开放知识社区中学习资源进化现状与问题分析*——以学习元平台为例

杨现民

(江苏师范大学 教育研究院，江苏 徐州 221116)

开放知识社区中学习资源进化现状与问题分析*
——以学习元平台为例

杨现民

(江苏师范大学 教育研究院，江苏 徐州 221116)

在Web2.0理念和技术的强力冲击下，开放知识社区发展迅速，成为信息时代知识创新与分享的重要聚集地。开放知识社区中的知识管理受到了来自信息科学、图书情报、教育技术等多个领域研究者的关注，社区中的知识进化成为重要研究议题之一。该文以国内面向中小学教师和高校师生的新型开放知识社区——学习元平台中一年内实际产生的资源进化数据为样本，综合运用描述性统计、相关性分析、滞后序列分析等方法，对其资源进化现状和存在问题进行了调查分析。研究发现：(1)学习资源的生成速度和学校校历密切相关，基本呈现“开学初快速上升，达到顶峰后开始下降，维持2个月左右时间，到期末突然下降”的整体发展趋势；(2)学习资源的平均进化时长较短，但整体质量较好；(3)学习资源的平均得分与进化时长、编辑次数以及协作者人数之间存在显著的正向相关关系；(4)用户行为存在一些显著的序列模式；(5)用户参与度低、用户行为缺乏适时引导、社区知识共享机制与文化缺失是开放知识社区发展面临的三个主要问题。

开放知识社区；学习资源；资源进化；学习元平台

一、引言

信息技术的飞速发展推动了知识时代的到来。21世纪知识将变得愈发重要，成为推动个体、组织以及社会创新发展的变革力量。在Web2.0理念和技术的强力冲击下，“开放、共创、共享”成为时代的发展主题。近年来出现的慕课、微课、精品资源共享课等顺应了知识开放与共享的时代要求。以BBS、Blog、Wiki、问答社区等为典型代表的各种开放知识社区，更是知识创新与分享的聚集地，是终身学习信息资源建设的重要组成部分[1][2]。开放知识社区既是个人参与知识管理的一种工具或方式，又表现为基于共同兴趣通过创造和共享知识活动而形成的共同体结构[3]。依据内容是否允许协同编辑，可以将开放知识社区分成两类[4]：一类以维基百科为典型代表，遵循知识共享许可协议(Creative Commons Licenses)允许任何用户创作新知识、协同编辑已有知识；另一类是以问答社区、Blog等为典型代表，用户可以创作新知识，对已有知识发表评论，但却无法对他人创作的知识进行内容修改。

近年来，开放知识社区中的知识管理受到研究者越来越多的关注。有学者[5]对Web2.0工具在个人与组织知识管理中的应用进行了探讨；有学者[6]对知识的协同创作模式与机制进行了研究；还有学者[7]从社会关系的角度探讨了开放知识社区中的社会角色与结构。知识不仅需要管理，也需要进化。唯有持续进化，才能满足信息时代人们不断解决新问题、不断实现自我发展的需要，最终实现个体、组织以及社会的创新发展。

开放知识社区中的知识进化研究正在成为一项重要研究议题。Bieber等人[8]研发了协同知识进化支持系统，用于实现社区知识库的永久进化。Falkner amp; Haselböck[9]探讨了知识库系统中知识进化面临的若干技术挑战。Chen amp; Liang[10]提出了两种知识进化的策略，分别是知识变异和知识交叉，并探讨了不同策略对组织绩效的影响。国内有学者从知识系统进化机制[11]、进化评价指标[12]、进化控制技术[13]等方面对开放知识社区中的知识进化问题进行了初步探索。

总的来说，目前知识进化方面亟待开展深入系统的研究，以更好地促进开放知识社区的健康、有序发展。开放知识社区中学习资源是知识的重要载体和表征方式，不同社区以不同的名称命名基本的知识单元(维基百科中称为词条、学习元平台中称为学习元、博客中称为博文等)。学习资源进化主要表现为资源群体数量的增长以及资源个体质量的不断完善。学习元平台是国内以中小学教师和高校师生为主要服务对象，基于学习元理念构建的新型开放知识社区，包括学习元、知识群、知识云、学习社区、学习工具、个人空间等六大核心模块[14]。任何注册用户可以在学习元平台中创建、协同编辑学习元，对学习元进行批注、评论、讨论、投票、关联等操作，实现资源数量与质量的不断提升。

本文旨在对学习元平台中资源进化现状进行调查，分析存在的关键问题，并提出相应改进建议，期望能对开放知识社区的发展提供一定的指导。核心研究内容包括：(1)学习资源进化概况分析；(2)资源进化过程中的用户行为序列模式分析；(3)学习资源进化现存问题分析及改进建议。

二、研究设计

本文基于学习元平台实际运行数据对学习资源进化现状进行调查分析，较之传统的问卷和访谈更能客观反映资源进化现状。在客观数据分析基础上，对现存问题进行归纳总结，并进行深入探讨。

(一)样本选取

选取2013年9月1日至2014年8月31日期间产生的所有学习元作为初始样本，共计6435个。将初始样本中每个学习元的创建时间、最后编辑时间、评论数量、平均得分、批注数量、收藏者人数、浏览人数、协作者人数、资源关联数量、编辑次数、投票次数以及内容长度从后台数据库全部导出到EXCEL文件中。清除内容长度为零的学习元，得到正式样本数为6194。将正式样本中所有学习元上发生的用户行为日志导出到EXCEL文件中，作为用户行为序列模式分析的正式样本。样本选取与处理流程如图1所示。

图1 资源样本处理过程

(二)数据处理

本文用到的数据处理方法包括描述性统计、相关性分析和滞后序列分析(Lag Sequence Analysis,LSA)。其中，描述性统计用于分析资源进化的总体概况，包括资源的创建时间、最后编辑时间、内容长度、评论数量、平均得分、收藏人数、浏览人数、协作者人数、编辑次数、资源关联数量等指标以及资源数量变化趋势；相关性分析旨在探索资源进化相关指标之间是否存在相关关系；LSA用于挖掘资源进化过程中用户各种操作行为之间的序列模式。

(三)滞后序列分析

LSA由Sackett于1978年提出，旨在评估系列行为随着时间发生的概率[15]。该方法主要用来检验人的某种行为发生之后另一种行为紧随发生的情况是否存在统计意义上的显著性[16]。目前，LSA已经被广泛应用到医学治疗行为、家长与孩子的交互行为以及运动行为的序列模式研究中。近年来，e-Learning领域的研究者开始应用LSA研究用户的在线学习行为模式，比如在线讨论区中的小组交互行为[17]、在线会话中的知识分享行为[18]、角色扮演游戏中的操作行为[19]以及应用移动设备的非正式学习行为[20]等。

早期行为数据的处理主要靠人工完成，非常复杂、耗时耗力。为了辅助数据处理，Bakeman和Gottman合作研发了交互行为专用分析软件GSEQ[21]，大大提高了数据处理的效率，也促进了LSA方法在各领域的广泛应用。如今e-Learning领域越来越多的研究者开始使用GSEQ分析行为序列模式，其主要步骤包括：(1)定义行为编码；(2)实施试验，记录需要观察的行为；(3)对观察到的所有行为进行编码；(4)检验行为编码的Kappa一致性(实际编码往往由多人完成)；(5)按GESQ要求的编码格式输入所有行为编码，分析行为序列；(6)根据Z-score的值过滤有显著意义的行为序列，并绘制行为转换图；(7)根据转换图解释行为序列模式。

三、数据分析

(一)资源进化整体发展趋势判断

自2013年9月1日至2014年8月31日，用户共创作了6194个有效学习元(内容非空)，资源生成速度为516.17个/月。每月资源产生数量的变化如图 2所示。其中，2013年9月之后每月资源产生数量开始递减，到2014年1月达到最低点。这是因为学习元平台的主要用户群为中小学教师和高校师生，9月份为开学初，各种中小学教师培训活动开展密集，国内约有300所中小学校应用学习元平台开展网络教研。10月到12月资源生成速度基本稳定，次年1月份急速下降，原因在于学期末学校进入课程复习和考试阶段，广大师生应用学习元平台的频率大大减少。2014年2月份之后资源生成速度迅速提高，3月份生成新学习元817个，到4月份达到顶峰为949个，原因在于2月下旬假期结束，各中小学校陆续开展新一轮的教师教研活动，高校教师依托学习元平台开设新的课程，导致系统的用户活跃度不断提升。5月份、6月份基本稳定，7月份开始进入考试阶段和暑假，用户活跃度大大降低，资源生成速度达到新的最低点。

图2 每月资源产生数量变化曲线(2013.9-2014.8)

由上述分析可知，学习元平台中的资源生成速度和学校的校历密切相关，基本呈现“开学初快速上升，达到顶峰后开始下降，维持2个月左右时间，到期末突然下降”的整体发展趋势。目前，学习元平台的用户群体比较单一，很多功能的设计(如教材设定、资源多维分类、微批注、小组管理等)都是针对学校广大师生，尤其是中小学教师专门设计的。服务对象明确，功能较实用。依据上述资源进化的周期性规律，一方面可以确定更加合适的学习元平台升级维护时间，强化系统功能，提高服务保障能力；另一方面，可以选择恰当的时机为用户推送适合的学习资源或学习建议，比如在假期可以提醒教师进行一个学期的教学反思或推送一些趣味性的专业学习资料。

(二)资源进化核心指标的描述性统计与相关性分析

所有资源样本各项进化指标的描述性统计结果如表1所示。其中，进化时长等于资源最后编辑时间减去创建时间(以天为基本计算单位)，平均得分是所有被打分资源的得分平均值(学习元平台采用五颗星评价机制，每颗星1分)，评论数量是用户在某资源上发表的评论总数(同一用户可多次评论)，批注数量是用户在某资源上进行批注的总次数，收藏人数是某资源被多少人收藏，浏览人数是指某资源被多少人浏览过，协作人数是指某资源具备协作者身份的用户数量(较之普通用户，协作者编辑资源内容无需经过创作者审核)，关联数量是指某资源与其他资源之间建立关联的数量，编辑次数是指用户编辑某资源的总次数(用户点击“编辑内容”，对资源内容进行更改并提交，即视为一次编辑)，投票次数是指对某资源的可信度进行投票的用户人数(每人限投一票，投票的目的在于判断资源的可信度，为用户提供高可信、高质量的资源)，内容长度是指资源包含的字符数(一个汉字等于两个字符)。

表1 资源进化相关指标数据的描述性统计结果

由表1可知，学习元的平均进化时长不到4天(3.70)，也就是说一个学习元产生4天之后便进入“静待期”或“成熟期”，用户不再对其内容进行编辑。整体来看，学习元平台中资源平均进化周期较短，多集中在一周之内。其原因主要在于教师上课常常以周为单位，每周备课时在学习元平台中创作教案，并邀请同学科教师参与教案的协同创作，上完课后便进入下一节课的教案协同创作。进化时长并不能说明资源进化质量，这里可以通过平均得分了解用户对资源质量的整体评价。平均得分为4.01，说明学习元的整体质量较好，用户比较满意。

学习元的评论数量和批注数量很少，平均值分别是1.56和0.39，说明用户很少对资源进行评论和批注。收藏人数(0.36)、浏览人数(4.12)和协作人数(0.84)的平均值表明用户很少收藏学习元，每个学习元平均由4个用户浏览，约1位协作者进行协同编辑。因此，整体来看学习元平台中学习资源的“曝光率”还远远不够，协作的范围和人数偏少，难以形成较强的社会关系网络。

资源关联数量是所有指标中的最低值(0.02)，平均100个学习元中只有两个建立了语义关联，说明学习元平台中的资源之间严重缺乏关联、相互孤立。丰富的资源关系网络既可以增强资源个体之间的联通，提高各自被浏览或内容编辑的概率，又能够为学习者提供高效的资源导航服务[22-25]。如何提高资源之间的语义关联度，是开放知识社区面临的重要问题之一。目前，虽然有学者提出了资源关联的不同方法和技术，如相似度度量[26]、关联路径搜索[27]、规则推理[28]等，但仍存在两点不足：一是语义关系不够丰富，多限于相关、相似关系；二是效率较低、实用性有待提高。

投票次数(0.03)说明用户极少参与对资源可信度的投票。目前，学习元平台分别从内容准确性、内容客观性、内容完整性、标准规范性以及更新及时性等五个方面对资源的可信度进行判断。可信度投票是解决当前开放知识社区存在的信任危机[29]的一种有效方法。但从实际的应用来看，五个评价指标、每个指标上有五级评价(很好、较好、一般、较差、很差)，看似系统完整，但实用性却很差。由于五个评价指标需要用户花费较长时间进行主观的分析和判断，会对用户带来较大的认知负荷和心理负担。因此，接下来需要重新设计投票机制，简化评价指标和评价方式。

平均编辑次数为3.31，表明学习元内容的改动较少，即用户在协同内容编辑上的参与度比较低(中文维基百科词条平均编辑次数为9.28次；百度百科词条平均编辑次数为3.5次[30])。用户参与是实现开放知识社区资源持续、有序进化的关键。如何激励用户参与到资源的协同创作中是打造高效、高质量知识社区的重要前提。目前，学习元平台提供了积分、排行、虚拟奖品等激励措施，但从实际效果来看并不理想。因此，下一步可通过问卷、访谈等手段搜集反馈信息，结合中小学教师以及高校师生的特征和实际需求优化现有激励机制。

内容长度方面，每个学习元平均包含1791.14个字符，约896个汉字。维基百科、百度百科等知识社区以词条为单位，以专业术语的文字性解释为主，往往会引用很多参考文献，内容往往较长。然而，学习元是复合型的学习单元，包含文字、视频、图片、动画等多种媒体类型。通过抽查学习元内容，发现主要有两类资源：一类是中小学教学设计方案，一类是高校的教学课件(含PPT、视频等)。除文字外，其他媒体内容由于无法直接计算长度，因此导致目前学习元平均内容长度较短，但媒体形式丰富，符合中小学教师和高校师生的教学与学习需求。

此外，标准差反映样本内个体间的离散程度。从上文可知，进化时长(17.24)、评论数量(11.72)、编辑次数(9.70)以及内容长度(3654.55)四项指标的标准差值较大，说明不同学习元个体的进化时长、用户评论数量、用户编辑内容次数以及内容长度方面存在较大差异，比如：名字为“思维训练导论—纲要(2014)”的学习元上用户评论数量为369次，而有的学习元则无人评论；名字为“电子教材设计与开发”的学习元上用户编辑总次数为134次，而很多学习元的用户编辑次数仅为1次。从进化的视角来看，这种个体间差异的极大化虽然会促进少数个体的快速进化，但不利于整个资源种群的和谐发展。因此，下一步学习元平台应增加适当的引导机制，进一步强化个性化推荐机制，以保证更多的学习资源能够被不同用户接触到，并进行内容编辑、评论等操作。

为了进一步探明上述资源进化核心指标之间的关系，接下来将重点对平均得分、内容长度与进化时长、编辑次数、协作者人数之间的相关性进行分析，如表2所示。

表2 资源进化核心指标间的相关性分析

表2显示了几项核心指标之间的相关性分析结果。其中，平均得分与进化时长、编辑次数以及协作者人数之间存在显著的正向相关关系。可以解释为，学习资源进化的时间越长，编辑次数越多，协作者人数越多，则其进化质量往往越好，越能得到学习者的认可。其中，平均得分与编辑次数的相关性最大，也就是说资源通过不断的内容编辑与完善，质量上往往更加可靠。另外，内容长度与进化时长、编辑次数以及协作者人数之间同样存在显著的正向相关关系。而内容长度与编辑次数之间的相关性也最大，说明内容编辑的次数越多，资源的内容往往会越丰富。

依据上述相关性分析结果，学习元平台应进一步加强协作者管理、协同内容编辑方面的功能，主要从易用性、智能性方面进行提升。目前，学习元平台每个资源的平均协作者人数仅为0.84，难以发挥协同的优势。知识社区本质上是由用户构建的共同体，如何强化用户之间的联系，为不同资源自动寻找、推荐可能感兴趣且具有相关专业知识背景的可信用户，是当前开放知识社区需要解决的难题之一。此外，在协同内容编辑方面，学习元平台的多媒体编辑器虽然功能强大(可编辑公式、嵌入工具、活动等)，但易用性、安全性亟待提高。

(三)资源进化过程中用户行为模式识别

学习元平台提供了详细的行为日志记录功能，因此用户在每个学习元上的所有操作都将自动被记录下来。本研究重点选取与资源进化密切相关的12种用户行为进行行为模式分析。用户行为编码如表3所示。

表3 用户行为编码

系统共导出45076个有效行为记录。排在前三位的高频行为分别是编辑内容(22%)、评论(21%)和分享(12%)。其中，编辑内容和评论发生频率最高，说明用户进入某个学习元页面最有可能编辑内容和发表评论。发生频率最低的三种行为分别是上传资料(2%)、邀请协作者(2%)和投票(2%)。关于投票行为和邀请协作者数量较少的原因已在上文进行了分析，并提出了改进建议，这里不再赘述。上传资料是一种重要的知识分享行为，也是各类学习社区的基础功能，有助于辅助学习者理解知识并进行拓展性学习。目前，用户很少分享资料的主要原因有两点：一是缺少分享的意识和分享资料的动力；二是用户上传资源需要先进入资源模块，才可以逐个上传，操作繁琐，效率不高。因此，学习元平台需要进一步优化上传资料功能，比如支持批量上传、编辑器中嵌入分享资源功能等。

将所有用户行为编码以学习元为单位，按照发生的时间顺序进行排列，导入到GSEQ5.1。之后点击Run-＞Table statics进行滞后序列分析。每种行为向其他行为转换的频率如表4所示。列表示起始行为，行表示起始行为结束后随即发生的行为。比如第3行第2列的数字“96”表示IC(邀请协作者)发生后随即发生ED(编辑元数据)的次数为96次。

表4 行为转换频率表

滞后序列分析的Z-score矩阵如表5所示。依据滞后序列分析理论，如果Z-score＞1.96则表明该行为序列的连接性具有统计学意义上的显著性(p＜0.05)[31]。为了更加直观地分析资源进化过程中用户行为序列模式，接下来将具有显著意义的行为序列关系绘制成如下页图3所示的行为转换图。

表5 调整后馀值表(Z-score)

图3 用户行为转换图

图3中的结点表示各种用户行为，连线表示它们之间的行为连接具有显著意义，箭头表示行为转换的方向，线的粗细表示显著的水平，线上的数字代表Z-score值。整个行为转换图大体可以分成三部分。

第一部分包括EC(编辑内容)、ED(编辑元数据)、IC(邀请协作者)、SH(分享)、CL(收藏)五种行为，且各行为之间存在频繁的相互转换关系。比如：EC→ED→IC→EC的行为路径表明，用户在编辑完资源内容后常会进一步修改完善资源基本信息，之后又会邀请其他用户作为协作者，邀请完协作者之后又倾向于继续编辑内容；SH→CL→VT的行为路径表明，用户在分享完资源后，往往会将该资源收藏，然后进行可信度投票。第一部分由于存在很多条行为转换序列，为了更准确把握最具显著意义的行为序列，接下来将Z-score值大于20的序列抽取出来，得到如图4所示的具有非常显著意义的行为转换图。图4中存在极其显著意义的行为序列分别是：EC→EC，EC→ED→SH，ED→EC，SH→SH，CL→CL。EC→EC表明用户在提交完内容编辑后又会继续编辑内容；EC→ED→SH表明用户编辑完内容后会完善基本信息，之后进行分享操作；ED→EC表明用户编辑完基本信息后会倾向继续编辑内容；SH→SH表明用户喜欢将资源频繁分享给不同的用户或推荐到多个社交网站。

图4 Z-score大于20的行为转换图

第二部分包括SC(评分)、CM(评论)、PS(发帖)、VT(投票)四种行为。其中具有极其显著意义的行为序列包括：SC→CM，CM→SC，CM→CM，PS→PS。SC→CM表明为资源用户打完分后，往往会发表评论；CM→SC表明用户评论完之后倾向于对资源进行打分；CM→CM表明用户会在评论区多次发表意见，并对意见相互回复；PS→PS表明会在讨论区通过发帖、回帖的方式针对某问题进行反复交流讨论。目前，学习元平台将评分与评论功能放在一起，方便用户可以在评分与评论之间频繁转换，有助于提升资源质量。然而，从图3又可以发现，CM与EC之间并无显著关联，也就是说用户评论完并未根据修改建议对资源内容进行及时修改完善。从评论向编辑内容转换，对于及时完善资源内容具有重要意义。因此，下一步需要通过适当的引导策略(比如评论完后提示用户是否编辑内容)增强CM→EC路径。此外，VT→SC表明用户投票后会进行打分操作，但SC→VT同样重要，打分后引导用户对资源可信度投票，将进一步提高用户参与投票的比例，有助于提高资源可信度评价的准确性。

第三部分包括UL(上传资料)、DL(下载资料)和AN(批注)三种行为。存在三条显著转换路径，分别是UL→UL，DL→DL和AN→AN，每种行为之间不存在明显的转换关系。UL→UL表明用户倾向于多次上传分享资料，DL→DL用户喜欢不断下载资料，AN→AN表明用户常常多次发表、查看、回复批注。所有用户行为记录中UL的发生频率仅为2%，而DL的发生频率是UL的四倍(8%)，说明更多的用户在下载资料而非贡献资料。从下载资料到上传资料(DL→UL)的转换路径应当增强，即鼓励更多用户下载完资料后能够同样共享资料，以促进开放知识社区的知识共享与传播形成良性循环。

四、问题讨论

通过上述数据分析结果可知，目前开放知识社区主要存在三类问题：一是用户参与度低，需要通过激励机制促使用户积极参与到资源的协同创作中；二是用户的行为需要正确、适时引导，以通过集体力量促进学习资源有序进化；三是社区知识共享机制与文化缺失，不利于开放知识社区的持续健康发展。

(一)如何激励用户参与资源的协同创作

Cheng和Vassileva指出[32]，在线社区在发展初期往往面临用户参与不足的困境。目前学习元平台存在用户参与度过低的问题，直接导致资源生产的速度较慢，且一定程度上影响资源质量，阻碍了大量优质学习资源的持续生成。统计结果显示，在6194个有效学习元样本上的活跃用户数为2085，约占总注册用户的14.99%。也就是说在2013年9月1日到2014年8月31日期间，仅有一小部分用户参与了社区资源的协同创作，绝大部分用户处于“休眠”状态。因此，开放环境下如何激励用户参与到资源的协同创作中来，是当前开放知识社区发展面临的主要难题。对于发展初期的知识社区，用户参与问题更为突出。

目前，积分、头衔等已成为各知识社区的常规激励手段，这对于大众化的社区而言具有较强的实用性。对于发展初期或专业性的知识社区而言，这些常规激励措施的作用发挥有限，需要继续探讨新的用户激励机制。对此，已有学者[33][34]开展了相关研究，提出了不同的用户激励机制，比如：对用户进行聚类，针对不同特征的用户提供不同的奖励；采用游戏化的竞争激励机制等。实际上，用户参与问题的主要原因有两个：一是内在动力不足，二是参与过程遇到困难得不到及时帮助，产生挫败感。关于内在动力问题，需要对用户特征进行系统分析，了解用户的真实需求，针对性的设计激励措施，不断激发用户参与资源协同创作与共享的动机。很多知识社区在支持服务能力上急需提升，一方面要提高社区各项功能的易用性，减轻用户尤其是新用户在技术操作上的认知负荷；另一方面，要提高社区功能的智能性，“想用户所想，思用户所需”，比如：根据用户兴趣和知识专长智能聚类，自动形成专业化的社交圈，提高用户粘性；为用户便捷创作资源、编辑资源内容、发表观点提供脚手架支持；提供文本内容的自动纠错、资源的多维智能分类、个性化资源推荐等实用性功能等。

此外，协同资源创作本质上也是知识建构的过程，因此可以在知识建构理论[35]的指导下针对性的设计一些有效促进协同知识建构的功能，比如参考知识论坛(Knowledge Forum)提供用于支持高级知识过程的支架，例如“我的观点是”“我需要理解”“新证据”“一个更好的观点是”等。

(二)如何正确引导用户行为促进资源有序进化

除了激励用户积极参与外，还需要对用户行为正确引导，以促进开放知识社区学习资源的持续、有序进化。通过上述用户行为模式的分析，可以发现一些问题，比如：CM(评论)→EC(编辑内容)，DL(下载资料)→UL(上传资料)等行为转换路径的缺失，不利于资源内容的快速进化和良性社区分享文化的形成。此外，AN(批注)→AN，CM(评论)→CM，PS(发帖)→PS虽然表明用户在持续的讨论，但通过对讨论内容的抽取分析，发现学习元平台中的用户交互存在“闲聊”问题，即一旦有用户发表一些与讨论主题不相关的内容时，会误导其他用户偏离讨论主题，严重影响协同知识建构的进程和质量。

知识的价值在交流中体现和升华。为了促进更多有效交互行为的发生，开放知识社区应提供相应的引导机制。针对上述“闲聊”问题，已有学者[36]提出可以通过集成智能代理，自动发现无效讨论，并进行干预。此外，知识建构既需要有信息输入，又需要进行知识输出。如何将交互讨论生成的好建议、好观点融入到资源内容中，也是开放知识社区发展需要解决的重要问题。用户讨论过程中，系统可以智能提取有趣的新观点，待讨论结束后，弹出对话框，提示用户可以将新建议、新观点补充到资源内容中。此外，关于评分、投票等操作应当尽量简化，避免给用户带来过多的认知负荷。比如，目前很多开放知识社区开始借鉴社交网站的评价思路，提供“踩”“顶”“赞”等功能，大大提高了用户评价行为。

(三)如何形成良好的社区知识分享机制与文化

开放知识社区的生命在于“创作与分享”，对于类似学习元平台这种发展初期的专业性知识社区而言，由于用户数量较小且各种配置机制不健全，往往很难形成良性的知识分享文化。主要表现为“参与创作、贡献资源的用户少，浏览、搜索资源的用户多”。本研究发现更多的用户喜欢下载资料，而上传资料者却寥寥无几。如何在贡献与享用之间寻求一种平衡，如何让更多的用户乐于分享知识与智慧，是开放知识社区研究的主要议题之一。

目前，已有学者对社区知识共享问题进行了探讨。研究发现，知识共享意愿、知识共享态度、知识创新与Web自我效能感、主观行为规范以及社会网络关系是影响社区知识分享行为的主要因素[37]。因此，为促进在线社区知识分享，应当激发用户分享知识的动机，端正知识分享态度，同时制定可行的社区知识分享规范，加强用户之间的社交关系，进而提升用户在社区中的归属感。资源分享不应局限于社区内部，还应重视外部资源的分享，包括聚合站外资源、链接不同社区站点等[38]。

人类学家的研究表明，文化影响着人类的认知方式和认知技巧[39]。开放知识社区应创设一种乐于分享、敢于分享、可靠的社区文化，促使广大用户在不知不觉中学会创造、学会分享。而社区分享文化基因的培育，离不开知识分享制度与机制的保障。因此，接下来开放知识社区建设与优化的重点包括：(1)形成能够促进用户自愿分享知识的社区制度；(2)打造高可靠度的知识分享环境，通过构建科学的知识与用户信任评估模型，识别高可信度的用户和资源，自动过滤劣质资源；(3)构建更加开放的知识生态环境，无缝连通多个相关主题知识社区，实现资源互联，用户互访；(4)支持泛在化的知识生产模式，用户可以随时随地使用现有终端创作，分享更多原创性知识。

[1]陈琳,王矗,陈耀华.终身学习信息资源建设的战略意义与模式创新[J].现代远程教育研究,2012,(4):41-46.

[2]陈琳,陈耀华.以信息化带动教育现代化路径探析[J].教育研究,2013,(11):114-118.

[3]中文维基百科.知识社区[EB/OL].http://zh.wikipedia.org/wiki/知识社区,2014-09-10.

[4]Yang,X.,Qiu,Q.,Yu,S.,amp; Tahir,H.Designing a trust evaluation model for open‐knowledge communities[J].British Journal of Educational Technology,2014,45(5):880-901.

[5]Grace,T.P.L.Wikis as a knowledge management tool[J].Journal of Knowledge Management,2009,13(4):64-74.

[6]Moskaliuk,J.,Kimmerle,J.,amp; Cress,U.Collaborative knowledge building with wikis:The impact of redundancy and polarity[J].Computers amp; Education,2012,58(4):1049-1057.

[7]Jahnke,I.Dynamics of social roles in a knowledge management community[J].Computers in Human Behavior,2010,26(4):533-546.

[8]Bieber M,Engelbart D,Furuta R,et al.Toward virtual community knowledge evolution[J].Journal of Management Information Systems,2002,18(4):11-35.

[9]Falkner A,Haselböck A.Challenges of knowledge evolution in practice[J].AI Communications,2013,26(1):3-14.

[10]Chen D N,Liang T P.Knowledge evolution strategies and organizational performance:A strategic fit analysis[J].Electronic Commerce Research and Applications,2011,10(1):75-84.

[11]孙振领.知识生态系统进化机制研究[J].情报杂志,2011,30(6):152-155.

[12]杨现民,余胜泉.生成性学习资源进化评价指标设计[J].开放教育研究,2013,19(4):96-103.

[13]杨现民,余胜泉.开放环境下学习资源内容进化的智能控制研究[J].电化教育研究,2013,(9):83-88.

[14]杨现民,余胜泉.学习元平台的设计开发及其应用场景分析[J].电化教育研究,2013,(3):55-61.

[15]Sackett,G.P..Observing Behavior:Theory and applications in mental retardation [M].Baltimore :University Park Press,1978.

[16]Hawks,I.K.Facilitativeness in small groups:a process-oriented study using lag sequential analysis[J].Psychological reports,1987,61(3):955-962.

[17]Jeong,A.C.The sequential analysis of group interaction and critical thinking in online[J].The American Journal of Distance Education,2003,17(1):25-43.

[18]Eryilmaz,Evren,Pol,Jakko,Ryan,Terry,Clark,PhilipMartin,amp; Mary,Justin.Enhancing student knowledge acquisition from online learning conversations[J].International Journal of Computer-Supported Collaborative Learning,2013,8(1):113-144.

[19]Hou,H.T.Exploring the behavioral patterns of learners in an educational massively multiple online role-playing game (MMORPG)[J].Computers amp; Education,2012,58(4):1225-1233.

[20]Sung,Y.T.,Hou,H.T.,Liu,C.K.,amp; Chang,K.E.Mobile guide system using problem‐solving strategy for museum learning:a sequential learning behavioral pattern analysis[J].Journal of computer assisted learning,2010,26(2):106-115.

[21]Jeong,A.C.The sequential analysis of group interaction and critical thinking in online[J].The American Journal of Distance Education,2003,17(1):25-43.

[22]杨现民,余胜泉,张芳.学习资源动态语义关联的设计与实现[J].中国电化教育,2013,(1):70-75.

[23]陈琳.高校课程立体学习资源建设研究——促进学习方式转变的视角[J].中国电化教育,2013,(11):95-97.

[24]张乐乐,黄如民.联通主义视域下的移动学习环境设计[J].现代教育技术,2013,(2):115-119.

[25]陈琳,王矗,李凡,蒋艳红,陈耀华.创建数字化学习资源公建众享模式研究[J].中国电化教育,2012,(1):73-77.

[26]张骞,张霞,刘积仁.SCORM学习资源的语义相似度度量[J].华中科技大学学报(自然科学版),2003,31(10):296-298.

[27]李艳燕.基于语义的学习资源管理及利用[D].北京:中国科学院计算技术研究所,2005.

[28]杨现民,余胜泉.学习元平台的语义技术架构及应用研究[J].现代远程教育研究,2014,(1):89-99.

[29]Lever,R.Wikipedia faces crisis[EB/OL].http://www.abc.net.au/science/articles/2005/12/12/1528925.htm,2014-11-15.

[30]黄令贺,朱庆华.百科词条特征及用户贡献行为研究——以百度百科为例[J].中国图书馆学报,2013,(1):79-88.

[31]Bakeman,R.,amp; Gottman,J.M.Observing interaction:an introduction to sequential analysis [M].Cambridge,UK:Cambridge Univeristy Press,1997.

[32]Cheng R,Vassileva J.Design and evaluation of an adaptive incentive mechanism for sustained educational online communities[J].User Modeling and User-Adapted Interaction,2006,16(3-4):321-348.

[33]袁磊,崔瑞雪.中美虚拟外语学习社区比较研究[J].现代远程教育研究,2010 (2):43-47.

[34]李肖,黄文培.移动虚拟学习社区用户激励机制的研究[J].中国科教创新导刊,2013 (17):148-149.

[35]Scardamalia,M.,amp; Bereiter C.Knowledge builL.ding:Theory,pedagogy,and technology[A].Sawyer,K.Cambridge handbook of the learning sciences[C].New York:Cambridge University Press,2006.97-118.

[36]Hou,H.T.,Sung,Y.T.,amp; Chang,K.E.Exploring the behavioral patterns of an online knowledge-sharing discussion activity among teachers with problem-solving strategy[J].Teaching and Teacher Education,2009,25(1):101-108.

[37]张豪锋,赵耀远.虚拟学习社区中影响参与者共享行为的因素探究[J].中国远程教育,2012 ,(13):67-71.

[38]赵蔚,梁明,刘红霞,于大泽.基于社区驱动的学习资源共享机制研究[J].中国电化教育,2013,(12):75-80.

[39]朱轩.解析虚拟学习社区中的文化[J].黑龙江科技信息,2009,(35):296.

杨现民：副教授，硕士生导师，研究方向为泛在学习、知识进化、智慧教育、技术增强学习(yangxianmin8888@163.com)。

2015年8月3日

责任编辑：赵兴龙

The Status and Problems of Learning Resource Evolution in Open Knowledge Community—Taking the Case of Learning Cell System

Yang Xianmin
(Institute of Education,Jiangsu Normal University,Xuzhou Jiangsu 221116)

With the rapid spread of Web 2.0 concept and technology,open knowledge community(OKC)develops quickly and has become a significant space of knowledge innovation and sharing in the information era.Knowledge management in Open knowledge communities has been concerned by some researchers from information science,library and information,and education technology.Knowledge evolution in OKC has become a considerable topic.This study aims to investigate and analyze the status and existing problems of learning resource evolution in OKC.All the sample data was exported from Learning Cell System (LCS)which is a new OKC in China mainly serving teacher and students.Through combing the methods of descriptive statistics,correlation analysis and lag sequence analysis,several major results were found:(1)The resource evolution speed in LCS was closely related to the school calendar,presenting the tendency of rising fast at the beginning of a term and coming down after reaching the peak value,then beginning to keep stable in two months,fi nally decreasing sharply at the end of a term;(2)The time of learning resource evolution was shorter,but the overall quality was acceptable;(3)The score of learning resource was signi fi cant positive correlated to evolutionary time,edit times and collaborator numbers; (4)User behaviors show some signi fi cant sequence patterns; (5)Three key problems were identi fi ed,including low engagements,lack of timely guidance on user behaviors,and the de fi ciency of knowledge sharing mechanism and culture.

Open Knowledge Community; Learning Resource; Resource Evolution; Learning Cell System

G434

A

1006—9860(2015)11—0045—09

* 本文系国家社会科学基金教育学青年课题“开放环境下学习资源进化机制设计与应用研究”(课题编号：CCA130134)研究成果。