人類學習的集體注意力流分析｜高明、張婧婧、張江

導語

集體注意力流在在線學習中通過從大量學習者的學習行為與瀏覽行為數據中重構資源與活動之間的注意力網絡，揭示群體層面的注意力分布、熱點資源、低效轉化點以及共同體的學習習慣與協作模式，從而實現課程結構與資源分配的優化、同步與異步節奏的改進、基于網絡結構的學習路徑與推薦、面向教師與教育機構的群體診斷與決策支持，以及對公平性與可及性的提升；這一框架使教育者能夠在群體層面設計更高效的學習路徑與干預策略，同時兼顧個體差異與集體需求，提升整體參與度、學習連續性與學習成效。

關鍵詞：在線學習（Online learning）；連接主義學習（Connectivist learning）；cMOOC（connectivist Massive Open Online Courses）；集體注意力（collective attention）；學習互動（Learning interaction）

趙思語丨作者

趙思怡丨審校

論文題目：Diversity of interactions within connectivist learning context: insights from flow of collective attention 論文鏈接：https://doi.org/10.1186/s41239-025-00575-5 接收時間：2024 年 10 月 21 日 錄用時間：2025 年 11 月 19 日 論文來源：International Journal of Educational Technology in Higher Education

引言

在連接主義學習環境中，理解學習者多樣化的互動模式對于在線學習策略的有效設計與實施至關重要。傳統研究主要聚焦于同伴間互動的網絡分析，本研究則拓展了研究范圍，將常被忽視但具有重要教學意義的內容互動納入考量。借助集體注意力的開放流動網絡模型，該研究為理解學習者參與度提供了更穩健、穩定的框架，尤其適用于個體活動存在差異或學習者中途退出的場景 —— 這類情況通常會破壞社交網絡結構。以一項 cMOOC 課程為案例進行研究，該研究識別出五種截然不同的學習者畫像：“瀏覽者”“點贊者”“全能者”“評論者” 和 “分享者”，每種畫像在周報、博客、資料、案例、論壇帖子、活動和問題解決中心等資源上展現出獨特的參與模式?！盀g覽者” 作為合法的邊緣參與者，其突出存在挑戰了 “主動社交互動是連接主義學習核心” 的傳統假設。此外，不同學習資源的注意力動態變化表明，“一刀切” 的課程設計模式存在不足，無法適應學習者多樣化的參與模式和需求。因此，本研究倡導采用更細致的課程設計方法，整合社交互動與互動內容，從而滿足更廣泛的學習偏好，提升全體學習者的參與度。

數字時代的學習變革與研究缺口

疫情加速了教育的數字化轉型，傳統教學方式受到沖擊，學習環境被重新塑造。數字技術普及使學習資源更易獲取、催生了新互動形式，但復雜數字學習環境中 “學習如何發生” 仍是亟待解答的難題。連接主義（Connectivism）是數字時代的學習理論，認為學習通過網絡與連接發生，知識源于多元視角的碰撞，且依賴數字工具的支撐，這一理論凸顯了互動在學習中的核心地位，強調集體智慧與問題解決而非單純的信息傳遞。

網絡科學為分析教育場景中的互動提供了有效方法，幫助重新定義學習者之間、學習者與資源之間的互動模式。過往研究表明，學習者在網絡中的位置會影響其獲取信息和支持的能力，社交網絡連接還與概念知識的發展相關。但這些研究大多聚焦于連接主義學習環境（connectivist learning environments）中的社交網絡，遵循 “管道比管道內的內容更重要” 的觀點，過度強調同伴互動與社交網絡構建。這種單一視角可能簡化了學習參與的動態過程，忽視了數字技術所能創造的更豐富、更具包容性的學習體驗。

事實上，在線學習的參與模式往往呈現 “長尾分布”，參與度會隨時間顯著下降，僅關注同伴互動難以全面理解學習過程。隨著 cMOOC 中學習資源的不斷積累，這些資源對學習參與的影響更深遠、更持久，因此需要將內容互動納入研究視野。近年來，集體注意力（collective attention）概念逐漸成為分析在線行為與內容互動的重要框架，它關注注意力在網絡中各類資源間的流動，為捕捉包括 “潛水者” 在內的所有學習者的參與行為提供了整合性框架，也讓本研究得以突破傳統社交網絡分析的局限。

基于集體注意力網絡的 cMOOC 互動分析

圖1：集體注意網絡的構建

本研究以中國某高校研究中心開發的 cMOOC“互聯網 + 教育：理論與實踐的對話” 為研究場景，該課程遵循連接主義的自主性、多樣性、開放性和互動性核心原則，包含五個模塊，截至研究時已舉辦九輪，吸引超過 2.3 萬名參與者。第五輪是首次全面保存所有學習行為數據的輪次，研究選取該輪課程的行為數據為研究對象，去除無效和測試數據后，最終納入 721 名學習者的行為記錄，涵蓋周報、博客、資料、案例、論壇帖子、活動、問題解決中心等多種資源的互動行為。

研究首先對學習者的行為進行聚類分析。通過統計發現，77.53% 的學習者僅進行瀏覽行為，未參與評論、分享等主動互動，其余 21.47% 的學習者存在可見互動行為。研究將學習行為劃分為分享、評論、點贊三類，基于行為占比確定學習者的互動偏好，再運用 K - 均值聚類算法和肘部法則，確定最優聚類數量，最終完成學習者畫像的分類。

為深入分析學習者與課程內容的互動，研究構建了集體注意力網絡（collective attention network）。首先對原始日志數據進行處理，將每條日志映射到唯一資源標識，并計算互動時長?；谝延醒芯勘砻鱾€體在 50 毫秒內即可形成對網頁的整體印象，研究設置 1 秒閾值排除無意義互動，確保捕捉到的是刻意的認知加工行為。隨后采用 30 分鐘閾值將日志數據劃分為連續的學習會話，該閾值對應數據中間隔時間的 98 百分位，既符合實證依據也與過往研究一致。以學習資源為節點，以學習者的互動順序為有向鏈接，構建集體注意力網絡，并引入 “源節點” 和 “匯節點” 象征線下維度，形成開放均衡的網絡框架。

研究選取節點數、邊數、平均度和網絡密度作為核心網絡度量指標，分別反映資源多樣性、互動關系數量、資源連接平均水平和網絡整體互聯程度。同時，引入流動距離（flow distance）度量資源間的關聯程度，定義了注意力積累、注意力消散和注意力沉浸度，全面捕捉集體注意力的流動特征。

五類學習者畫像與注意力流動差異揭秘

圖2：五類學習者的數量及占比分布

研究最終識別出五類具有顯著差異的學習者畫像，分別是 “瀏覽者”（Browsers）、“點贊者”（Likers）、“全能者”（All-rounders）、“評論者”（Commenters）和 “分享者”（Sharers），其群體規模呈現明顯差異。其中 “瀏覽者” 占比最高，達 77.53%，他們僅瀏覽課程資源，不參與評論、分享、點贊等主動互動；“全能者” 占比 9.29%，在三類互動行為中均有均衡參與；“點贊者” 占比 6.10%，以點贊行為為主要互動方式；“評論者” 占比 4.58%，偏好通過評論參與互動；“分享者” 占比最低，僅 2.50%，核心行為是分享學習資源。

人口統計學特征分析顯示，五類學習者在性別上無顯著差異，但在課程既往參與經歷和社會身份上存在明顯區別。“瀏覽者” 的既往課程參與率（23.08%）顯著低于其他四類學習者，而 “評論者”“全能者”“點贊者” 的既往參與率均超過 40%。社會身份方面，學生在 “分享者” 中占比最高（66.67%），在 “評論者” 中占比最低（28.13%）；有工作經驗的學習者（包括高校教職工、K-12 教育從業者、行業專業人士）在評論、分享等互動行為上的參與度更高，表明工作經驗可能促進學習者在 cMOOC 中的互動參與。

圖3：五類學習者在各類學習資源上的注意力沉浸度對比

基于構建的集體注意力網絡，五類學習者的資源互動結構呈現出鮮明差異，具體體現在核心網絡指標上?！叭苷摺?的網絡擁有最多的節點數（1334）和邊數（8784），平均度也最高（6.585），表明他們參與的資源范圍最廣，資源間的互動連接最豐富，學習參與兼具廣度與深度。“分享者” 的網絡雖然節點數（370）和平均度（2.851）最低，但網絡密度（0.008）最高，說明他們聚焦于有限的學習資源，這些資源間形成了緊密的連接，注意力高度集中。

“瀏覽者” 的網絡節點數（979）和邊數（3083）僅次于 “全能者”，但平均度（3.149）和網絡密度（0.003）最低，反映出他們瀏覽的資源種類多，但資源間的關聯度低，注意力分布較為分散?！包c贊者” 的網絡節點數（858）少于 “瀏覽者”，但平均度（3.421）和密度（0.004）更高，表明他們關注的資源相對集中，且資源間的互動更頻繁?！霸u論者” 的網絡節點數（597）適中，網絡密度（0.006）較高，顯示出他們聚焦于特定領域的資源，且這些資源間的連接較為緊密，符合其深度參與討論的行為特征。

進一步分析節點類型與關注度的關聯發現，“瀏覽者”“點贊者”“評論者”“分享者” 的網絡中，資源類型與節點度存在顯著正相關，表明這些學習者對特定類型的資源存在明顯偏好；而 “全能者” 的網絡中兩者無顯著關聯，印證了其均衡參與各類資源互動的特征。具體來看，“瀏覽者” 關注的資源以同伴空間和博客為主，“點贊者” 偏好博客和資料，“全能者” 在博客、同伴空間、資料等資源上均有高頻參與，“評論者” 聚焦博客和資料，“分享者” 則以博客和案例為核心分享內容。

在此基礎上，注意力流動的差異主要體現在群體獲取資源的效率、資源類型的吸引力以及注意力停留深度上。

注意力積累方面，學習群體和資源類型均對其產生顯著影響，且兩者存在交互作用?！盀g覽者” 的注意力積累距離最短，表明他們能快速接觸到目標資源，信息獲取更直接；“分享者” 的積累距離短于 “點贊者”“全能者” 和 “評論者”，而后三者之間無顯著差異。資源類型中，活動的注意力積累距離最短，其次是周報和個人空間，博客、資料和案例的積累距離最長，說明結構化的資源（如活動、周報）能更快吸引學習者注意力，而需要深度閱讀的資源則需要更長時間的注意力積累。

注意力消散方面，同樣受到學習群體和資源類型的顯著影響?！盀g覽者” 的注意力消散距離最短，意味著他們在接觸資源后注意力快速轉移，停留時間較短；“評論者” 的消散距離最長，表明他們在資源上的注意力停留更久，深度更高。資源類型中，活動的消散距離最短，案例和同伴空間的消散距離最長，周報和論壇帖子的消散距離適中，反映出不同資源對學習者注意力的 “粘性” 存在差異。

注意力沉浸度方面，五類學習者在不同資源上的表現各有側重?！盀g覽者” 在所有資源上的沉浸度均最低，符合其淺度參與的特征；“全能者” 整體沉浸度適中，但在同伴空間上呈現明顯峰值，體現出他們對社交互動類資源的偏好；“點贊者” 在資料和問題解決中心的沉浸度最高，顯示出他們對知識積累和問題解決類資源的關注；“評論者” 在周報上的沉浸度突出，表明他們重視課程導航類資源；“分享者” 在案例和博客上的沉浸度最高，反映出他們傾向于通過具體案例和多元觀點獲取知識，再進行分享傳播。

重構連接主義學習與課程設計新啟示

本研究通過集體注意力網絡分析，揭示了 cMOOC 中學習者互動的多樣性與復雜性，為連接主義學習理論提供了新的實證支持。五類學習者畫像的識別，尤其是 “瀏覽者” 群體的突出存在，挑戰了傳統觀點對 “主動社交互動” 的過度強調。與被標簽化為 “被動 disengaged” 的 “潛水者” 不同，“瀏覽者” 的內容導向型參與證明，非社交互動同樣可以是合法的學習形式，這拓展了連接主義理論的邊界，表明知識建構既可以通過社交連接，也可以通過資源接觸與反思實現。

其他四類學習者在學習生態中扮演著互補角色：“點贊者” 通過點贊行為驗證內容價值，為同伴提供相關性信號；“分享者” 作為知識中介，促進信息的廣泛傳播；“評論者” 推動對話與知識共建；“全能者” 則通過多元互動連接不同群體，增強網絡的整體性。這些發現表明，連接主義學習環境是一個多角色互補的生態系統，不同參與風格共同支撐網絡的有效運行。

在課程設計層面，研究結果對 “一刀切” 的傳統模式提出質疑。不同學習者群體在注意力流動和資源偏好上的顯著差異，要求課程設計采用角色差異化的適配策略。例如，為 “瀏覽者” 優化資源組織與檢索功能，降低認知負荷；為 “評論者” 提供討論支架與可視化工具，支持深度對話；為 “分享者” 豐富案例與博客資源，提供優質分享素材；為 “全能者” 搭建多元互動平臺，滿足其綜合參與需求。同時，應重視結構化資源與探索性資源的互補作用，通過結構化資源引導入門，以探索性資源促進深度參與。

方法論上，本研究將集體注意力網絡分析引入連接主義學習研究，彌補了傳統社交網絡分析（social network analysis, SNA）的局限。通過聚焦學習者 - 資源、資源 - 資源的連接，集體注意力網絡不僅具有更高的穩定性，能應對學習者中途退出帶來的網絡波動，還能量化注意力的積累、消散與沉浸等動態特征，為理解學習過程提供了更全面的視角。這種資源中心的分析框架，實證了 “管道內內容” 與 “管道” 本身同等重要，豐富了連接主義理論的方法論體系。

研究還為在線課程設計提供了數據驅動的實踐啟示，即通過整合社交互動與互動內容，構建多角色互補的包容性學習環境，滿足學習者的多樣化需求。此外，基于本研究識別的學習者畫像與注意力流動特征，開發適應性學習系統與個性化干預策略，也將是未來值得探索的方向。

相關研究：

1. Wu L, Zhang J. The decentralized flow structure of clickstreams on the web. The European Physical Journal B, 2013, 86(6): 1-6.

2. Guo, L., Lou, X., Shi, P., Wang, J., Huang, X., & Zhang, J. (2015). Flow distances on open flow networks. Physica A: Statistical Mechanics and its Applications, 437, 235–248. https://doi.org/10.1016/j.physa.2015.05.070

3. Zhang J, Lou X, Guo L. Universal patterns and constructal law in open flow networks[J]. Int.J. Heat Tech, 2016, 34: S1.

4. Lou X, Li Y, Gu W, et al. The Atlas of Chinese World Wide Web Ecosystem Shaped by the Collective Attention Flows[J]. PloS one, 2016, 11(11): e0165240.

5. Zhang J, Lou X, Zhang H, et al. Modeling collective attention in online and flexible learning environments[J]. Distance Education, 2019, 40(2): 278-301

6. Lou X, Flammini A, Menczer F. Information pollution by social bots[J]. arXiv preprint. arXiv:1907.06130, 2019.

7. 基 于 集 體 注 意 力 衡 量 在 線 學 習 環 境 下 用 戶 行 為 的 度 量 方 法. 發 明 創 新 專 利,CN110210787A, 2019.

8. Gu W, Gong L, Lou X, et al. The hidden flow structure and metric space of network embedding algorithms based on random walks[J]. Scientific reports, 2017, 7(1): 1-12.

9. Liang G, Hou H, Lou X, et al. Qualifying threshold of “take-off”stage for successfully disseminated creative ideas[J]. Scientometrics, 2019, 120(3): 1193-1208.

10. Gu W, Gao F, Lou X, et al. Link Prediction via Deep Learning[J]. arXiv preprint.arXiv:1910.04807, 2019

11. Zhang, J., Skryabin, M., & Song, X. (2016). Understanding the dynamics of MOOC discussion forums with simulation investigation for empirical network analysis (SIENA). Distance Education, 37, 270–286. doi:10.1080/01587919.2016.1226230

12. Zhang, Jingjing & Lou, Xiaodan & Zhang, Hanjie & Zhang, Jiang. (2019). Modeling collective attention in online and flexible learning environments. Distance Education. 10.1080/01587919.2019.1600368.

計算社會科學讀書會第二季

計算社會科學作為一個新興交叉領域，越來越多地在應對新冠疫情、輿論傳播、社會治理、城市發展、組織管理等社會問題和社科議題中發揮作用，大大豐富了我們對社會經濟復雜系統的理解。相比于傳統社會科學研究，計算社會科學廣泛采用了計算范式和復雜系統視角，因而與計算機仿真、大數據、人工智能、統計物理等領域的前沿方法密切結合。為了進一步梳理計算社會科學中的各類模型方法，推動研究創新，集智俱樂部發起了計算社會科學系列讀書會。

【】第二季由清華大學羅家德教授領銜，卡內基梅隆大學、密歇根大學、清華大學、匹茲堡大學的多位博士生聯合發起，進行了12周的分享和討論，一次閉門茶話會，兩次圓桌討論。本季讀書聚焦討論Graph、Embedding、NLP、Modeling、Data collection等方法及其與社會科學問題的結合，并針對性討論預測性與解釋性、人類移動、新冠疫情、科學學研究等課題。歡迎從事相關研究或對計算社會科學感興趣的朋友參與學習。

詳情請見：

1.

2.

3.

4.

5.

6.

7.