出个体知识贡献质量的必要条件检验结果，其中“～”代表条件变量缺失。如表3所示，所有条件变量的一致性都小于0.9，即不存在影响个体知识贡献质量的必要条件。

（二）条件组态的充分性分析

利用fsQCA软件析出知识贡献质量的真值表集合，存在29（=512）种因果组合。将一致性阈值设置为0.8，案例阈值设置为2，PRI一致性阈值设置为0.75（Ragin & Fiss， 2008），对数据进行构型分析，输出简单解和中间解，确定各组态的核心条件和边缘条件。核心条件与结果有强烈的因果关系，而边缘条件的因果关系较弱。如表4所示，最终生成4种组态，4种组态的一致性水平均高于0.9，总覆盖率为0.6467，总一致性为0.9309，表明4种组态可以作为个体贡献更多概念的充分条件组合。4种组态可以归纳为3种驱动模式，即自我导向型（组态1）、开放利他型（组态2、3）、促进者依赖型（组态4），呈现因素构型“殊途同归”的特点。

自我导向型（组态1）以榜样带动、交互对象异质性以及主动性为核心条件，以反馈激励、社会吸引力和利他性为辅助条件，说明当学习者交互主动积极，具有极高的自主性，能通过积极的自我表达与不同经验身份、高影响力的个体建立广泛深入互动时，便能从中受益，从而产出更多关键概念。自我导向型组态能够解释约62.44%的高质量知识贡献行为，约26.39%的高质量知识贡献行为仅能被该组态解释。

开放利他型（组态2、3）表明当不考虑学习者主动性水平时，高质量的知识贡献以促进者关注、交互对象异质性、利他性为核心条件，说明该类学习者乐于为社区中其他成员提供帮助和反馈，积极地与多样个体建立联系，收获了促进者的关注和激励，从而促进了高质量的知识贡献行为。该类驱动模式因边缘条件的差异而表现出两种路径。除反馈激励、榜样带动和社会吸引力3个条件必须发挥辅助作用外，组态2另需社群规模作为边缘条件加持，即依托较大规模的社群促进更广泛的开放式寻径，拓展知识响应和感知的范围，增加个体社会曝光和收获他人反馈的机会。该组态能够解释27.14%的高质量知识贡献行为，且0.63%的高质量知识贡献仅能被该组态解释。而组态3以身份公开作为额外辅助条件，需要向其他成员更完整地展示个人信息，身份信息的公开促进了网络环境中认同和信任关系的建立，提升了知识交换的可靠性，利于寻求更多志同道合的伙伴，更顺利地融入问题讨论，从而促进关键概念的传播和产出。该组态能够解释31.67%的高质量知识贡献，仅0.38%的高质量知识贡献行为能被该构型解释。

促进者依赖型（组态4）表明在连接机会均缺失的情况下，高质量的知识贡献需要促进者关注和学习者自主性发挥核心作用，反馈激励、榜样带动和社会吸引力发挥辅助作用。即当学习者倾向以匿名身份参与、自组织形成的社群规模较小、与异质性个体联系较弱时，促进者需给予其主动积极的表达行为更多的激励和关注以促进其高质量的知识贡献行为，在这个过程中，来自更多学习者（包括高影响力学习者）的关注和回应也能发挥积极的辅助作用。该构型能够解释14.59%的高质量知识贡献数量行为，仅0.42%的高质量知识贡献数量行为能被该构型解释。

（三）稳健性检验

为保证fsQCA研究结果的准确性，降低敏感性和随机性，通过调整案例频数阈值和一致性阈值，对知识贡献质量的条件组态进行稳健性检验。倘若调整后未产生有意义且不同的实质性解释，或前后组态具有清晰的子集关系，则结果是稳健的（Schneider & Wagemann， 2012）。将案例频数阈值调整为3，一致性阈值调整为0.85，发现总覆盖率降低为0.6387，总一致性提升为0.9316，输出的两种组态仍为原有4种组态的子集（组态1和组态2），因此原有研究结果是稳健的。

六、结论与展望

（一）研究结论

本研究从连接支持、连接机会和连接能力3个维度，构建了联通主义知识贡献影响因素的分析模型（SOA模型），并从组态视角揭示了联通主义学习中连接支持、连接机会、连接能力与个体知识贡献质量之间多样、复杂的因果关系。研究结论如下。

1. 高质量的知识贡献表现为3种驱动模式：自我导向型、开放利他型和促进者依赖型

高质量的知识贡献行为的4种条件组态可以归纳为自我导向型、开放利他型和促进者依赖型3种驱动模式（见图2）。自我导向型学习者表现出较高的主动性，善于通过积极的自我表达与不同经验身份、高影响力的个体建立联系，从而促进高质量的知识贡献行为（Chen & Hung， 2010）。开放利他型不考虑学习者的主动水平，强调在促进者激励的情况下通过积极地回复和帮助他人，利用身份公开或大规模社群拓展主动寻径的范围并从中受益，与网络中异质性、高影响力的个体建立互惠关系，占据高质量内容获取和传播的有利地位（Jin et al.， 2015），利用个体间的相互影响助推高质量的知识产出（Downes， 2017）。而当连接机会均缺失，即学习者倾向以匿名身份参与、自组织形成的社群规模较小、与异质性个体联系较弱时，则只能依靠促进者依赖型的驱动模式实现高质量的知识贡献，学习者自身须保持极高的主动性争取更多学习者（包括高影响力学习者）的关注和回应，促进者须给予其主动积极的表达行为更多的激励和回复。

2. 高质量的知识贡献离不开社会交互的反馈激励、榜样带动和个体的社会吸引力

4种条件组态均需反馈激励、榜样带动以及学习者自身的社会吸引力发挥辅助作用。这3个条件均强调他人对个体学习的影响，反馈激励意味着收获他人更多的回复和评论，榜样带动意味着与高影响力他人建立联系，社会吸引力意味着受到更多不同个体的关注和回应。这表明在联通主义学习中，个体高质量的知识贡献行为，即大量的关键性概念的产出，需要依托社会交互过程中不同成员、高影响力个体的持续回应和反馈，印证了联通主义学习中知识是群体交流的产物（Downes， 2012），是社区成员之间相互影响的结果（Jin et al.， 2015），知识需要通过连接的刺激实现增长、发展，而不仅仅是个体头脑内部的反映。学习也不是教师组织传播、学习者简单复制记忆的过程，对话和讨论变得更加重要，概念和观点分布于整个社区网络中，需要通过交互不断地发展和维护连接，不断地汲取碎片化信息和思想形成新的理解（Downes， 2017）。

3. 促进者关注或榜样带动、自主性或利他性是实现高质量知识贡献必不可少的核心条件

分析4种条件组态的核心条件可以看出，联通动机中促进者关注或榜样带动是必不可少的核心条件，即高质量的知识贡献要么依托高频次的促进者激励和回复（组态2、3、4），要么源于其他核心学习者潜移默化的榜样影响（组态1），印证了联通主义学习中课程团队不是唯一的支持服务主体，学习支持分布于社区中（Downes， 2017），核心学习者同样能够发挥示范和演示的作用，引导和促进其他个体的知识贡献（Burke et al.， 2009）。联通能力中自主性或利他性是必不可少的核心条件，即高质量的知识贡献要么以个体的主动性、自我导向能力为基础（组态1、4），能够主动地寻径和整合碎片化信息，积极地自我表达（Siemens， 2011; Cao， 2018），要么以个体的利他性为基础（组态2、3），乐于为社区中其他成员提供帮助和反馈，积极思考他人观点并进行评论（崔智斌 & 涂艳， 2022; Ma & Chan， 2014）。

（二）研究展望

在理论层面，本研究从连接支持、连接机会和连接能力3个维度构建了SOA模型，为分析社会交互对知识贡献的影响研究提供了分析框架，并且基于实证数据解释了联通主义学习中社会交互影响个体知识贡献质量的多样组态。在实践层面，研究结论有利于帮助研究者和课程设计者理解个体的知识贡献行为，为优化cMOOCs学习支持服务、激发学习者持续贡献的机制设计提供依据，如：他人的反馈激励能够辅助促进高质量的知识贡献，因此，可在评价设计中提升评论和回复他人的比重（Jabr et al.， 2014），激励个体间的相互回馈和支持，提升胜任感和获得感，降低个体长期自发性内容输出产生的懈怠感（Sun et al.， 2019）；榜样带动在3种驱动模式中均表现出积极作用，交互对象异质性是自我导向和开放利他型知识贡献的核心条件，因此，可考虑加强推荐高影响力、不同身份个体的内容与动态（秦婷 & 郑勤华， 2020），促进学习者与其建立连接，从而激发榜样效应和多样观点刺激作用促进高质量知识产出；促进者依赖型个体往往表现为交互对象单一、所属社群规模小、匿名参与但经常表达分享，其知识产出质量更加依赖于促进者的激励和关注，因此，可以增设帮助促进者识别和推送这类个体的智能机制，以便提供更多及时的、针对性的引导激励。

本研究主要存在两点局限。首先，条件变量测定依托课程平台能够收集到的客观数据，变量选取有限，其他隐性行为数据、学习者自我报告的主观数据未能纳入；其次，本研究采用前期研究提出的关键概念数量作为知识贡献质量的测评指标，实际上知识贡献质量的评估更加复杂多维。未来可通过研究情境迁移、丰富条件变量和知识贡献质量测评维度进一步验证研究结论。

未来研究可在此基础上从以下三个方面着力：第一，在不同的研究情境中迁移和应用SOA模型，综合多渠道、多维度的主客观数据，进一步丰富和完善对三维影响因素和知识贡献质量的表征和测量，进一步验证研究结论的适用性和可信度，比较不同教学情境中个体知识贡献质量的因素组态差异；第二，研究采用的fsQCA方法适用于识别结果发生的关键条件和探究存在多元组合路径的因果关系（杜运周 & 贾良定， 2017），为揭示联通主义学习中的复杂因果规律提供了一种新思路，未来可考虑从时序的视角揭示条件组态随时间演化的规律，整合QCA与经典统计方法以提升解释力和预测力；第三，本研究提出了cMOOCs设计优化的建议，未来可在联通主义课程实践中检验对应策略对促进知识贡献质量的有效性。

参考文献

陈丽，逯行，& 郑勤华. （2019）. “互联网+教育”的知识观：知识回归与知识进化. 中国远程教育（7），10-18，92.

陈丽，& 王志军. （2016）. 三代远程学习中的教学交互原理. 中国远程教育（10），30-37.

陈则谦. （2013）. MOA模型的而形成、发展与核心构念. 图书馆学研究（13），53-57.

崔智斌，& 涂艳. （2022）. 社会化问答社区在线学习者知识贡献绩效影响因素研究. 中国远程教育（2），57-64，75.

邓胜利，夏苏迪，许家辉，& 付少雄. （2022）. 组态视角下在线健康社区医生知识贡献影响因素研究. 情报理论与实践，45（7），132-139.

杜运周，& 贾良定. （2017）. 组态视角与定性比较分析（QCA）：管理学研究的一条新道路. 管理世界（6），155-167.

李海峰，& 王炜. （2020）. 在线问答学习社区的群体知识贡献影响因素——基于WebGIS知乎学习社区的功能模块分析. 开放教育研究，26（1），111-120.

李金阳. （2013）. 社会交换理论视角下虚拟社区知识共享行为研究. 情报科学，31（4），119-123.

卢新元，王雪霖，& 代巧锋. （2019）. 基于fsQCA的竞赛式众包社区知识共享行为构型研究. 数据分析与知识发现，3（11），60-69.

秦婷，& 郑勤华. （2020）. 联通主义学习社区个体知识贡献影响因素研究. 现代远距离教育（5），52-61.

谭春辉，& 任季寒. （2022）. 虚拟学术社区中用户信息搜寻行为的影响因素组合研究——基于模糊集定性比较分析方法. 现代情报，42（4），39-51.

谭海波，范梓腾，& 杜运周. （2019）. 技术管理能力、注意力分配与地方政府网站建设——一项基于TOE框架的组态分析. 管理世界，35（9），81-94.

王志军，& 陈丽. （2014）. 联通主义学习理论及其最新进展. 开放教育研究，20（5），11-28.

徐亚倩，& 陈丽. （2019）. 联通主义学习中个体网络地位与其概念网络特征的关系探究——基于cMOOC第1期课程部分交互内容的分析. 中国远程教育（10），9-19，51，92.

徐亚倩，& 陈丽. （2021）. 生生交互为主的在线学习复杂性规律探究. 中国远程教育（10），12-18，38.

Adler， P. S.， & Kwon， S. W. （2002）. Social capital： Prospects for a new concept. Academy of Management Review， 27（1）， 17-40.

Austvoll-Dahlgren， A.， Falk， R. S.， & Helseth， S. （2012）. Cognitive factors predicting intentions to search for health information： An application of the theory of planned behavior. Health Information & Libraries Journal， 29（4）， 296-308.

Barasch， A.， & Berger， J. （2014）. Perceived self-efficacy in cognitive development and functioning. Educational Psychologist， 28（2）， 117-148.

Bowes， M.， & Swanwick， C. （2018）. Using connectivism to theorise developments in digital technology in physical education in Aotearoa/New Zealand. In J. Koekoek， & I. van Hilvoorde（Eds.）， Digital technology in physical education： Global perspectives（pp. 204-222）. Routledge.

Burke， M.， Marlow， C.， & Lento， T. （2009， April 04）. Feed me： Motivating newcomer contribution in social network sites. ACM Digital Library. https：//dl.acm.org/doi/10.1145/1518701.1518847

Byron， K.， & Khazanchi， S. （2012）. Rewards and creative performance： A meta-analytic test of theoretically derived hypotheses. Psychological Bulletin， 138（4）， 809.

Cabrero， R. S.， & Román， O. C. （2018）. Psychopedagogical predecessors of connectivism as a new paradigm of learning. International Journal of Educational Excellence， 4（2）， 29-45.

Campbell， J. T.， Sirmon， D. G.， & Schijven， M. （2016）. Fuzzy logic and the market： A configurational approach to investor perceptions of acquisition announcements. Academy of Management Journal， 59（1）， 163-187.

Cao， L. （2018）. Study on college English teaching interaction and teaching practice based on connectivism from the neurocognitive perspective. Educational Sciences： Theory & Practice， 18（5）， 2338-2346.

Chen， C. J.， & Hung， S. W. （2010）. To give or to receive？ Factors influencing members’ knowledge sharing and community promotion in professional virtual communities. Information & Management， 47（4）， 226-236.

Crilly， D.， Zollo， M.， & Hansen， M. T. （2012）. Faking it or muddling through？ Understanding decoupling in response to stakeholder pressures. Academy of Management Journal， 55（6）， 1429-1448.

Cross， R.， & Cummings， J. N. （2004）. Tie and network correlates of individual performance in knowledge-intensive work. Academy of Management Journal， 47（6）， 928-937.

Díaz， J. A.， & de Frutos， T. H. （2018）. Connectivism in the network society. the coming of social capital knowledge. Tendencias Sociales. Revista de Sociología， 1， 21-37.

Downes， S. （2012， May 19）. Connectivism and Connective Knowledge： essays on meaning and learning networks. My eBooks～Stephen Downes. https：//www.downes.ca/files/books/Connective_Know

ledge-19May2012.pdf

Downes， S. （2017， July 14）. Towards Personal Learning： Reclaiming a role for humanity in a world of commercialism and automation. My eBooks～Stephen Downes. https：//www.downes.ca/files/books/Toward%20Personal%20Learning%20v09.pdf

Downes， S. （2022， February 19）. Connectivism. Asian Journal of Distance Education. http：//www.asianjde.com/ojs/index.php/AsianJDE/article/view/623

Dron， J. （2013）. Soft is hard and hard is easy： Learning technologies and social media. Open Journal （13）， 32-43.

Frey， B. S.， & Meier， S. （2004）. Social comparisons and pre-social behavior： Testing “conditional cooperation” in a field experiment. American Economic Review， 1717-1722.

Guan， T.， Wang， L.， Jin， J.， & Song， X. （2018）. Knowledge contribution behavior in online Q&A communities： An empirical investigation. Computers in Human Behavior， 81， 137-147.

Hashim， K. F.， & Tan， F. B. （2015）. The mediating role of trust and commitment on members’ continuous knowledge sharing intention： A commitment-trust theory perspective. International Journal of Information Management， 35（2）， 145-151.

Huang， P.， & Zhang， Z. J. （2016）. Participation in open knowledge communities and job-hopping： Evidence from enterprise software. Mis Quarterly， 40（3）， 785-806.

Jabr， W.， Mookerjee， R.， Tan， Y.， & Mookerjee， V. S. （2014）. Leveraging philanthropic behavior for customer support： The case of user support forums. Mis Quarterly， 38（1）， 187-208.

Jiang， D.， Fischer， M.， Huang， Z.， & Kunz， N. （2018）. Identifying drivers of China’s provincial wastewater reuse outcomes using qualitative comparative analysis. Journal of Industrial Ecology， 22（2）， 369-376.

Jin， J.， Li， Y.， Zhong， X.， & Li， Z. （2015）. Why users contribute knowledge to online communities： An empirical study of an online social Q＆A community. Information & Management， 52（7）， 840- 849.

Liang， H.， Wang， M. M.， Wang， J. J.， & Xue， Y. （2018）. How intrinsic motivation and extrinsic incentives affect task effort in crowdsourcing contests： A mediated moderation model. Computers in Human Behavior， 81， 168-176.

Ma， M.， & Agarwal， R. （2007）. Through a glass darkly： Information technology design， identity verification， and knowledge contribution in online communities. Information Systems Research， 18（1）， 42-67.

Ma， W. W.， & Chan， A. （2014）. Knowledge sharing and social media： Altruism， perceived online attachment motivation， and perceived online relationship commitment. Computers in Human Behavior， 39， 51-58.

MacInnis， D. J.， & Jaworski， B. J. （1989）. Information Processing from Advertisements： Toward an Integrative Framework. Journal of Marketing， 53（4）， 1-23.

Mateos-Aparicio， P.， & Rodríguez-Moreno， A. （2019， February 27）. The impact of studying brain plasticity. Frontiers. https：//doi.org/10.3389/fncel.2019.00066

Ragin， C. C.， & Fiss， P. C. （2008）. Net effects analysis versus configurational analysis： An empirical demonstration. In C. C. Ragin（Ed.）， Redesigning social inquiry： Fuzzy sets and beyond（pp. 190-212）. University of Chicago Press.

Schneider C. Q.， & Wagemann， C. （2012）. Set-theoretic methods for the social sciences： A guide to qualitative comparative analysis. Cambridge University Press.

Shen， W. Q.， Hu， Y. J.， & Ulmer， J. R. （2015）. Competing for attention： An empirical study of online reviewers’ strategic behavior. Mis Quarterly， 39（3）， 683-696.

Siemens， G. （2011）. Orientation： Sensemaking and wayfinding in complex distributed online information environments. University of Aberdeen.

Sun， H.， Zhang， L.， & Meng， J. （2019）. Alleviating knowledge contribution loafing among engineering designers by ethical leadership： The role of knowledge-based psychological ownership and emotion regulation strategies. Journal of Knowledge Management， 24（2）， 235-257.

Teng， J. T.， & Song， S. （2011）. An exploratory examination of knowledge sharing behaviors： Solicited and voluntary. Journal of Knowledge Management， 15（1）， 104-117.

Tsai， H. T.， & Bagozzi， R. P. （2014）. Contribution behavior in virtual communities： Cognitive， emotional and social influences. Mis Quarterly， 38（1）， 143.

Wang， Z. J.， Chen， L.， & Anderson， T. （2014）. A framework for interaction and cognitive engagement in connectivist learning contexts. The International Review of Research in Open and Distance Learning， 15（2）， 121-141.

Wasko， M. M.， & Faraj， S. （2000）. “It is what one does”： Why people participate and help others in electronic communities of practice. The Journal of Strategic Information System， 9（2）， 155-173.

Wasko， M. M.， & Faraj， S. （2005）. Why should I share？ Examining social capital and knowledge contribution in electronic networks of practice. MIS Quarterly， 29（1）， 35-57.

Wasko， M. M.， Teigland， R.， & Faraj， S. （2009）. The provision of online public goods： Examining social structure in an electronic network of practice. Decision Support Systems， 47（3）， 254-265.

Xu， Y.， & Du， J. （2021， December 1）. What participation types of learners are there in connectivist learning： an analysis of a cMOOC from the dual perspectives of social network and concept network characteristics. Interactive Learning Environments. https：//doi.org/10.1080/10494820.2021.2007137

The Model and Law of Factors Affecting Knowledge Contribution Quality in Connectivist Learning： A Study on Combined Effect Based on fsQCA

Abstract： Connectivism holds that the learners are the knowledge producers and the knowledge production depends on learners’ social interactions， but its specific affecting mechanism remains unclear. Based on the connectivism and complex system theory， this study builds a model of factors affecting knowledge contribution in connectivist learning （SOA model） from three dimensions of connecting support， connecting opportunity and connecting ability， and selects nine conditional variables including facilitators’ attention， feedback， role model， interaction objects’ heterogeneity， identity disclosure， community size， initiative， social attraction and altruism. Furthermore， to reveal the combined effects of social interaction factors on the quality of individual knowledge contribution in connectivist learning， 10，598 interactive data from the first Chinese cMOOC are collected and analyzed through the fuzzy qualitative comparative analysis method （fsQCA）. The findings are as follows： 1） There are three driving patterns of high-quality knowledge contribution， self-oriented， open altruistic and facilitator dependent; 2） High-quality knowledge contribution needs feedback incentive， role model and individual social attraction; 3） Facilitators’ attention or role model， initiative or altruism are the core conditions for high-quality knowledge contribution. This study not only provides an analysis model of factors affecting knowledge contribution in connectivist learning， but also further reveals the specific effect mechanism of the social interactions to knowledge contribution， which can help the researchers and cMOOCs designers understand the knowledge contribution behavior of learners， and give references to design the incentive mechanism and learning support to stimulate the learners’ high-quality knowledge contribution.

Keywords： Connetivism; cMOOC; social interaction; knowledge contribution; knowledge production