认知发展理论视角下知识建构社区中的知识进化研究

吴磊 赵琪 卢萌萌 王新华

基金项目：2023年国家自然科学基金青年科学基金项目“知识建构社区中基于多模领域概念的知识创造路径识别与演化规律研究”（项目编号：62307026）；2022年山东省高等学校青创科技支持计划“智能技术赋能知识管理与学习服务创新团队”（项目编号：2022RW090）

[摘   要] 知识经济时代，以观点为中心的知识建构社区极大地促进了知识创造活动的发生。知识进化是意义学习的必然过程，为揭示知识建构社区学习本质提供了重要视窗。然而，现有研究虽然尝试从知识流动、观点演化以及知识网络等方面探讨知识建构社区的学习规律，但未能将交互内容与内在心理活动有机统一。为此，研究首先融合认知发展理论与社会网络属性，确定图式的基本单元以及知识进化框架。其次，利用数据挖掘方法抽取关键领域概念表示图式单元，通过社会网络分析和LDA主题模型，结合发帖规律深入探究不同主体与不同主题的知识进化轨迹。研究结果发现：知识建构社区中关键领域概念具有鲜明的语义特征，不同学习者的知识进化层次具有差异性，且多样化主题下知识进化规律呈现复杂性。研究拓展了传统学习理论边界，同时对优化在线教学具有重要意义。

[关键词] 知识建构； 知识进化； 社会网络分析； 认知发展理论； 领域概念

[中图分类号] G434            [文献标志码] A

[作者简介] 吴磊（1990—），男，安徽庐江人。副教授，博士，主要从事教育大数据研究。E-mail：ccnustone@yeah.net。

一、引   言

知识经济时代，知识传播、共享与创造已从特定课堂环境转变为一般性社会化现象。作为从事知识生产与消费活动的理想场景，知识建构社区以观点为核心，允许师生、生生自由协作与对话，实现学习共同体的稳步提升。个体的认知结构在互动与环境中不断发展，推动了认知阶段的演进[1-2]。知识建构社区借助问题的共同探讨和解决引发新观点的产生，个体认知结构形成可以被理解为由不同观点相互选择、冲突与融合的复杂反应过程，并利用知识的相互交织推动认知结构的演变。目前，已有研究主要从知识流动[3]、观点演化[4]以及知识网络[5]等方面开展了知识进化探究，有待进一步拓展。无论现代知识传播与认知媒介如何日益复杂多变，个体的内部加工过程都是观点转化为知识的关键。皮亚杰认知发展理论作为经典的学习理论，虽然试图解释个体知识加工的“黑盒”，但是鲜有被应用于在线学习领域。本研究创新地将传统学习理论与最新数据挖掘技术等相结合，深入剖析知识建构社区中的知识进化过程，拓展了传统学习理论边界，同时对优化在线教学具有重要意义。

二、认知发展理论下知识进化模型构建

（一）皮亚杰认知发展理论

在知识进化研究领域，皮亚杰的认知发展理论深入剖析了个体认知能力的发展轨迹，为理解知识在不同学习阶段的演化提供了有力支持。作为经典的教育心理学理论，皮亚杰提出个体认知结构转变受到了图式、同化、顺应与平衡的影响[6]。其中，图式表征了知识以类网状形式存储在大脑中[7]，新旧材料、经验的对话与冲突会影响图式的发展与演变。根据变化程度的差异性，皮亚杰认为，当图式形态发生数量上的调整或者结构上的微调时，同化就发生了。顺应现象往往导致个体图式结构做出重大调整，通常发生在个体认知结构重构或者发生质的飞跃过程。平衡是通过同化和顺应相互作用推动认知结构演变的动态过程，表明了人们能够高效应对不同学习任务与挑战。当前教育领域研究者更多地关注认知发展理论的价值、意蕴以及局限等，着重从理论上考究认知发展的缘起及影响。知识建构社区中学习者在社会交互以及观点汲取过程中，内部心理结构也会发生变化，亟待从认知结构变化视角出发开展相关研究。

（二）领域概念表示图式基本单元

领域概念是知识建构社区交互的主要目的和知识创造的表现形式。一方面，交互层次塔理论主张概念交互是在线学习的最高形式，学习者通过持续概念交互实现知识重组[8]。另一方面，知识创造隐喻理论将领域概念视为知识创造的“人造物”[9]，作为评判学习效果的重要依据。领域概念作为传递知识的基本单元，通常以名词或名词性短语的形式表述。不同数量与层次的领域概念构成了个体的认知图式元素。在形式上，不同交互内容由不同数量与语义的领域概念组合而成，从而具备了特定的学科知识与内隐情感。在认知过程中，学习者回应问题或讨论主题， 本质上是对抽象关联的领域概念进行针对性组织以实现知识创造[9]。部分研究者已经观察到领域概念独特的教育价值，例如：王丽英等人通过领域概念图的统计分析，揭示了学生复杂认知水平与领域知识的关系[10]；吴磊等人基于领域概念的认知获取与内化特点，构建了共情模型以测评师生间的共情强度[11]。这些研究关注到领域概念教学价值的同时，也进一步为领域概念抽取与应用提供了重要的方法借鉴。

（三）知识建构社区知识进化框架

在教学周期内，学习者在知识建构社区中频繁接触或交换领域概念，推动内部认知图式改变。按照认知发展理论，图式发生同化、顺应以及平衡活动，意味着领域概念网络形态发生重构，表现为网络节点密度与结构改变。基于社会网络理论，本研究分别用网络密度值[12]、网络聚集系数[13]刻画图式中密度与结构属性，见表1。其中，网络密度表示图式中蕴含的知识存量，网络密度值越高，表明图式中蕴含的领域概念数量及其连接越多；网络结构表示图式拓扑结构，网络聚集系数越大，图式中元素群体间结集成团程度越高。通过构建二维象限区分知识进化差异，如图1所示。其中，在图式阶段，学习者认知结构处于进化初期，网络中的领域概念连接较稀疏，一般网络聚集系数和网络密度值相对较低；随着领域概念数量丰富或关联增加，有的网络密度变化显著而网络结构变化甚微，表现为同化过程[14]；当新知识引起网络结构显著改变时，学习者重新调整知识联系，网络结构变得复杂，表明发生了顺应；最终，同化与顺应共同作用下导致网络密度和网络结构显著变化，达到了平衡状态。平衡后，合作冲突会致使知识进化新阶段[15]，知识进化又会处于新的图式基点。当然，不同类型学习者因经验与能力储备差异，会选择不同的认知加工策略促进知识进化。

表1      知识建构社区中知识进化量化指标

图1   知识进化模型

基于上述研究，可以发现基于皮亚杰认知发展理论能够确定知识建构中的认知加工策略，结合领域概念及其共现关系确定图式，通过时间线索可以分析知识建构社区中的知识进化过程。基于此，本研究拟解决以下三个研究问题：

1.知识建构社区中知识进化的关键领域概念是什么？

2.知识建构社区不同学习阶段中不同个体的知识进化有何差异？

3.知识建构社区不同学习阶段中不同类型主题的知识进化规律是什么？

三、研究设计

（一）研究对象与数据来源

本研究选取了某师范大学“英语创意阅读”线上课程作为研究案例。该课程旨在培养学生运用跨文化交际理论进行批判性阅读，以提高阅读能力和英语综合素养。共有149名本科生选修该课程，1名英语教师全程参与支持。整个课程持续18周，师生在线论坛累计发帖7499条，以5天为间隔统计发帖量，如图2所示。为更好地理解知识进化特点，根据教学设计和发帖特点，将线上学习过程划分为四个关键阶段：第一阶段（第1～50天）、第二阶段（第1～65天）、第三阶段（第1～100天）、第四阶段（第1～130天）。每个阶段将包含前一个阶段的发帖内容，以确保观察学生认知发展的连续性。总体上，不同阶段发帖数量呈逐渐增多趋势，第二和第三阶段出现波动，第四阶段达到峰值。发帖数量的变化趋势验证了知识处于进化当中，反映了学习者内部经历了图式、同化、顺应和平衡复杂活动。

（二）研究方法与设计

本研究以领域概念为图式基本单元，以学习者角色以及交互主题为视角，在教学周期线索内开展知识进化探究，具体流程如图3所示：

1. 领域概念抽取

领域概念通常以名词形式出现，代表着特定学科领域的专业知识。本研究采用了吴磊等人提出的领域概念分数计算方法[11]，综合考虑了领域相关性（DP）、领域一致性（DC）以及词性粘度（LC）特征，利用线性加权计算出相应的领域分数（G）。领域分数值的大小反映了概念在特定领域内的影响力，数值越大表示其影响力越高。

G=α·DP+β·DC+γ·LC                          式（1）

本研究中设定α、β与γ分别为0.2、0.3与0.5[11]。将领域分数按降序排列，筛选出分数显著的关键领域概念，表示图式中的基本元素。同时，利用交互内容中领域概念共现关系，建立起图式中不同元素的关联关系。

2. 学习者角色与交互主题划分

在社交网络中，有些学习者成为关键节点，其他学习者散布于网络边缘。关键节点的学习者通常充当意见领袖的角色，负责发起和组织讨论话题；位于网络中间位置的学习者则充当信息的传递者和分享者。本研究将用户社会网络中节点的中间中心度降序排序，参考周炫余等[16]的研究，将知识建构社区中的学习者划分为核心者、次边缘者和边缘者，比例为1∶2∶1。另外，本研究运用LDA模型并借助Python编程语言进行了主题挖掘，并根据主题下帖子数量占比，将交互主题分为感兴趣主题、中立主题以及不感兴趣主题三类。

3. 知识进化分析

在问题一中基于领域概念构建共现网络，利用社会网络中间中心度和接近中心度作为重要性指标，以揭示不同层次的关键领域概念特点，同时也起到验证关键领域概念的作用。针对问题二，以关键领域概念为图式单元，基于“ 网络密度—网络结构”知识进化模型，将知识进化过程划分为图式、同化、顺应、平衡四种认知加工策略，探究不同学习者在不同阶段的知识进化状态。值得注意的是，考虑到不同类型学习者数量差异，对网络密度与结构度量进行了均值处理。针对问题三，同样结合进化模型以关键领域概念为图式单元，探究不同类型交互主题在不同阶段的知识进化状态。此外，在问题二、问题三研究中，为了更好地确定“网络密度—网络结构”知识进化模型中原点位置，分别设定△i，△j表示在不同学习者、不同主题下相邻阶段网络密度与网络结构属性差异。

四、研究结果

（一）关键领域概念分析

针对问题一，本研究基于对知识建构社区交互内容进行领域概念的抽取，以社会网络中节点属性分析关键领域概念特点。首先，鉴于领域概念数量较多或语义相似特点，名词筛选过程中合并剔除了部分无关候选领域概念，率先抽取到约1700个候选领域概念。其次，按照领域分数降序排列，统计结果显示，领域分数靠前的100个领域概念与学科领域知识具有更紧密的关联。因此，本研究中拟将这些领域概念作为图式的基本单元。

为了进一步验证关键领域概念的有效性，基于领域概念共现网络，本研究又引入社会网络分析中的节点指标对抽取的领域概念进一步分析，见表2。在社会网络中，中间中心度的增加意味着节点在网络的核心位置更为突出，而接近中心度的减少表明节点在网络中扮演着核心角色。通过观察中间中心度和接近中心度指标，发现在“英语创意阅读”课程中间中心度较高的部分包含一些基础的领域概念，如“单词”“文章”“词汇”等，这些概念的接近中心度相对较低，说明它们在网络中是核心且紧密联系的概念，学习者在讨论和建构知识时频繁地涉及这些基础概念。而相对于基础概念，一些特定或者高级的概念如“批判性”“构词法”“社会学”等可能在网络中联系较少，中间中心度较低，领域分数排名较后。

表2             部分关键领域概念及其特征

（二）不同个体知识进化分析

基于教学周期四阶段中关键领域概念分布情况，本研究利用Ucinet构建了不同学习者在不同学习阶段的认知结构，并分别计算了网络密度与网络结构量化指标，以反映学习者知识进化状态，见表3。

基于四阶段网络形态直接观察，可以发现知识进化悄然发生。为横向比较不同角色间知识网络密度与网络结构的差异，本研究设置△1和△2表示相邻阶段变化情况。为了表征这一过程，本研究中设定△1？叟0.1，表示网络密度变化显著；△2？叟0.03表示网络结构变化显著。通过比较不同阶段的指标变化情况，以揭示不同个体的知识进化状态。

在第一阶段，成员之间联系较少，知识交流和共享程度较低。核心者、次边缘者和边缘者网络密度较低，核心者围绕“理论”“信息”等关键领域概念构建图式，这些概念可以被视为连接不同领域知识的“螺母”，为成员提供了一个共同的认知基础。从横向分析来看，三类角色形成的网络密度分别为1.000、0.157和0.139，核心者形成的网络密度较高于次边缘者与边缘者，体现了核心者不仅掌握的关键领域概念较紧密，还成为该阶段知识建构的驱动者。与此同时，三类角色的网络结构达到0.423、0.055、0.080，此时次边缘者和边缘者的网络结构相较于核心者较为简单，表示学习自组织未充分展开。由于在教学初始阶段，所以，三者知识建构被视为初始“图式”阶段。

在第二阶段，核心者开始加强与其他成员的交流互动，其图式相对集中在“单词”“文章”等关键领域概念，网络密度由1.000提升至1.927，达到了△1阈值，网络结构的变化也超过了阈值（△2>0.03），说明核心者已具备较为主动认知加工能力，率先以“平衡”的认知方式处理知识。与此同时，次边缘者的网络密度由0.157提升至0.257（△1=0.1），网络结构由0.055提升至0.067（△2＜0.03），形成“同化”的认知状态。而边缘者的网络密度（△1<0.1）和结构（△2<0.03）变化均不明显，处于“同化”或“顺应”阶段的前期。这说明次边缘者和边缘者也正在吸收和融入新的知识，其中，次边缘者的图式形态相较于边缘者更为复杂，意味着关键领域概念的联系相对更加紧密与关系愈加复杂。

在第三阶段，核心者的网络密度依然变化显著，提升了0.840（△1>0.1），对外部信息的积极接纳和整合更为丰富，同时网络结构提升了0.286（△2>0.03），显示以“平衡”状态处理知识。虽然核心者图式仍围绕着“单词”“文章”“信息”等核心概念，但是其结构的变化可能表现为更多的交叉和连接。该阶段的次边缘者网络密度与结构也均发生显著变化（△1>0.1，△2>0.03），达到“平衡”状态，开始大量主动接受基于关键领域概念的信息，强化自身认知结构。边缘者在中期逐渐加入了社区的知识建构中，网络密度和结构发生显著变化（△1>0.1△2>0.03），达到“平衡”状态， 图式内部联系才迅速增多。

在网络密度最高的第四阶段，与第三阶段图式基本保持一致，学习共同体认知结构基本稳定。通过相邻阶段核心者网络密度与结构对比（△1<0.04，△2<0.6）发现，在采取“平衡”策略后，新“图式”稳定结构逐步形成，次边缘者也类似。此时，由于边缘者的社交连接相对较低或受到学习任务刺激，他们更加积极地参与到知识构建中，其网络密度提升了0.13（△1>0.1），网络结构也在发生显著变化（△2>0.03），说明边缘者依旧采取“平衡”策略。

（三）不同主题知识进化分析

针对问题三，本研究采用了LDA主题模型对发帖内容进行处理，将交互内容划分为九个主题。按照主题蕴含的发帖数量排序，将前三个主题，即“教育与知识体系”“影音娱乐与生活哲学”“语言与文化差异”定义为感兴趣主题，中间三个主题“文学与创造性思维”“词汇学习与记忆技巧”“学习方法与问题解决”定义为中立主题，最后的三个主题“社会与人类文化”“压力与目标追求”“社会与人际关系”表示为不感兴趣主题，见表4。

本文着重研究不同主题下的网络密度与网络结构变化，见表5，针对网络密度与网络结构分别设定△3，△4区分知识进化状态。具体而言：当△3？叟1.8时，网络密度变化显著；当△4？叟0.4时，网络结构变化显著，以揭示不同主题下知识进化结果。

在第一阶段，学习者更倾向于建立初始认知图式，形成基本图式形态。此时，学习者之间的连接关系较为直接，感兴趣主题下的网络结构仅为1.769，网络密度达到6.280，未形成复杂多元的知识交流网络，学习者更容易被“词汇”“技能”等关键领域概念吸引，形成对“图式”的初步构建。在中立主题情境下，学习者更倾向于互相交流与接收知识，其图式网络的密度相较于感兴趣主题偏大（6.380>6.280），中立主题通常涉及一些普遍性的知识，如“背诵”“写作”等，使学习者之间更容易找到共鸣点，促进复杂的图式结构（2.144）形成。在不感兴趣主题的情境下，学习者可能持有较为消极的态度，对新知识缺乏兴趣，网络密度与网络结构都偏小（1.360<6.280，0.833<1.769），表明他们试图将新知识融入已有的认知结构中，以便更好地理解和消化这些知识。

随着知识交互不断深入，在第二阶段感兴趣主题的网络密度大幅度提升至11.900，同时网络结构也显著提升至3.959，学习者开始广泛获取知识并主动改变已有认知结构（△3>1.8，△4>0.4），以“平衡”策略丰富以“知识”“意义”“理论”等为核心的图式。在中立主题情境下，网络密度与网络结构分别变化了3.84（△3>1.8）以及0.86（△4>0.4），虽然这种变化比感兴趣主题变化小，但学习者仍然在互相交流和探讨知识的过程中达到了“平衡”。在不感兴趣主题下，网络密度变化大，但网络结构变化低（△3>1.8，△4<0.4），呈现 “同化”状态，这种状态可能表现出该主题下学习者未快速进入学习状态。

在第三阶段，感兴趣主题下图式趋向稳定密度与复杂结构（△3<1.8，△4>0.4），学习者以“顺应”模式改变认知结构，表明学习者倾向加工或巩固知识。同时，中立主题下主要以“平衡”策略为主，显示学习者全力投入开展知识建构。对于不感兴趣主题的网络形态，图式中孤立点在逐渐减少，网络结构上的显著变化0.416（△4>0.4），达到 “顺应”状态，但是学习者获取的知识材料或信息有限。

在第四阶段，学习者对感兴趣主题仍然采取“顺应”模式（△3<1.8，△4>0.4），表明学习者对感兴趣主题呈现出高度的专注与兴趣；对于中立主题知识，网络密度和结构的变化与感兴趣主题的情况基本一致，趋向于“顺应”状态（△3<1.8，△4>0.4），其图式以“信息”“解释”“逻辑”等为核心，表明学习者可能正试图解释知识背后的逻辑结构。而在不感兴趣主题的情况下，学习者可能重新建立起新的“图式”（△3<1.8，△4<0.4），虽然图式中孤立点又增加了，但是该主题的图式形态已经相对稳定，不再频繁地更新或扩展。

五、讨   论

（一）知识建构社区中关键领域概念语义特征鲜明

本研究抽取出的关键领域概念多为基础概念，在知识建构社区中扮演着核心知识传递作用。鲍婷婷等人指出，领域概念识别是明晰领域边界和内部结构的重要前提[17]。本研究发现，“文章”“词汇”“词汇量”等基础领域概念，呈现中间中心度较高且接近中心度较低的特点。这些概念不仅在英语学科中关联紧密，也是学习理解更高级概念的前提。相对地，“批判性”“理解力”等在概念网络联系较少，中间中心度较低而接近中心度较高，其指向学科培养的价值与目标，仅在相关主题中才会被讨论和应用。网络指标差别也验证了关键领域概念具有一定覆盖面与普遍代表性，基础概念作为关键领域概念体现知识交流理解的基础，具有普遍适用性，而领域分数较高的概念则在特定领域或主题中起重要作用。

（二）不同学习者的知识进化层次具有差异性

本研究发现，知识建构社区中社会网络不同位置的个体在知识进化上具有差异性。现有研究表明，在线学习中高活跃度个体知识创造主题密度显著大于低活跃度学生[18]，因而核心者比次边缘者和边缘者的讨论积极性高，认知网络较快达到稳定平衡；边缘者合群程度低且交互较被动，其认知网络变化相对较慢。此外，刘清堂等人发现，个体社交节点位置越核心，知识建构能力越强[19]。本研究中核心者直接采用“平衡”策略快速达到新图式阶段，而次边缘者则习惯采用“同化”和“平衡”建立新图式，边缘者中后期使用“平衡”策略满足知识加工需求。这与周平红等的研究[20]相似，学习者随着教学进程推进逐渐提高交互质量，但不同个体知识进化进程、速度不同。

（三）多样性主题下知识进化规律呈现复杂性

本研究发现，不同类型主题下知识进化具有一定复杂性。刘智等人发现，学习者在不同课程时期对主题的兴趣差异影响着学习成效[21]。对于感兴趣的主题，学习者通常展现出高度的专注和深度学习的倾向，他们习惯采用“顺应”策略，轻松吸收、改变和构建认知结构，形成紧密连接的复杂结构并持续深入地探索和学习。中立主题的学习者倾向“平衡”和“顺应”策略。有时候主题虽然有价值但难以消化，这种策略有助于他们理解和消化新知识。对于不感兴趣的主题，学习者可能会采用“同化”“顺应”策略，将新知识融入已有认知结构。由于主题价值限制，这种策略可能导致他们对主题的理解肤浅且图式结构相对简单，并且可能不会频繁更新或扩展。此外，个体对与教学内容相关的主题具有更持久的兴趣[22]，所以，对于有浓厚兴趣的主题，学生倾向于主动寻找相关学习材料、参与讨论小组甚至开展自主研究，容易形成预期图式形态。而对于其他主题，则需要学生不断调整更多认知加工策略，才能达到预期学习目标。

六、结   语

知识建构社区中，知识进化机制是一个复杂多元的系统过程，本研究聚焦关键领域概念，探究不同学习者和主题下知识进化规律，为理解在线学习个性化路径提供线索。为有效揭示知识进化进程，本研究融合认知发展理论与社会网络属性，确定图式的基本单元以及知识进化框架，通过数据挖掘和社会网络分析，揭示不同主体与不同主题的进化轨迹。研究结果发现：知识建构社区中关键领域概念语义特征鲜明，不同学习者的知识进化层次存在差异性，且多样性主题下的知识进化规律呈现复杂性，对促进在线学习中知识的共享、创新和应用具有重要意义。未来的研究将从生物基因的角度，从“遗传”与“变异”层面窥视知识变化的机制，进一步丰富在线学习理论与实践。

[参考文献]

[1] 吴砥，郭庆，郑旭东.智能技术进步如何促进学生发展[J].教育研究，2024，45（1）：121-132.

[2] 卓晓孟.以知识发生为规律的教学：基本形态与实现策略[J].教育研究与实验，2023（2）：66-74.

[3] 杨琳，吴鹏泽，李倩，等.协作学习中团体迷思的因果模型及行为表征[J].现代远程教育研究，2023，35（6）：83-90.

[4] 蒋纪平，满其峰，胡金艳，等.在线协作知识建构的知识进化：内涵、本质与模型[J].开放教育研究，2022，28（6）：52-59.

[5] 宁德鹏，周红磊，任亮.开放式创新社区知识进化的网络演变及可视化研究[J].情报科学，2020，38（6）：90-95.

[6] 董玉琦，高子男，张慧伦，等.技术支持的个性化协作式学习实证研究——以高校物理专业“光的双缝干涉”教学单元为例[J].现代远距离教育，2023（1）：10-18.

[7] 陈钰芬，胡思慧.知识复杂性的测度方法综述与比较[J].情报杂志，2024，43（3）：165-172，78.

[8] 李海峰.基于变构学习理论的信息化教学设计研究——从ALID模型构建到应用实证剖析[J].电化教育研究，2013，34（9）：89-94.

[9] 吴磊，牛纪梅，谭金波.在线学习知识创造机制与影响研究：社会资本理论视角[J].电化教育研究，2023，44（11）：75-81，89.

[10] 王丽英，张义兵.融合知识建构和机器学习的观点质量评价[J].现代教育技术，2020，30（11）：62-69.

[11] 吴磊，牛纪梅，李志超，等.知识建构社区中共情模型与评价方法研究[J].现代远距离教育，2023（1）：50-60.

[12] 郭炯，霍秀爽.网络教学研讨中教师协同知识建构研究[J].中国电化教育，2014（3）：101-109.

[13] 董睿，张海涛，苏欣宇.开放式创新社区用户知识协同创新网络演化分析[J].现代情报，2022，42（10）：15-26.

[14] 王焕霞，谷慧娟，仇立岗.“教—学—评”一致性视域下的学习进阶教学设计研究——以“运动和力”单元为例[J].物理教师，2023，44（6）：34-37.

[15] 王振华，于泽元.人工智能助力素养生成：内在逻辑与实现路径[J].电化教育研究，2023，44（7）：37-43.

[16] 周炫余，陈丽，郭玉娟，等.数量和质量并重的社会交互网络构建方法创新及验证研究[J].中国远程教育，2022（9）：61-68，79.

[17] 鲍婷婷，陈丽，郑勤华，等.“互联网+教育”领域本体可视化构建与结构分析[J].电化教育研究，2022，43（6）：39-45.

[18] 吴磊，王欣然，范丽鹏，等.基于交互主题的在线学习知识创造研究[J].现代远距离教育，2022（2）：24-33.

[19] 刘清堂，张妮，朱姣姣.教师工作坊中协作知识建构的社会网络分析[J].中国远程教育，2018（11）：61-69，80.

[20] 周平红，周洪茜，张屹，等.深度学习视域下学习者协同知识建构历程的社会认知网络特征分析[J].电化教育研究，2021，42（9）：99-107.

[21] 刘智，刘石奇，李卿，等.SPOC论坛中学习者兴趣主题建模及其与学习成效的关系研究[J].电化教育研究，2019，40（12）：87-96.

[22] 袁鹏飞，钱洁.教学审美的理论逻辑与课堂实现——基于知识建构理论的视角[J].教育科学研究，2022（12）：60-64.

Research on Knowledge Evolution in Knowledge Construction Community from the Perspective of Cognitive Development Theory

WU Lei1，  ZHAO Qi2，  LU Mengmeng1，  WANG Xinhua3

（1.Faculty of Education， Shandong Normal University， Jinan Shandong 250014;

2.School of Information Science and Engineering， Shandong Normal University， Jinan Shandong 250399;

3.Shandong Normal University Library， Jinan Shandong 250399）

[Abstract] In the era of knowledge economy， the idea-centered knowledge construction community greatly facilitates knowledge creation. Knowledge evolution is an inevitable process of meaningful learning， which provides an important window for uncovering the nature of learning in knowledge construction community. However， although the existing research have attempted to explore the learning patterns of knowledge construction community in terms of knowledge flow， viewpoint evolution， and knowledge network， they have failed to organically unify the interactive content with the intrinsic mental activities. Therefore， this study first integrates cognitive development theory and social network properties to determine the basic unit of schema as well as the framework of knowledge evolution. Secondly， data mining methods are used to extract the key domain concepts to represent the schema unit， and through social network analysis and the LDA topic model， the knowledge evolution trajectories of different subjects and topics are deeply explored combined with the posting rule. The results show that the key domain concepts in knowledge construction community possess distinct semantic features， the knowledge evolution levels of different learners are different， and the knowledge evolution laws under diverse topics are complext. The study not only expands the boundaries of traditional learning theories but also has important implication for optimizing online teaching.

[Keywords] Knowledge Construction; Knowledge Evolution; Social Network Analysis; Cognitive Development Theory; Domain Concepts