遗传与变异视角下的网络化知识演化分析

摘 要：互联网时代，伴随着知识的生产主体、生产方式以及传播流程的改变，知识的演化机理和演化特征也发生了质的变化。然而，对于此类知识演化规律认识的不足制约了新时期教育改革的深化。从遗传变异的生物进化理论视角出发，可构建遗传变异视角下的网络化知识演化动力模型，进而依托互联网社区型课程cMOOC的数据，探索互联网中知识演化的特征。网络化知识演化动力模型是描述知识演化过程、阐释知识演化内在作用机理的理论框架，它是以网络化知识实体为演化功能单元，包含一个“选择”的过滤机制和“遗传”与“变异”两种动力机制。在过滤机制中，用户的“认可”充当自然条件下的“选择”，决定了知识能否进入后续演化环节。在遗传动力机制下，用户通过参考和引用等方式，实现对原有内容的继承和复用。在变异动力机制下，用户通过借鉴和补充等方式，在原有实体基础上进行创新和发展。在此动力模型基础上，本研究以国内首门联通主义课程为案例，分析了网络化知识演化特征。研究发现：遗传和变异知识演化动力模型能够有效地描述和阐释网络化知识演化过程；作为一门新开设的互联网社区型课程，由于缺乏可以直接继承的知识内容，变异机制主导着网络化知识的演化。

关键词：网络化知识演化；遗传变异动力机制；过滤机制；知识演化动力模型；cMOOC

作者简介：王怀波，北京师范大学系统科学学院博士后（通讯作者： huaibo_wang@163.com 北京 100875）；陈丽，北京师范大学教育学部教授（北京 100875）

基金项目：国家自然科学基金2023年度青年项目“群体智慧汇聚下网络化知识演化规律研究”（项目编号：62207005）

中图分类号：G434 文献标识码：A 文章编号：1009-458ｘ（2024）11-0041-11

一、引言

知识演化是基于既有知识存量与当前知识应用环境特征间的匹配差异，对知识进行整合与重构，是一个摒弃失效知识、更新落后知识、盘活存量知识，不断激发知识活性以满足组织对知识应用性和知识创新需要的动态过程（康鑫 & 赵丹妮， 2021）。这是一种将知识类比作生物有机体，在知识与其所处环境的不断交互中探索分析知识重构与发展的过程。

互联网时代，伴随着知识的生产主体、生产方式以及传播流程的改变，知识的本质以及知识演化的过程也发生了实质性的变化。从知识本质上来说，知识不再局限于书本上哪一类固化的知识，而是包含了在互联网环境中由群体智慧汇聚生成、不断发展变化的信息、认识、技能、价值观和态度（王怀波 & 陈丽， 2020）。由于此类知识的网络化特性以及对互联网的高度依赖，因此也被命名为网络化知识。网络化知识具有了生命的属性，遵循着生物界“物竞天择”的基本规律，也有着与生物同样的演化过程，即生成新特征、淘汰不适应的特征、繁衍幸存的特征等。从知识演化过程来看，由于互联网赋予了个体绝对的选择权力，弱化了专家和教师对知识的绝对权威，用户的选择与使用成为知识演化的重要决定因素（刘和海 等， 2016），知识演化过程从原本依赖少数专家的审核转变为依靠社会大众的认可。同时，互联网的高速传输以及相互联通的特性加速了知识的生产和传播，提升了知识演化更新的频率：大多数知识无须经过复杂的生产传播流程即可抵达最终用户，用户的使用意见也能够即时地反馈给知识的生产者（王竹立， 2019）。

然而，以往关于知识演化的研究更多集中在客观的科学知识上。尽管科学知识作为人类知识的典型代表，透视科学知识的演化与发展对人类的生产实践活动具有重要的意义（王怀波 & 鲍婷婷， 2020），但是随着大量以经验、价值观、态度以及认识为代表的新知识的涌现，网络化知识所具有的实践指导意义并不亚于纯粹的科学知识。研究网络化知识演化机理，凝练网络化知识演化特征，对于教育实践领域，尤其是在线教育领域中“教什么”“怎么教”具有重要的指导意义。为此，本研究尝试从生物学遗传变异的理论出发，构建网络化知识演化的动力模型，分析网络化知识演化机理，并尝试依托该动力模型分析社区型课程cMOOC平台中网络化知识的演化特征。

二、知识演化相关理论方法

（一）遗传变异成为知识演化动力基础

从生物学视角探究知识演化的现象由来已久。批判理性主义的创始人波普尔（Popper， K.）指出，科学理论的选择是一种类似于达尔文所说的自然选择过程，我们的知识总是由假说构成，并且在生存斗争中消除那些不适应的假说，彰显它的相对适应性（卡尔·波普尔， 1987， p. 273）。知识演化也是一种自然选择的过程。与生物的纯粹自然环境的选择不同，知识的选择依赖于特定的人群和社会环境。这种选择究竟在知识演化过程中如何发挥作用，美国社会心理学家唐纳德·坎贝尔（Campbell， D. T.）做了进一步的阐释，并提出了知识演化的三个环节。具体来说，坎贝尔依据生物进化的三个主要环节，即生成新器官/有机体、淘汰不适应的特征/物种、繁殖幸存的特征/物种，将知识演化归纳为三步：生成或者创造新思想；借助批评和检测淘汰那些不正确的思想；通过教育和大众媒介传播那些尚未被证明为不正确的思想。然而知识演化不仅仅是批判和淘汰，也有顺应和分化。巴特尔梅（Barthelmé， F.）等吸收拉马克（Lamarck， J.）生物进化理论后认为知识演化存在非连续性的特征，因而在其提出的知识系统中刻画了三种进化模式：知识的顺应、同化和分化（Barthelmé et al.， 1998）。其中，顺应和同化在某种程度上是对知识的遗传和继承，分化则是对知识的变异和发展。

刘植惠（1999a）通过对比生物进化思想，在整合前人研究的基础上提出遗传和变异是知识演化的重要动力，并详细阐释了知识遗传和知识变异的内涵，其中知识遗传是后人继承前人所创造知识的动态过程。在遗传作用机制下，那些符合规律、经过检验且能够满足现实需要的知识得以延续，那些违背客观事实的知识则被“淘汰”或“修正”，而那些暂时无法满足用户需求的知识会出现短暂的“休眠”。知识变异是认知主体通过创造性思维活动实现知识创生的过程。与遗传所代表的知识之间的继承不同，知识变异意味着知识的发展（刘植惠， 1999b）。可以说刘植惠关于知识遗传和变异的阐释是对知识演化理论的进一步细化，对于知识的演化发展具有重要的指导意义。宁德鹏等人（2020）则融合知识遗传及知识变异的作用机制，详述知识进化的网络演变连接机理，剖析了知识演化的一般规律。

（二）智能技术成为知识演化分析手段

互联网时代信息超载成为一种普遍现象，网络中的信息和随之增加的知识数量远远超过了传统计算和分析的能力。借助计算机技术在算法和算力上的优势，帮助人类处理知识获取、表示、推论等问题，逐渐成为学术界的共识，并由此衍生出专门借助人工智能与计算机技术开展“知识研究”的新方向——知识工程。

在知识工程中，关于知识演化的研究，通常将知识表征为概念、主题和内容，并借助自然语言的语义相似度计算，探究不同时间窗口下概念、术语的变迁。这种知识演化的分析大多数依赖领域发表的学术论文或专利文献等相对静态的知识。如Sung等人（2017）以四年时间为窗口，通过两年时间滑动方式，采用余弦相似度方法计算专利知识主题之间的相似度，并设定相似度的阈值，将高度相关的主题连接起来形成知识演化路径，以此展示“技术主题”领域的知识发展趋势；丰米宁等人（2020）基于词权重的LDA模型识别技术主题，并通过计算相邻时间窗口下主题间的语义相似度以及设定阈值等方法，构建知识演化路径，实现对技术领域知识演化的分析。除此之外，只有少部分研究探索互联网社区中动态知识的演化过程，如Li等人（2017）通过三个专业社区网站的问答模块，收集超过1.8万条计算机辅助工程设计的信息，以三年时间为窗口，借助模式识别方法（基于遗传关系构建EEK进化模型）探究工程领域经验性知识的长期进化；Chen等人（2012）基于智能技术提出了一项发现虚拟社区中知识进化过程的技术，以挖掘隐藏在专业虚拟社区中经验知识进化的过程。

科学研究离不开理论与技术的双向支撑，如果说遗传变异知识演化动力机制是探索网络化知识的认识基础，那么智能技术则是网络化知识演化分析的方法基础。探索网络化知识演化既需要来自生物进化论中“遗传和变异动力机制”的认识的指导，也需要计算机领域中自然语言处理、语义相似度计算等方法的支持。为此，本研究在知识演化理论的指导下，从遗传与变异视角构建知识演化动力模型。在知识演化方法的支撑下，结合计算机领域中关于知识演化的具体方法开展互联网专业社区cMOOC中的知识演化分析，凝练网络化知识演化的规律。

三、基于遗传变异的网络化知识

演化动力模型

网络化知识实体是网络化知识演化的核心。在传统知识演化研究中，由于知识基因具有稳定性、遗传与变异性、统摄性以及定向控制知识走向的能力，因此知识基因通常被作为遗传与变异的最小功能单元，并且在知NLjhPWOLhBuFR1P3KwNpvk25Es6V6TAofuSS8Ls/hgY=识的创生、选择和繁殖等演化过程中起着至关重要的作用（刘植惠， 1998a， 1998b; 许琦 & 顾新建， 2013）。实体与属性共同构成网络化知识单元，其中实体主要为互联网中知识的核心内容，包括价值判断、态度、观点，是一个网络化知识的核心与灵魂，具备了知识基因的稳定、统摄以及控制知识走向的条件。因此，基于遗传变异的网络化知识演化是以网络化知识实体的发展和变化为核心的过程，如实体的引用和创生。同时，作为知识演化中的两种重要的推动力，知识的遗传是继承保留相关知识特性，反映知识渐变式的创新；知识的变异是诱发不同特性，反映知识突变式的创新（宁德鹏 等， 2020）。网络化知识的演化也正是在这两种动力机制推动下，通过对知识实体的继承、组合、嫁接和发展，实现对网络化知识的延续和创新。此外，与生物演化相似，“选择”是网络化知识演化的重要环节，不同之处在于，网络化知识的选择更以是否满足“用户”需求为前提。那些能够满足互联网上最终用户使用需求的知识，通常具备较强的生命力，具有更多的机会在遗传和变异作用机制下演化发展；反之则会出现“休眠”，等待下一次的“选择”。因此，网络化知识演化动力模型是以网络化知识实体为最小功能单元，在遗传和变异作用机制下，以用户选择为核心的知识的继承和发展。

图1呈现了以遗传和变异为动力机制的网络化知识演化模型。网络化知识演化是从上一个阶段的知识状态（包括个体层面的知识内容以及群体层面的知识结构），在用户选择基础上，经由遗传或变异等具体动力机制进入下一阶段，实现个体层面的淘汰与更新，或实现群体层面结构的变化。

<Z：＼2013＼杂志＼2024＼202411＼202411-合版5＼Image＼2024yc01.tif>

图1 网络化知识演化动力模型

整个演化过程，或是在遗传动力机制下，如通过参考、借鉴以及引用等方式，实现对原有知识内容或关系的继承和复用，或是在变异动力机制下，如通过补充、发展等方式，实现对原有知识内容或关系的创新和衍生。演化动力模型中还包括另一个关键环节——选择。无论是继承还是发展，新的创生知识能否进入知识系统需要经过类似生物的选择过程，而这个承担控制角色的“选择”在网络化知识中表现为用户的认可。无论是已经存在的知识还是新创生的知识，只有通过选择机制，才能进入知识的遗传或变异；而未通过选择机制的知识则将进入暂时的休眠状态，等待下一次用户的选择。

（一）基于用户认可的选择

网络化知识演化的选择机制的关键在于用户的认可。与传统知识不同，由于网络化知识不再是“相对稳定的”直接反映客观事物的硬知识，而是尚未被专家学者加工整理的“不稳定的”“动态变化的”软知识。因此，这种不确定的网络化知识特征弱化了传统知识所具有的权威专家认可的属性，出现了由社会大众认可的属性——即知识有用与否越来越不是靠自吹自擂，而是通过他人来给你颁授证书、其他人对你的表现做出的反应来体现（刘和海 等， 2016）。无论是群体还是个体，在互联网上被认可、赞同的知识都有可能带来知识的演化和发展。相对来说，群体的认可通常会激起更多的共鸣，引发更多的思考，带来更多的探讨；个体的认可则会在小范围内引发交流。在交流分享中，用户会不自觉地结合自身的背景、经验和认识，补充、完善甚至修订知识，从而推动知识的演化和发展。在社区型课程中网络化知识的认可本质上是大众对已有知识的赞同，在行为上表现为对现有知识的引用、参考、借鉴、创生等。

（二）基于遗传的知识演化

“遗传”是指同种生物在世代之间或同代不同个体之间的继承。作为物质运动的一种常规方式，知识遗传是一个后人继承前人所创造知识的动态过程（刘植惠， 1999a）。在遗传作用机制下，那些符合发展规律并且经过检验、修正和沉淀，且能够满足当下需要的知识，得以延续；反之，那些违背客观事实的知识则被“淘汰”；而那些无法满足当下用户需求的知识会出现暂时的“休眠”（张凌志 & 和金生， 2011）。

网络化知识遗传是指通过知识实体实现跨时间的复用和继承。基于遗传作用机制的网络化知识演化所形成的知识单位，继承了旧有的知识实体，并在旧有知识实体的基础上适当地补充或发展相关属性。在社区型课程中，网络化知识遗传的现象是用户借鉴吸收前人优秀成果并传承延续的过程（宁德鹏 等， 2020）。新旧网络化知识单元通过知识实体直接相连，且这种连接作用遵循度择优机制，即新的节点偏向于连接到度较高的节点之上。如社区型课程中用户总会引用学习“浏览数”或“评论数”较多的帖子内容及观点。

（三）基于变异的知识演化

“变异”是指同种生物世代之间或同代不同个体之间的模仿和发展。知识变异是认知主体通过创造性思维活动实现的知识的创生；与遗传所代表的知识之间的继承不同，知识变异意味着知识的发展（刘植惠， 1999b）。在知识变异占据主导的演化中，不同的知识实体重新组合在一起形成新的知识实体（Inkpen & Tsang， 2005）。

网络化知识变异是指通过知识实体实现跨时间的再创造。基于变异作用机制的网络化知识不再是用户在原有知识基础上的直接复用，而是在原有知识基础上，通过优化和改善，融入新的观点，创造出一个新的观点或者思路。新知识实体与旧知识实体之间超越了直接的继承与引用，虽然存在一定的相似，却又包含更多的差异。通常表现为用户在学习“浏览数”或“评论数”较多的帖子后，形成新的见解和认识。

四、网络化知识演化案例分析

为了探究遗传和变异视角下网络化知识演化规律，同时也为验证知识演化动力模型，本研究选取国内首门基于联通主义开设的cMOOC社区型课程，采用网络化知识抽取方法获得不同时间窗口下的网络化知识实体，通过分析不同时间窗口下网络化知识实体的演化特征，探索演化过程中的作用机制。

（一）数据来源及处理

本研究选取国内首门基于联通主义理论开发的社区型课程“互联网+教育：理论与实践的对话”。课程的典型特色是课程学习者在资料收集、内容分享、交流互动以及知识创生中学习，并以此生成课程内容。此类课程内容中包含着大量的网络化知识。本研究选取cMOOC2.0课程“消费驱动的教育供给侧改革”主题（简称主题四），以主题学习中形成的周报、博客、案例、资源和评论等内容作为研究资料。在时间段选择上，考虑到cMOOC的持续开放特性，课程中的交互讨论存在一定的惯性，为此，本研究将数据采集推延至该主题结束后的一个月，共获取周报4篇、博客138篇、案例42篇、资源54篇、评论信息1，416条。

1. 时间窗口确定与数据切分

本研究综合考虑等距时间窗口（AlSumait et al.，2008; Yu et al.， 2014）以及实际数据特征（鲁云鹏 & 李维安， 2019），将时间窗口切分为25个时间窗口（表示为W1—W25）。主题四的内容包含萌芽期、快速增长期、消退期和休眠期：正式开始之前，相关话题内容较少，处于萌芽期；主题正式学习期间每天讨论的博客、资源、讨论内容都迅速增多，进入快速增长期；而后在主题学习结束后进入消退期，平台探讨的余热还在，相关博客、资源依然在持续增加，但幅度明显降低，持续时间约两周；最后出现断崖式降低直至整个课程的结束，此即休眠期。基于此，本研究将萌芽期单独作为一个时间窗口；将快速增长期依据每天一个时间窗口，切分为15个时间窗口；消退期则每两天为一个时间窗口，切分为8个时间窗口；最后的休眠期切分成一个时间窗口。

2. 基于时间窗口的网络化知识抽取

基于时间窗口的网络化知识抽取一方面需要采用离散的方法，将原始的文本按照时间窗口进行分割，并对每个时间窗口的文本进行话题文档归类，形成相对独立的话题文档集；另一方面，要依据网络化知识抽取机制，抽取各个时间窗口下网络化知识单元。

话题文档归类是为了保证讨论交流的内容在同一个语境内且围绕同一个主题。在具体归类上，将博客、案例或者发起交流的帖子等文档视作独立的话题，围绕该文档的评论或回复内容都将被归入该话题中；而针对评论帖的内容回复，则将评论帖及其回复内容归为一个新的话题（王怀波 & 鲍婷婷， 2020），最终形成相对独立的话题文档。

在知识实体抽取上，研究采用自然语言处理方法通过关键词抽取、词语组合抽取和命名实体抽取这三条抽取机制，结合主客观赋分方法，针对归类所得的1，018个话题文档进行知识抽取。在关键词抽取上，采用TextRank对去停用词的文档进行关键词抽取，并存入网络化知识实体候选库，例如“公平”“教育资源”“教育的拉丁美洲化”等；在词语组合抽取上，使用pku进行词性标注，采用互信息判断方式，抽取主谓短语、偏正短语、联合短语和动宾短语，如“结构性调整”“变革路径”“第三方付费”“一体化”“公平而有质量”等；在命名实体识别中，直接抽取专有名词（nz）以及专家词库中的命名实体（ner），作为领域实体，如“结果公平”“机会公平”“教育质量”等。随后通过实体的过滤和统一，从知识实体候选库中获得每个时间窗口的实体。在属性抽取上，通过关键词的境遇化抽取、基于共现关系的结构关系抽取、基于用户基础信息划分贡献者类型、基于用户反馈识别认可程度、基于访问和引用频次确定生命活性等方式获取属性信息。

研究共抽取8，448个网络化知识实体，所抽取的各时间窗口的网络化知识分布如图2所示，可以看出知识实体的数量整体上呈先上升后下降的不规则发展趋势。从整体时间范畴来看，知识实体数量变化有两个大的波峰，其中第一个波峰出现在第8个时间窗口（W8），此时单个时间窗口下实体数量超过400；随后实体数量在略有下滑之后迅速上升，并在第14个时间窗口（W14）迎来第二个波峰，此时实体数量超过1，000个；之后知识实体数量出现断崖式下降，直至平稳在单个时间窗口200个左右。

这种分布的趋势与生物学“灾变进化模式”类似，即大突变带来新繁荣（张之沧 & 闾国年， 2017）。教育的干预、教学环节的终止对于知识生成与演化来说无异于一种“大突变”，突然的变化打破了原有的知识内容生成节奏，也打破了知识演化渐进式模式，因而出现了知识实体数量分布折线图中的多次波峰。而随着“教学大突变”势头的过去，网络化知识的生产与演化又逐渐趋于相对平稳的水平。主题四课程的学习中，有两个关键性的教学环节，分别是第一周主题学习后的学术沙龙和第二周主题四学习的结束。此两个阶段，分别对应知识实体数量的两次波峰。这也进一步佐证了教学干预在很大程度上影响了知识的演化进程。

3. 相邻时间窗口的演化路径构建

网络化知识演化路径的构建是了解和洞察知识演化特征的重要途径。通常情况下，知识演化路径需要借助自然语言处理方法建立知识之间的语义相似度。为此，在本研究中，首先通过对知识实体的词向量转换，并通过相邻时间窗口下知识实体词向量的语义相似度计算，建立演化路径。

在词向量构建方面，研究使用谷歌提出的BERT预训练模型，将每个时间窗口下的知识实体转变成向量形式，并计算相邻时间窗口下所有知识实体的语义相似度关系。在相邻时间窗口下知识实体的相似度计算中，本研究主要采用词向量的余弦距离公式来进行计算。在阈值设定方面，研究参考张长宏等（2019）对于主题相似度的阈值界定，认为知识实体之间相似度大于0.2则建立相似性连边。为了充分表征知识演化过程中的遗传、变异和休眠等不同特征，本研究对关联程度进行设定。当一个知识实体仅在两个相邻时间窗口的前一个出现时，定义为知识的休眠演化；当一个知识实体仅在两个相邻时间窗口的后一个出现时，定义为知识的突变演化；当两个时间窗口下的相似度为1，定义为基于遗传视角的知识演化；当两个时间窗口下的相似度高于0.75且不等于1，并且知识之间的关系存在多个对应，将其定义为基于变异视角的知识演化。

（二）遗传变异视角下知识演化分析

1. 遗传视角下的知识演化分析

基于遗传动力的网络化知识演化，本质上是用户在互联网的社区型课程中对那些符合认知规律、满足当下需要的知识进行继承。一般来说体现为以话题文档中的转述、引用等方式实现对知识实体的延续。图3呈现了遗传动力机制视角下知识实体随时间的演化分布。从中可以看出遗传视角下知识演化整体上呈现出不规则的发展趋势。这种趋势与网络化知识整体分布比较相似。遗传视角下知识演化有两个大的波峰，第一个出现在时间窗口7到时间窗口8之间（记为“W7-8”），第二个出现在W14-15。

通过对教学进行关键事件分析，研究发现基于遗传视角的知识演化分布趋势与cMOOC主题四的活动安排具有高度的内在关联性。第一个波峰的出现与主题四第一周主题学习结束的时间高度契合，第二个波峰出现则是第二周主题学习的结束时间。第一个波峰出现时，学习者通过对“教育供给侧改革”为期一周的资料整理、内容学习后，逐步进入所探讨的问题领域，并开始撰写博文、参与讨论。第二个波峰出现时，学习者在两周的内容学习和交互讨论后，开始深入探讨主题内容，高频次地交互讨论，并撰写大量的博客文章，分享各类案例。这个阶段也往往是知识生产的繁荣期，大量的知识内容被创生出来。

无论是哪个阶段，cMOOC的学习都需要学习者自己搜集整理相关资料并发表自己的观点。这个过程既包括学习者直接从互联网中检索相关内容，也包括学习者对其他学习者在课程中发表的观点和发布的材料进行二次整理和加工。学习者在浏览和学习已有材料内容的过程中总是不自觉地接受和吸纳其他学习者的观点和思想，并在后续交互讨论和内容创生中引用和借鉴，也即完成了对某些知识的继承。虽然这种引用和继承尚未达到温伯格（Weinberger， D.）所说的成为压倒或改变后来观点的程度，但是总是可以从后续的文档中看到已有的知识实体的影子。这也能解释一个现象：如果很多人在你之前发表了某种观点性知识，而他们又都会在你的“社交圈内”，你就很有可能跟随他们的观点，在不自觉中引用和继承他们的观点。

2. 变异视角下的知识演化分析

基于变异动力下的网络化知识演化本质上是因为知识无法满足用户的需求，而出现新知识的创生。图4呈现了变异动力机制视角下知识实体随时间的演化分布。从中可以看出，受网络化知识分布趋势的影响，基于变异视角的网络化知识演化也呈现出两个发展阶段，并且与主题四两个阶段的时间吻合。

从变异视角下的网络化知识演化趋势来看，学习者在主题内容学习过程中既包含了对已有知识实体的继承，也存在根据自身经验进行的知识创生和发展。变异机制主导下的知识演化，通常以学习者发现已有的知识无法满足自身需求为前提，通过用户对网络化知识实体的整合、重组，融入自身经验，赋予新内涵，实现知识的创新。例如本研究通过探索“教育供给侧改革”网络化知识演化发现，“教育供给侧改革”从最初在宏观、抽象的概念层面探讨什么是教育供给侧改革，包括体制改革、结构性改革等（W2），到融入教育资源供给、从用户驱动角度解决个性化教育问题的思考（W8），再到如何从供给侧通过合理配置智力资源因素解决教育公平问题（W18），最后到融入产业视角探讨如何借助产业升级解决教育供给切实问题（W25）。这整体都是在围绕网络化知识不断推进，但当知识无法完全解决现实问题时，用户开始融入自身经验进行思考，在对知识的借鉴中不断融入自身观点，形成新的认识。

然而，这种变异与自然界中毫无方向的突变不同，总体而言是具有一个外围边界的。虽然信息流瀑的现象告诉我们，当个人处于群体之中时，总是会有意无意地受别人的影响，自己的思想和观点都会被裹挟在其中。但这种裹挟引发的继承并非绝对，是立场和观点的“同一”所起的作用——设置讨论的外围边界（戴维·温伯格， 2014， p. 140）。外围边界决定了整体的话语统一，但边界内部的言论观点仍足够自由。在本研究所使用的样本数据cMOOC主题四中，设置了一个总体的边界——“消费驱动的教育供给侧改革”。在这个边界下，用户仍有足够的空间去创新和发展知识，而非漫无目的地讨论与创造。因此，当用户对自己搜集的资料或者已有内容进行学习后，会融入自我认识和理解，总结提炼新的含义和内容，实现对知识的创新和发展。

3. 基于遗传—变异综合视角的演化分析

互联网社区中的知识演化既存在遗传的作用机制也存在变异的作用机制，但两种作用机制中孰为主导？探索不同作用机制的主导地位，对于有效控制、调节知识演化进程具有重要意义。为此，本研究将遗传和变异两类动力机制影响下的知识实体做了综合对比分析。图 5呈现了基于遗传和变异动力机制的知识实体演化分布。其中纵坐标表示两类动力机制影响下的知识实体占当前时间窗口下知识实体总数的比例。

从图5中可以看出，在本研究中以变异为驱动力的知识实体演化要强于以遗传为驱动力的知识演化，成为网络化知识演化的主导。这与人类社会知识演化更多依赖继承而非变异的现象不同，究其原因是受限于所选的课程。cMOOC的一大重要特征是课程并无固定的内容，课程的内容是由参与者共同构建的，参与者在学习、交流的过程中，建立学习空间，分享生成的学习制品，自由开展内容的交流和思维的碰撞。此类课程在开设之初仅为一个问题域，例如本研究所分析的主题四“消费驱动的教育供给侧改革”。该主题鼓励大家从微观到宏观、层层深入探讨教育供给侧改革，包括“规模化教育与个性化需求”“教育公平与教育供给侧改革”等具体问题。由于并没有现成可以直接学习的材料和内容，因此也没有可用来继承的知识，而是需要学习者围绕问题不断地交互讨论，创生具有个人见解的内容。这也是一个新开设的互联网开放社区的典型特征，一个从无到有、不断积累和动态发展的过程。在这个过程中，知识的演化会出现局部规律与整体规律有异有同的复杂现象。也正因此，研究结果呈现出与人类社会知识普遍依赖的以继承为主的演化不同的特点。可以推演，当社区中的知识积累达到一定量的时候，社区将趋于稳定，以遗传为驱动力的演化机制将重新成为网络化知识演化的主要方式。

五、结语

随着互联网时代知识的爆发式增长和快速传播，知识的演化发展也呈现出一个完全不同的历程。用户群体认可的选择机制成为互联网社区中知识演化的起点，遗传和变异则成为知识演化的动力基础，并持续影响整个网络化知识演化的过程。作为一门新开设的社区型课程，本课程缺乏可以直接继承的知识内容，基于变异作用机制的知识演化遂成为网络化知识演化发展的主导。此种情境下用户的思维碰撞、信息分享和内容交互成为知识创生的重要来源，因此也更易创生出新的知识和观点。而伴随着社区的逐渐平稳，大量知识不断积累，基于遗传作用机制的知识演化或将成为网络化知识演化发展的主导。此种情境下用户的交流多停留在对已有知识的继承上，知识创生的频次显著降低。基于遗传的知识演化对互联网社区型课程来说是一个稳固核心观点的重要方式，但仍需明确继承不等于抛弃个人判断，在遗传发展中需要避免陷入“人云亦云”“信息茧房”的境地。

本研究所探讨的知识，仅限于互联网社区型课程环境下的网络化知识，因此所探索的知识演化动力模型也主要用于阐释此类知识的演化与发展。同时，在研究中仅关注到网络化知识实体在演化中在数量上的变化规律，尚未深入探讨知识内涵上的演化特征。但凭借现有网络化知识演化特征已经可以看出遗传变异作用机制下的知识演化模型能够描述和解释网络化知识的演化。后续研究可考虑一方面开展典型科学知识演化的分析，如学术期刊中知识的演化发展特征，并进一步分析典型科学知识的演化规律与网络化知识演化规律的异同。另一方面可从知识内容层面进一步分析网络化知识演化的规律和特征。由此，或可完善遗传变异视角下的网络化知识演化动力模型，扩大其使用范围，并深入阐释网络化知识演化专有规律。

参考文献

戴维·温伯格. （2014）. 知识的边界（胡泳，& 高美 译）. 山西人民出版社.

丰米宁，魏凤，李健，& 郑雷. （2020）. 产业链视角下的主题识别与技术演化研究——以3D打印领域为例. 情报杂志（8），46-52.

卡尔·波普尔. （1987）. 客观知识：一个进化论的研究（舒炜光 等译）. 上海译文出版社.

康鑫，& 赵丹妮. （2021）. 知识势差、知识隐匿与知识进化：组织惰性的调节作用. 科技进步与对策（6），122-130.

刘和海，李少鹏，& 王琪. （2016）. “互联网+”时代知识观的转变：从共建共享到众传共推. 中国电化教育（12），108-112，128.

刘植惠. （1998a）. 知识基因探索（一）. 情报理论与实践（1），63-65.

刘植惠. （1998b）. 知识基因理论的由来、基本内容及发展. 情报理论与实践（2），8-13.

刘植惠. （1999a）. 知识基因探索（十） 第十讲 知识的遗传运动. 情报理论与实践（4），79-81.

刘植惠. （1999b）. 知识基因探索（十一） 第十一讲 知识的变异运动. 情报理论与实践（5），380-383.

鲁云鹏，& 李维安. （2019）. 基于社会控制理论视角下的我国社会组织治理转型的路径与特征分析. 管理评论（4），254-262.

宁德鹏，周红磊，& 任亮. （2020）. 开放式创新社区知识进化的网络演变及可视化研究. 情报科学（6），90-95.

王怀波，& 鲍婷婷. （2020）. 基于演化思想的互联网时代知识发展规律研究框架. 现代远距离教育（1），29-35.

王怀波，& 陈丽. （2020）. 网络化知识的内涵解析与表征模型构建. 中国远程教育（5），10-17，76.

王竹立. （2019）. 再论面向智能时代的新知识观——与何克抗教授商榷. 远程教育杂志（2），45-54.

许琦，& 顾新建. （2013）. 一种基于Subject-Action-Object三元组的知识基因提取方法. 浙江大学学报（工学版）（3），385-399.

张长宏，孙琦龙，& 张明亮. （2019）. 基于生物信息学主题演化的可视化研究. 哈尔滨师范大学自然科学学报（2），49-53.

张凌志，& 和金生. （2011）. 基于生物进化模式下的知识进化机理研究. 情报杂志（2），105-109.

张之沧，& 闾国年. （2017）. 灾变、绝灭与生物进化关系解析. 自然辩证法研究（7），103-106.

AlSumait， L.， Barbará， D.， & Domeniconi， C. （2008）. On-line LDA： Adaptive topic models for mining text streams with applications to topic detection and tracking. In 2008 eighth IEEE international conference on data mining （pp. 3-12）. IEEE.

Barthelmé， F.， Ermine， J. L.， & Rosenthal-Sabroux， C. （1998）. An architecture for knowledge evolution in organisations. European Journal of Operational Research， 109（2）， 414-427.

Chen， Y. J.， & Chen， Y. M. （2012）. Knowledge evolution course discovery in a professional virtual community. Knowledge-Based Systems， 33， 1-28.

Inkpen， A. C.， & Tsang， E. W. （2005）. Social capital， networks， and knowledge transfer. Academy of Management Review， 30（1）， 146-165.

Li， X.， Jiang， Z.， Song， B.， & Liu， L. （2017）. Long-term knowledge evolution modeling for empirical engineering knowledge. Advanced Engineering Informatics， 34， 17-35.

Sung， H. Y.， Yeh， H. Y.， Lin， J. K.， & Chen， S. H. （2017）. A visualization tool of patent topic evolution using a growing cell structure neural network. Scientometrics， 111， 1267-1285.

Yu， C.， Davis， C.， & Dijkema， G. P. （2014）. Understanding the evolution of industrial symbiosis research： A bibliometric and network analysis （1997-2012）. Journal of Industrial Ecology， 18（2）， 280-293.

Analysis of Networked Knowledge Evolution from the Perspective of

Genetic and Variation

Wang Huaibo and Chen Li

Abstract： In the Internet era， the changes in the production subjects， production modes， and dissemination processes of knowledge have led to qualitative changes in the mechanism and characteristics of knowledge evolution. However， a limited understanding of these changes obstructs educational reforms in the new era. This study constructs a networked knowledge evolution dynamic model from the perspective of genetic variation， based on the biological evolution theory of genetic variation. And this study explores the characteristics of knowledge evolution in the Internet， based on the data of Internet community curriculum cMOOC. The networked knowledge evolution dynamic model is a theoretical framework that describes the process of knowledge evolution and explains the underlying mechanisms of knowledge evolution. In this model， networked knowledge entities serve as evolutionary functional units， and a filtering mechanism of “selection” and two dynamic mechanisms of “genetic” and “variation” are included. In the filtering mechanism， the user’s recognition serves as a natural choice， determining whether knowledge can enter the subsequent evolution stage. Under the genetic dynamic mechanism， users inherit and reuse existing content through reference and citation methods. Under the genetic dynamics， users innovate and develop on the basis of existing entities through borrowing and supplementing. On this basis， this study analyzes the evolution characteristics of networked knowledge using the case of China’s first connectionist course. The results show that genetic and variation knowledge evolution dynamic models can effectively describe and explain the process of networked knowledge evolution. As a new Internet community course， due to the lack of knowledge content that can be directly inherited， the variation mechanism dominates the evolution of networked knowledge.

Keywords： networked knowledge evolution; genetic variation dynamic mechanism; filtering mechanism; knowledge evolution dynamic model; cMOOC

Authors： Wang Huaibo， postdoctor of School of Systems Science， Beijing Normal University （Corresponding Author： huaibo_wang@163.com Beijing 100875）; Chen Li， professor of Faculty of Education， Beijing Normal University （Beijing 100875）

责任编辑 郝 丹