如何识别网络学习资源的进化状态——一种基于信息体量的量化表征方法

□米桥伟 杨现民 李康康

一、引言

网络学习资源是“互联网＋”教育的核心要素，关乎高质量教育体系的可持续发展。随着《教育信息化“十三五”规划》《中国教育现代化2035》《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》等系列文件的出台与实施，网络学习资源的建设进入了高质量发展阶段。

然而，当前网络学习资源质量良莠不齐，资源虽多但不够用、不好用，原因之一便是网络学习资源的进化不足（杨现民等，2016；杨现民等，2022）。网络学习资源进化是指在网络学习环境中，学习资源为了满足学习者的各种动态、个性化的学习需求而进行的自身内容和结构的完善与调整的动态过程（杨现民等，2011）。举例而言：一条“新冠病毒科普知识”的资源产生后，有学习者开始阅读、评论、留言并与作者协同完善该条资源，同时该条资源与疫情防护主题的资源逐步建立关联，被越来越多的用户检索并浏览，自身质量也逐步提高，这个过程便是资源的进化。网络学习资源进化具有汇聚群体智慧与力量的功能，能够促进网络学习资源发生内容和关联结构上的迭代与优化，进而达到动态提升网络学习资源质量的目标。

目前，研究者已在学习资源进化影响因素（何向阳，2015）、模式（杨现民等，2011）、动力（徐刘杰等，2018）、质量控制机制（杨现民，2015）以及进化规律（陈耀华等，2016；Ruprechter et al.，2019）等方面取得了积极的进展，但对于网络学习资源进化状态的划分及其量化表征仍缺乏探索，难以支撑网络学习资源进化预警、进化发展规律识别等研究的深入开展，同时也不利于资源管理者实时、可视化地掌握资源发展状态，给网络学习资源的高效管理带来了挑战。为此，本研究以信息生态学理论为指导，尝试划分网络学习资源进化的状态，并基于“信息体量”的视角，设计一种网络学习资源进化状态的量化表征方法，以期为“十四五”时期我国高质量数字教育资源建设与管理提供借鉴与指导。

二、理解网络学习资源进化的新视角：信息生态学

信息生态学是综合生态学和信息科学的理论与方法来研究“人—信息—环境”三者之间的相互作用，发现与预测整个生态系统的生成、演变与发展规律的科学（娄策群等，2013），目的是促进人、社会组织、信息环境乃至整个人类信息社会的可持续发展与稳定（宫启生等，2008）。信息生态学为理解网络学习资源进化提供了一种新的视角和思路，即以生态联系的、动态演化的、系统的观点来看待网络学习资源进化的过程。

1.信息生态系统与网络学习资源进化

信息生态学理论强调信息生态系统是具有一定组织性和社会属性的有机整体，包含信息人、信息、信息环境三大基本要素。从信息生态学视角看，开放知识社区或网络学习资源平台也是一个具有信息人、网络学习资源和信息环境的信息生态系统（以下统称资源平台信息生态系统）。

信息人主要指向用户（即学习者），既可以是个体也可以是团体或组织。信息人是系统的核心主体，是系统中唯一具有信息行为的“物种”。系统中的所有要素都要以信息人的需求与活动为中心进行设计和运转。网络学习资源是信息人进行信息活动时的核心参与者，通过汲取信息人信息活动过程中产生的价值（信息）（杨梦晴，2020），并转化成自身发展的物质与能量，实现自身的进化与成长。信息环境是支撑信息人开展信息活动的空间与载体，不仅包括系统功能的技术架构（如支持信息人对资源进行评论、协同编辑、点赞、收藏、转发、关联等交互行为），还包括系统的运行机制、管理机制等。

在信息人、网络学习资源、信息环境三者的相互作用、相互支持下，资源平台信息生态系统不断地从平衡到非平衡再到新的平衡。网络学习资源进化与资源平台信息生态系统的平衡状态密切相关。当网络学习资源的供给与信息人的学习需求产生矛盾时，资源平台信息生态系统就会失衡，逐渐出现信息污染、信息超载或信息综合症（陈曙，1995）等问题。此时需要寻求网络学习资源的进化才能重新建立系统的平衡，且进化的方向必须是信息人学习资源需求发展的方向。

2.信息生态位与网络学习资源进化

生态位表示个体或种群在生态系统中所占据的位置和状况（尚玉昌等，1992），代表生态系统中每种生物生存所必需的最小阈值。随着生态学与其他学科的交叉融合，生态位的概念逐渐在自然、社会、工程、经济等多个领域普及与应用，如企业生态位

（何郁冰等，2020）、技术生态位（Lopolito et al.，2022）、社会经济生态位（黄甜等，2022）等。一切类似于生命体的事物在特定的生态系统中都拥有自身生存的生态位。同样，对于信息生态位的界定也不应该局限于真正生命体（信息人）这一概念，信息生态系统中的各要素都应占有一定的信息生态位（柯健等，2013），反映了要素在信息生态系统中的功能、地位以及相互关系等。

网络学习资源的信息生态位是其生存和发展的必要条件。本文将网络学习资源拥有的信息生态位称作资源信息生态位，反映了网络学习资源与信息人之间信息活动开展的情况。换言之，就是网络学习资源的应用水平。网络学习资源的应用水平越好，信息生态位就越宽，竞争力也越强；反之则越窄，拥有越低的竞争优势。

网络学习资源进化是资源信息生态位反复“拓展—压缩（转移）—拓展”的过程。具有相似资源服务功能的网络学习资源会因为信息生态位的重叠产生竞争，优势的一方会逐渐压缩吞并弱势一方的信息生态位。当资源信息生态位压缩至某一阈值时，资源难以维持生存状态，走向死亡。弱势资源想要拓宽自己的信息生态位，重新获得生存空间，一方面，可以通过进化，提升自身的质量，发展自己的竞争优势；另一方面，可通过信息生态位的转移，即将自身内容与结构进行重构或变异创新，发展特色的资源服务，在新的网络学习资源体系中获得生存必需的资源信息生态位。

3.信息生态链与网络学习资源进化

生物的生存与活动和周围环境密切相关。每一个生物为保持自身的生存稳定与发展，都需要时刻与外界环境进行物质与能量的交换。生态链就是生物之间的连接以及物质能量的交换关系。信息生态链是在生态链的基础上发展而来，是指在特定信息生态系统中各生态要素节点之间的连接和信息的传输与交换关系。

在网络学习资源进化过程中，信息生态链是一种连接信息人、网络学习资源和信息环境的链式结构，主要负责信息的传输和能量的转化。首先，信息人通过对网络学习资源进行编辑、评论、点赞、转发、关联等操作产生信息（价值），信息生态链通过链条管道将信息传递给网络学习资源，并在链条末端转化成资源进化所需要的物质与能量。其次，网络学习资源借助信息生态链将自身提供的资源服务信息传递给信息人，并在链条末端转化成信息人发展与成长的能量。

网络学习资源进化的效率与信息生态链的“健壮性”、规模密切相关。首先，信息生态链的“健壮性”影响着信息传输的“带宽大小”和速度，关系着能量转化的效率。其次，信息生态链的规模则影响着网络学习资源进化能量的来源渠道，链条网越广泛，资源进化的能量来源渠道也更加灵活，抗风险能力也越强，不会由于某个节点或是链条的故障、断裂，影响信息的传输和能量的转化，进而影响网络学习资源进化的效率。

4.信息熵与网络学习资源进化

熵的概念最早起源于物理学，在热力学中用来表征物质的状态，即体系的混乱程度。一般来说，正熵代表了体系内的无序性，负熵则是系统有序的一个量度（Yang et al.，2007）。任何封闭的系统，其熵总是自发地朝着熵增加的方向（即无序的状态）发展，且这个过程是不可逆的，但在一定的时间和空间里可将原来的无序状态转变为有序的状态（Cooke，1996）。而要使得系统从混沌状态转变为在时间、空间或功能上的有序状态的关键在于系统可以持续不断地与外界进行互动，引入能够促进自身进化的负熵，抑制自身体内正熵的增长速度，进而使得自己获得更好的发展。网络学习资源也不例外，吸收负熵也是资源发生进化的必要且决定性条件。网络学习资源与外界环境互动的过程也是资源被用户应用的过程，而用户与资源的交互行为是产生负熵的主要途径。倘若资源只是被创建但缺乏应用，很快就会因为体内熵值过高而衰老、死亡。

信息与熵一样，都可用于表征事物的状态发展与变化情况，区别是信息是消除了不确定性的东西（Shannon，1948），是熵的对立面（张守凤等，2021）。信息可以看作熵的消除或负熵（陈昌曙，2001）。1948年，香农把熵的理念与信息量的大小相互结合，提出了一种测度信息量大小的工具——信息熵。信息熵也是反映系统有序与无序状态的重要指标，信息熵与信息量的大小成反比关系，且信息量越大，系统越有序。可见，信息量可看作减少熵的程度或可理解为负熵的大小。用户与网络学习资源的交互过程中产生的信息可理解为资源进化所需吸收的负熵，信息量的大小代表了资源吸收的负熵值。

无论是资源信息生态位的扩张还是信息生态链的健壮，都需要负熵才能得以发展和维持。只有不断地提升网络学习资源的应用水平，才能为资源提供源源不断的负熵，保证资源的可持续进化和蓬勃发展。

三、网络学习资源进化状态的质性描述

1.网络学习资源进化的特征

网络学习资源进化与其具有类似生物的生命属性是分不开的。生命都是在进化中存在和发展的，“物竞天择”“适者生存”“优胜劣汰”是生命存在和发展的基本法则。在进化法则的驱使下，网络学习资源进化呈现选择性、渐进性、群智性以及循环性四项特征。

（1）选择性

网络学习资源进化的选择性可分为外部选择和内部选择。外部选择主要体现在用户选择和关联选择两个方面。首先，符合用户需求的网络学习资源会被不断地选择与应用，进而获得更多的能量与物质，快速生长与进化。其次，网络学习资源往往会选择高质量的其他资源进行关联，关联的优质资源越多、越全面，资源的质量也就相对越高。内部选择主要表现为资源内容要素和关联网络节点的选择。在资源内容被不断修订、编辑、关联的过程中，优质的要素和网络节点会被选择遗传下来（宁德鹏等，2020），使得资源具有自身的专长和优势，以区别其他资源而存在。

网络学习资源进化的选择性具有创造的作用，它不仅表现为单纯地保留高质量资源或淘汰劣质资源，而且还能加强和积累网络学习资源中优良的基因和特性，使之朝着一定的方向发展，改善与提升整个网络学习资源群的质量。

（2）渐进性

生物进化是由低级到高级、由简单到复杂的发展过程。网络学习资源的进化同样是一个不断走向复杂与高质量的过程。从内容上来看，资源不断被用户编辑、更新，实现优质资源的积累，资源形态和资源组织模式逐渐趋合用户需求，最终实现自身内容的进化。从结构上来看，资源在刚被创建时，关联网络上仅有自身一个节点，通过不断地与其他资源建立关联，逐步扩大自身的网络规模，形成庞大复杂的“资源云”，实现自身关联结构的进化（杨现民等，2011）。资源正是通过不断地优化内容和关联结构，才能适应外界环境的需要与变化，不断提升自身的竞争力。

（3）群智性

基于信息生态理论可知，网络学习资源进化的关键因素是信息人，信息人的“智慧”决定了资源进化的效率和质量。以往，网络学习资源的更新频率以及质量往往由最初的创建者决定。资源被创建后，由于缺乏及时动态的更新，导致无法满足用户的现实需求，最终被淘汰。随着技术的快速发展，一些具有开放性、共建性的平台（如维基百科、百度百科、学习元）为网络学习资源进化注入了群体智慧。网络学习资源的每一次进化都是集体智慧的体现。当网络学习资源无法满足用户的需求时，用户之间会通过编辑、评论、点赞、关联等方式进行互动交流、协商对话和反思改进。在多方思想碰撞中，资源将群体智慧转化成进化发展的能量进而实现自身的发展进化，极大地增强了网络学习资源进化的有效性和合理性。

（4）循环性

循环性是指网络学习资源进化是一个不断“出生—死亡—出生”的周而复始的过程。虽然网络学习资源的类生物属性决定其必然经历出生、生长、衰老、死亡等阶段，但与真正生命体的演化不同，网络学习资源具有“复活”的特质，表现为死亡状态的资源会重新获得新生，进入新一轮的进化阶段。网络学习资源重获新生的途径主要有两种：一是通过人为干预的方式对死亡状态的资源进行重组或者创新；二是外界环境的突变或人类认识的改变也可以激活死亡态资源的组织活力，重新获得生命。网络学习资源的“复活”时间，取决于人为干预的时间或人类认识改变的时间等。

2.网络学习资源进化状态的划分与描述

网络学习资源进化的选择性、渐进性、群智性和循环性决定了网络学习资源的进化过程更加复杂多变，但总体趋势仍然遵循生命发展的一般轨迹。杨现民等（2011）认为泛在学习环境中学习资源的演化过程可分为产生、成长、成熟、消亡4 个阶段；徐刘杰等（2018）将泛在学习资源的进化过程分为正发展状态、平衡状态以及淘汰状态；赵蔚等（2012）则将数字学习资源的发展分为组织阶段、生长阶段、进化阶段以及演变阶段；孙振领（2011）将知识的进化过程分为孕育、产生、成长、成熟和衰老5个状态。本研究以信息生态学为指导，借鉴以上学者对于学习资源生命周期的划分，将网络学习资源进化的状态分为起始态、成长态、稳定态、衰退态和死亡态5种类型。

（1）起始态

起始态即网络学习资源刚被创建的阶段。该阶段的网络学习资源由于缺乏用户的使用，资源与用户之间并未建立起物质循环、能量流动和信息传递的信息生态链，虽具有一定的资源信息生态位，但竞争力较弱。此时，网络学习资源面临的主要问题是如何营造促进自身应用水平提升的有利条件，有效汲取生存所需要的各种因子，以获得充足的生存条件与空间（刘志峰等，2009）。

（2）成长态

用户一旦发生了编辑、评论、关联等交互行为，该网络学习资源便进入了成长态。在这个时期，由于资源不断地与用户进行选择、更新、点赞等互动，资源质量不断提高，资源的应用水平日渐提升，获得的负熵逐渐增加（徐刘杰等，2018），信息生态链形成且不断健壮扩大，信息生态位持续拓展。此时的网络学习资源内容不断丰富与优化，资源关联结构不断由简单走向复杂，竞争优势逐渐提升，辐射效应日渐扩大。而成长态的资源同样面临着发展问题，例如，如何增加稳定的黏性用户数量，如何保持自身持续的成长，以及如何尽快进入稳定态等。

（3）稳定态

随着用户资源的不断储备以及信息生态链的逐渐健壮稳定，网络学习资源步入了发展的黄金时期，即稳定态。在这个阶段，网络学习资源保持较高且持续的应用水平（杨现民等，2022），能够保障持续稳定的负熵摄入。此时，网络学习资源不仅具备高质量的内容，其内容的呈现形态、组织模式等符合绝大多数用户的偏好和要求，其关联结构也可以满足用户非线性和拓展学习的需求。此时的资源在相似资源体系中具有较强的竞争力，受到用户的持续关注与使用，呈现欣欣向荣的态势。

（4）衰退态

随着外界环境或人类认识的改变，学习资源提供的服务与用户的资源需求出现供需失衡的现象，而网络学习资源优化速度又赶不上学习者需求的变化，网络学习资源便进入了衰退态。此阶段，由于资源被用户选择与应用的频率逐渐降低（徐刘杰等，2012），资源所吸取的负熵也不断减少，信息生态链日益松动、老化，信息生态位逐渐被其他竞争资源压缩，生存空间日益减小。对于衰退态的资源来说，如何寻求变化与创新，重新适应用户的需求是其亟需解决的关键问题。

（5）死亡态

若处于衰退态的网络学习资源未被改变或干预，资源最终会被用户舍弃（徐刘杰等，2018），摄入的负熵几乎没有或为零，信息生态链崩溃瓦解，信息生态位小于生存阈值，走向死亡。对于死亡态的资源来说，亟需解决的关键问题在于如何重新激活组织活力，获得新生命。

理论上而言，网络学习资源作为类似于生物生命体的事物，从创建开始，会随时间的流逝依次经历初始态、成长态、稳定态、衰退态和死亡态。但是由于其从根本上而言还是人工系统，并不完全遵循生命体进化的演化规律，我们可以通过人工干预的方式实现资源进化状态的跳跃与反复。例如，做好目标用户学习需求的调研或者采用有效的推广手段等，可以使资源一被创建就直接进入稳定态；还可以通过对衰退态和死亡态的资源进行“变异”创新，重新激活网络学习资源活性，使其回到成长态或稳定态。

四、网络学习资源进化状态的量化表征

1.量化表征的总体设计思路

由信息生态学可知，网络学习资源的应用水平与资源所吸取的负熵息息相关。资源的应用水平越高，资源获得的负熵也就越多，进化的状态也相对越好。而网络学习资源的应用水平又由附着在网络学习资源上的信息体量决定。资源应用的越好，附着在资源上的信息体量也就越大，资源所吸收的负熵量也就越多。

“应用为王，服务至上”是新时期教育信息化工作开展的基本原则，网络学习资源进化状态的量化表征方法亦应遵循此原则进行设计。基于此，研究从信息体量的角度出发，通过信息体量的变化速度以及趋势来判定网络学习资源的进化状态，主要包括以下5 个步骤：（1）基于文献和实际调研确定信息体量指标体系；（2）计算网络学习资源进化信息体量与拟合曲线；（3）基于信息体量计算资源某时刻或某时间段的资源进化力；（4）基于资源进化力计算网络学习资源当前进化力相对于前一时间段进化力的增长率；（5）融入时间属性，综合信息体量、资源进化力和资源进化力增长率量化判定网络学习资源的进化状态，如图1所示。

图1 网络学习资源进化状态量化表征方法设计思路

2.信息体量指标体系的确定

在确定总体的量化思路后，最重要的就是构建科学合理的网络学习资源进化信息体量指标体系。基于团队前期对泛在学习资源概念模型、资源进化模式以及资源进化评价指标的研究成果，同时对国内20 多个区县智慧教育云平台的调研，初步提炼出了4类一级指标（包括内容更新信息、资源关联信息、资源使用信息和资源评论信息）和9个二级指标（如表1所示）。

表1 网络学习资源进化信息体量指标体系

3.信息体量及其拟合曲线

（1）指标权重的确定

用户与资源的不同交互行为对网络学习资源进化程度的促进效果是不同的，因而每类指标能为资源进化提供负熵的程度也是有差异的，因此必须先确定信息体量指标的权重，才能科学、合理地计算网络学习资源的信息体量。由于每个一级指标下的二级指标为平行指标，且对于资源进化的影响差异不大，只做计数处理，不赋予权重。

一级指标的权重通过层次分析法（AHP）进行确定。研究选取了13 位数字教育资源领域专家，采用1～9 级评价等级对一级指标进行重要性对比。最后，综合13 位专家的评价矩阵生成群决策综合矩阵，综合矩阵随机一致性比率CR＝0.0071＜0.1，说明权重分配合理，具体如表2所示。

表2 信息体量一级指标权重

（2）信息体量的计算

信息体量表示附着在资源个体上所有的信息量总和（用RG表示），由4类一级指标的信息量加权之和表示。计算公式如下：

其中，RG 表示信息体量；m 表示一级指标个数；Ej表示每类一级指标的信息量大小，计算方式为信息条数的累加，如表1所示；Wj为每类一级指标的权重。

（3）信息体量曲线拟合

通常情况下，采集到的由信息体量（RG）和时间（T）所组成的数据集是离散的，不能充分反映两组数据之间的内在联系，也难以观察和预测信息体量的变化趋势。因此，需要采用曲线拟合的方式，选用合适的模型（或者称为数学函数），将离散的数据拟成平滑且连续的曲线，得到资源信息体量随着时间变化的增长曲线函数RG（T）。

网络学习资源进化信息体量的增长曲线属于典型的“S”型曲线，而最常用的3种“S”型拟合模型为Logistic函数模型（Verhulst，1845）、Gompertz函数模型（Gompertz，1825）和Von Bertalanffy 模型（Von Bertalanffy，1938），具体应用时可根据拟合度（R2）的大小进行选取（R2越接近1 越好）。3 种模型的表达式如表3所示。

表3 3种“S”型模型表达式

4.资源进化力与增长率

随着网络学习资源的不断进化，其信息体量也不断增加。但仅通过信息体量的多少难以精准判定网络学习资源所处的进化状态，故研究引入资源进化力和资源进化力增长率两个关键性指标，结合信息体量综合量化与判定网络学习资源的进化状态。

（1）资源进化力

资源进化力是资源寿命时长的决定因子（用REP表示）。从熵的视角来看，资源进化力即网络学习资源吸收负熵的能力，体现了资源在某时刻或某时间段内资源进化的能力和趋势。从应用的视角来看，资源进化力代表了网络学习资源能够支持用户个性化学习乃至社会发展的能力。资源进化力的大小可由资源信息体量的增加速度表示，计算公式如下：

资源的活性强度与资源进化力的大小密切相关，资源进化力的大小直接反映了资源的活性度。基于信息生态学可知，网络学习资源从起始态到稳定态的发展过程中，资源进化力不断增强，稳定态时保持动态稳定，而衰退态时又逐渐减小，当小于某一阈值（a）时，进入死亡态。同时，考虑到网络学习资源处于稳定态时，其资源进化力大小并非稳定不变，而是呈现波浪式浮动，研究规定当资源进化力大于稳定态阈值（b）时，则资源处于稳定态。

资源进化力阈值（a 与b）的确定，要根据网络学习资源的特点以及平台的实际情况（例如资源平台的管理与运行机制、平台的用户流量以及技术架构等），选择合适的方法进行设定。一般来说，可采用以下4 种方式进行阈值设定（殷宝媛等，2020）：一是根据资源管理者或专家的经验进行设定；二是采用或改良已有研究规定的阈值；三是通过对大量数据集的训练，最终由模型计算出阈值；四是对于类似于正态分布的数据，可以将阈值确定为REPmax±∀（即最大REP 加减任一个数）。

为避免不可控的因素使网络学习资源在某段时间内无法被用户获取和使用（如平台维修或自然灾害等），导致资源在该段时间内RG一直为0或REP始终小于a而被误判为起始态和死亡态的现象，研究定义RG等于0的时长（DT1）小于等于K（具体由管理者确定）时，资源处于起始态，否则为死亡态；当REP小于a的时长（DT2）小于等于Z（具体由管理者确定）时，则定义该时间段内资源为衰退态，否则为死亡态。

（2）资源进化力增长率

资源进化力的增长率也称作资源进化力的增长速度，指的是当前信息体量的增加速度与原来信息体量增加速度之间的比例关系（用r表示）。增长率体现了资源进化力的变化方向，可以反映资源进化的整体发展趋势。当资源处于成长态时，资源进化力的增长率为正；当资源处于衰退态时，资源进化力的增长率为负。计算公式如下：

5.资源进化状态的量化表征与判定

基于上述概念，得到网络学习资源5种进化状态的量化表征形式，如表4所示。

表4 网络学习资源进化的量化表征形式

由表4 可知，结合时间属性，综合信息体量RG、资源进化力REP、资源进化力增长率r 3个变量对网络学习资源进化的状态进行量化表征与判定的标准如下。

（1）起始态。此时的信息体量在规定时长（K）内为零，量化表征为RG＝0&DT1≤K。

（2）成长态。此时信息体量不断增加，资源进化力增长但小于稳定态阈值，且资源进化力正向增长，量化表征为RG＞0&0＜REP＜b&r＞0。

（3）稳定态。此时信息体量稳定增加，且资源进化力达到稳定态阈值，量化表征为RG＞0 &b≤REP。

（4）衰退态。衰退态的网络学习资源信息体量依然增加，但是具有两种情况：一是资源进化力减至稳定态阈值下但依然大于等于活性最低阈值，且资源进化力成负向增长，量化表征为RG＞0&a≤REP＜b&r＜0；二是资源进化力小于最小活性阈值，但时长小于等于规定时间（Z），量化表征为RG＞0&REP＜a&r≤0&DT2≤Z。

（5）死亡态。死亡态的网络学习资源也有两种不同的情况：一是资源进化力小于活性阈值的时间超出规定时长（Z），量化表征为RG＞0&REP＜a& r≤0 & DT2＞Z；二是信息体量为零的时长超出规定时长（K），量化表征为RG＝0&DT1＞K。

五、网络学习资源进化状态量化表征方法的应用案例

1.学习资源案例选取

为了更加清晰地展示量化表征方法的应用过程，研究从学习元平台中选取了“职业探索”（创建于2017 年11 月12 日）资源作为案例对象，对2017 年11 月13 日—2017 年12 月22 日期间的进化状态进行量化判定。选取该案例的理由：一是学习元平台是基于“生成”“进化”“连接”等理念（余胜泉等，2009）构建的一种新型知识开放社区，可支持收集信息体量指标体系中的所有数据；二是该资源可收集到的数据量较为充足；三是该资源可展示进化的5种状态。

2.量化表征方法应用

（1）信息体量计算及曲线拟合

首先，运用信息体量计算公式得到“职业探索”资源在该段时间内的信息体量数据，结果如表5所示。其中T1表示时间为2017年11月13日，T40表示时间为2017年12月22日，每个时间段相隔1天。

表5 “职业探索”资源的信息体量

其次，分别采用Logistic、Gompertz 和Von Bertalanffy 模型对表5 中的数据进行非线性拟合。拟合结果表明，以上三种模型对于资源进化信息体量的增长曲线拟合效果均比较合理，其中Von Bertalanffy 模型拟合效果最佳，R2＝0.980。因此，本案例采用Von Bertalanffy 模型对“职业探索”资源的信息体量数据进行拟合，得到RG 与T 的函数关系为RG（T）＝2171.013（1-0.718e-0.131T）3，并运用Python绘制出“职业探索”资源的信息体量增长曲线，即RG（T）函数曲线，如图2所示。

图2 “职业探索”资源的信息体量增长曲线

根据增长曲线可知，学习资源“职业探索”的信息体量在初始阶段增长较缓，随后逐渐加速，最后趋于某一定值。

（2）资源进化力计算

对函数RG（T）求导，得到资源进化力函数REP（T），其变化曲线如图3所示。由变化曲线可知，该资源的资源进化力前期逐渐增加，达到最大值后逐渐减小，最后趋于零。

图3 “职业探索”资源的资源进化力变化曲线

（3）资源进化力增长率的计算

由图3可知，资源进化力在峰值之前的增长率大于0，峰值之后的增长率小于0。经计算，当T约为6时，资源进化力达到峰值。“职业探索”资源在11月13日—11月18日期间，资源进化力增长率为正值；11月19日—12月22日期间，资源进化力增长率为负值。

（4）资源活性阈值和时长的设定及资源进化状态的判定

本案例中资源进化时长K、Z 由资源管理者根据实际情况进行设定，该案例设定为K＝Z＝7（天）。资源进化力活性阈值a，b 根据前文中的一和四两种方法，同时结合团队前期的实践经验和成果进行综合设定，设定结果为a 为20，b 为110。经计算，当T处于4～9天时，资源处于稳定态，当T＞32天时，资源进入死亡态，具体如表6所示。

表6 “职业探索”资源进化状态时间段

综上，资源“职业探索”被创建后，经历了3天的成长态后进入稳定态，但只保持了短短6天的稳定态，而后逐渐走向衰退。虽然该学习资源在后续的时间里仍然有信息体量的增加，但是活性值依然较低。资源管理者应该以此为依据，深入分析该资源快速进入稳定态，又快速衰退的原因，以为其他资源的进化干预提供借鉴和指导。

3.量化表征方法应用建议

本研究提出的量化表征方法在具体应用时需要根据实际情况进行适当调整，主要建议有：（1）本研究中所提出的信息体量指标体系相对完整，但在实际的资源平台中能采集到的数据不尽相同，故在量化表征网络学习资源进化状态的过程中，需要根据实际能够采集到的数据情况对信息体量指标体系进行增删。（2）研究针对初拟的信息体量指标体系，采用层次分析法（AHP）对一级指标的权重进行了设定。但由于资源平台的特征以及平台建设的侧重点不同，在具体的应用过程中，可以适当调整指标权重。（3）需要选择合适的方法确定资源进化力的阈值和时长。

六、结语

本研究以信息生态学为指导，将网络学习资源进化的状态划分为起始态、成长态、稳定态、衰退态和死亡态，并从“信息体量”的视角出发，设计了一套网络学习资源进化状态的量化表征方法。这是网络学习资源进化研究领域的新探索，有助于提升各地智慧教育云平台的资源管理效能。

量化表征方法有望服务于三个场景：一是网络学习资源的智能化管理。通过运用量化表征方法，管理者可以实时掌握平台中每个资源的进化程度以及未来的发展趋势，据此设定自动化的管控流程，在减少人力和物力的同时提升网络学习资源的管控效率。二是个性化网络学习资源推荐。通过量化表征方法，系统可对匹配筛选出的网络学习资源序列进行状态判定（即二次筛选排序），优先推荐进化状态优良的资源；同时，还可以保障推荐出去的网络学习资源具有前瞻性，避免学习者还未完成学习任务，学习资源就已衰退或死亡，影响学习者的学习体验和效果。三是量化表征方法为网络学习资源进化预警和群体进化规律识别研究提供了基础的数学模型，可以服务于网络学习资源进化的进一步研究。

本研究主要存在两方面不足：一是本文定义的各类权重、阈值等参数值是在结合专家意见和团队前期实践成果基础上初步拟定的，并不一定适用于所有平台，在具体的应用过程中需要管理者根据平台情况进行调整；二是量化表征方法还尚未在实际的资源平台中进行进一步的测试和验证。后续，团队将依托学习元、彭城课堂、智慧教育云平台等强化网络学习资源进化量化表征方法的应用实践，进一步提升量化表征结果的精度，扩大量化表征方法的应用范围和实践价值，以更好地支撑开放环境下大规模网络学习资源的高质量发展。