基于超网络的MOOC平台知识流动研究

吴江 马磐昊

摘 要：近几年，MOOC的发展如火如荼，其迅速兴起和巨大的影响力吸引了众多学习者的加入。MOOC平台的理念正是为更多人提供优质的学习资源，实现开放性、大规模式的学习，通过人主体和知识主体间的相互交流、知识共享，实现知识的传递与流动，从而提高学习的效果。文章基于超网络视角研究了MOOC平台上的知识流动，定义了超网络中超点度、超边度等参数的概念和计算公式，描述了超网络的中心性参数及其含义，并利用中国大学MOOC平台上《信息检索》课程讨论区的数据，选择具有代表性的讨论主题和学习者，结合超度和中心性指标分析了MOOC平台的知识流动。最后，针对MOOC平台讨论区参与度不强、知识流动效果不好的问题提出若干建议。

关键词：MOOC;超网络;知识流动;超度;中心性

中图分类号： G434  文献标识码： A   DOI： 10.11968/tsyqb.1003-6938.2015134

Knowledge Flow Research in MOOC Platform Based on Super Network

Abstract MOOC has developed rapidly and exerted a great influence in recent years， and thousands of learners have been attracted to join the platform. The vision of MOOC is providing quality learning resources for more learners to achieve open and massive learning mode. Through the interaction between human body and knowledge body， the MOOC platform can contribute to knowledge sharing and knowledge flowing， which improves the effect of learning. This paper studies the knowledge flow in MOOC platform based on the perspective of super network， and defines or describes the concepts and formulas of several parameters such as super node degree， super edge degree and centrality. We use the representative forum data of one course named   "Information Retrieval"， which collected from the Chinese university MOOC platform， and analyze the knowledge flow in terms of super network， employing super degree as well as centrality parameters. Finally， we find that there exists a problem in MOOC platform， which is that the participation rate in forum part is low and the knowledge flow is not satisfactory， so we make several suggestions for this problem.

Key words MOOC; super network; knowledge flow; super degree; centrality

1 引言

MOOC（Massive Open Online Course）即大规模开放在线课程，是近年来在全球迅速兴起的一种新型教育形式[1]。MOOC具有易于使用、免费、开放、大规模、学习资源丰富等特点[2]，通过为学习者提供教学视频、习题、测试以及交互性的讨论区，可以让学习者不受时间和地域的限制，轻松的获取所需知识[3]。学习者通过参与讨论、完成平时测验和期末考试，最终获得结业证书或优秀证书。这种模式极大地削减了学习者获取知识的障碍，完成了知识向更多学习者的流动。国内外的主流MOOC平台大都提供了讨论区，供学习者之间、学习者与老师之间充分地交流互动，实现了人与人之间知识的共享。

MOOC平台上提供的课程琳琅满目，涉及不同的学科和领域，而各学科的课程之间存在知识的相互关联，各学科内部的课程之间更存在知识的相互交融。参与MOOC平台的学习者也数以万计，有处于高等教育的本科生和硕士生，有离开学校后仍对知识有强烈渴求的上班族，还有为学习者提供课程的教师与工作人员。因此，MOOC平台存在着人主体网络和知识主体网络，两个网络相互交错，彼此联系，形成了多类型、多层次、多维度的超网络。

交流互动对于知识的获取与记忆以及提高学习的效果非常重要[4-5]。MOOC平台不仅通过互联网使学习者摆脱时间、地域、学科知识以及知识主体身份的限制，以获得丰富的课程和学习资料，还符合创新2.0大背景下知识社会以人为本、用户参与创新、彼此交流互动的趋势[6]。但是，如今大部分MOOC平台更多的只注重提供视频和课程材料，忽略了交流互动的重要性，忽视了学习者之间的互动有助于促进知识的流动和学习效果的提升[7]。由于从超网络视角可以更好地理解MOOC平台中的知识流动和交流互动的重要性。因此，本文首次提出基于超网络视角研究MOOC平台的知识流动，定义和描绘了超网络中的若干参数指标及计算公式，并结合中国大学MOOC《信息检索》课程讨论区的实际数据，利用超网络的参数指标分析了MOOC平台的知识流动性，同时针对知识流动中存在的问题提出若干建议。

2 文献综述与分析

目前，MOOC在国内外的发展异常迅速，同时也引来了学术界的广泛关注，越来越多的学者开始从事MOOC的研究。目前国内有关MOOC的学术和非学术文献，其研究主题主要集中在MOOC的发展历程及对我国传统（高等）教育的影响、MOOC的平台建设和技术环境、MOOC中的教与学、MOOC的质量监控、课程认证和学分认可、MOOC的商业运营模式和市场前景等方面[8]。缪静敏、汪琼[9]则对2008～2012年的外文文献进行收集分析，并从MOOC形式辨析、课程提供者的现实问题、学习者体验探究、MOOC数据分析几个主题出发，梳理出了国外MOOC研究发展的大致脉络。由此可见，如今国内外关于MOOC的研究多集中于教与学、对传统教育的影响、MOOC平台的建设与改进、未来的发展与前景以及MOOC数据分析等方向。

MOOC最初是基于关联主义理论发展而来，这种MOOC模式称为cMOOC模式[10]。cMOOC强调让学习者自发地交流与协作，彼此之间建立连接构建学习网络、进行学习的自组织;同时，课程组织者设定学习的主题，安排专家与学习者之间进行互动，分享学习资料，推荐学习资源，促进分享和协作，进行学习的他组织[11]。这是一种以社会化网络为基础的形式组织，在MOOC讨论区中，通过人主体与知识主体间的相互交流、知识共享、协同演化，实现知识的传递与流动，从而提高学习的效果。

国外已有学者从社会网络视角研究MOOC，如文献[12]研究了讨论区中形成的网络以及网络成员之间的彼此协助;文献[13]指出讨论组间互动的重要性常常被忽略，而参与者交流课程时的组内讨论有助于加深对知识的理解和知识的传递;文献[14]认为MOOC中的学习者之间会相互影响，利用社会网络分析可以发掘具有同质性的群体。然而目前MOOC讨论区的参与率很低，斯坦福的研究者分析了Coursera上23门课程的讨论区数据，发现参与率均低于10%，大部分在5%左右[15]。文献[16-17]也得到了相似的结论，可见MOOC平台的知识流动效果并不好。

利用社会网络分析方法，通过计算度和中心性等指标并结合网络结构可以衡量知识的流动性，而从超网络视角则可以揭示出更多的信息。约瑟夫·谢菲（Yosef Sheffi）最早提出了“超网络”的概念[18]，也有学者把高于而又超于现存网络的网络（above and beyond existing networks）称之为超网络（super network）[19]。“超网络”的出现是因为用单一的网络图不能完全刻画真实世界网络的特征以及网络之间的相互关系，利用超网络可以更加清楚地描述和表示网络之间的相互作用和影响。然而目前关于超网络的研究还处于发展阶段，虽然提出了超网络的概念，一些学者也构建出了一些超网络的应用模型，但与发展已比较成熟的单模网络相比，对于超网络的测量指标仍没有确切、统一的定义或计算方法，也不足以定量的揭示出超网络中隐含的信息。有部分学者研究了知识及知识管理的超网络，但还集中于对概念的定义和模型的建立[20-23]。针对MOOC这一新兴平台，从超网络视角对其知识流动的研究还没有开展。本文正是基于超网络视角并利用若干参数指标来分析MOOC平台的知识流动，因而具有一定的创新性。

3 超网络的度参数及中心性指标

超网络的研究对象涉及不同的学科和领域，因此也导致其研究方法的多样性。目前主要有基于变分不等式、基于超图和基于系统科学的三类研究方法[24]。其中，基于超图的超网络研究方法在最近的研究中使用较多。超图的定义[25]为：

设V={v1，v2，…，vn}是一个有限集。若

a. E i≠？准（i=1，2，…，m）;

b. ∪E i=V

则称二元关系H=（V，E）为一个超图。V的元素V={v1，v2，…，vn}称为超图的顶点，E={e1，e2，…，em}是超图的边集合，集合Ei={v，v，…，v}（i= 1，2，…，m）称为超图的边——超边（见图1） ：

V={v1，v2，v3，v4，v5，v6，v7}，

E={e1={v1，v2，v3}，e2={v1，v4}，e3={v2，v3}，e4={v3，v5，v6 }，e5={v4，v7}}

3.1 超网络的度参数指标

关于超网络的度参数指标，郭进利等[26]提出了点度、边度和合度的概念，胡枫等[27]提出了节点度、节点超度和超边度的概念。在此，笔者综合考虑了超点以及超边的属性，定义了基于超图的超网络中超点度和超边度的概念和算法。定义如下：

（1）点度：在超图中，超点vi的点度定义为包含vi的超边数之和，记为d（vi）。

（2）边度：在超图中，超边ej的边度定义为超边ej包含的超点数之和，记为d（ej）。

（3）超点度：在超图中，超点vi的超点度定义为考虑超点vi所归属的超边时，超点vi的超点度，记为dH（vi）。

超点度的计算公式为：

dH（vi）=d（vi）（公式1）

其中，∑i d（ej）表示节点vi所归属的超边的边度之和，∑j d（ej）表示所有超边的边度之和。

（4）超边度：在超图中，超边ej的超边度定义为考虑超边ej所包含的超点时，超边ej的超边度，记为dH （ej）。

超边度的计算公式为：

dH（ej）=d（ej）                （公式2）

其中，∑j d（vj）表示超边ej所包含的超点的点度之和，∑i  d（vj）表示所有超点的点度之和。

以图1为例，则：节点v1，v2， v3， v4， v5， v6， v7的点度分别为2，2，3，2，1，1，1;

超边e1，e2，…，e5的边度分别为3，2，2，3，2;

节点v1，v2， v3， v4， v5， v6， v7的超点度为0.83，

0.83，2.00，0.67，0.25，0.25，0.17;

超边e1，e2，…，e5的超边度分别为1.75，0.67，0.83，

1.25，0.50。

3.2 超网络的中心性参数指标

关于超网络的中心性参数指标目前还没有明确的定义。但是在超网络的研究过程中，介于超网络的复杂性，往往将较为简单的超网络转化为二-模网络（bipartite network）来解释其网络结构和属性。

中心性是衡量一个节点在网络中所发挥重要性的关键指标。中心性一般分为三种形式：度中心性（degree centrality）、接近中心性（closeness centrality）、中介中心性（betweenness centrality）。对应三种中心性的分别为度中心度、接近中心度和中介中心度。

（1）度中心性：度中心性是指通过节点vi的度来衡量节点的中心性，节点的度数越高，即该节点的连边越多，说明该节点的中心性越高。

超节点和超边其实就是一个二-模网络，超点隶属于某些超边，而某一超边拥有某些超点。在这个二-模网络中，一个超点的度数中心度是该点所隶属的超边数;一个超边的度中心度是该超边所拥有的超点数。

（2）接近中心性：若一个节点与其他节点的距离之和越小，则表明该节点越重要，其在信息传播的过程中越不依赖于其他的节点，这反映的是接近中心性。将一个节点vi与其他节点的距离之和的倒数定义为接近中心性[28]。

在二-模网络中，超点和超边有关联，所有从一超点出发的路径必然首先经过该超点所隶属的超边;同样，所有超边发出的路径也必然首先经过该超边所包含的各个超点。因此，一个超点的接近中心度是该超点所隶属的超边到其他超点和超边的距离的函数[29-30]，即

C（vI）=[1+]-1（公式3）

其中，g表示超点数，h表示超边数，超边j和超点i邻接。

同理，超边的接近中心性也是超边所含超点到其他超点和超边的最短距离的函数，即

C（ej）=[1+]-1（公式4）

（3）介数中心性：现实网络中，有些节点虽然拥有较小的连接度，但是却处在许多网络的最短路径上，对网络的连通性起到了关键性作用，这反映的是节点的介数中心性。节点介数中心性定义为经过节点vi的最短路径条数占网络中所有最短路径数的比例[29]。

在超点和超边的二-模网络中，由于每对超点之间的联系都要通过超点所属的超边来传递，因此，超边总处于超点之间的捷径上。同理，每对超边之间的联系都要通过超边所包含的超边来传递，因此，超点总处于超边之间的捷径上。

4 超网络视角下MOOC平台讨论区的知识流动

用H=（P，K）表示MOOC平台知识流动下的超网络，其中P（person）代表人主体超点的集合，K（knowledge）代表知识主体超边的集合。MOOC平台上的两大主体之间会形成知识流动，人主体之间学习知识、分享知识，知识主体之间相互关联，以知识主体为主的知识流动和以人主体为主的群集交互进行交错式的协同演化，形成了复杂的超网络。

知识流动来源于知识交流与互动，讨论区中“互动式”的学习有助于形成更频繁、更快速、更有价值的知识传播与分享。学习者观看课程视频、提交测试与作业，是一种被动接收知识的过程，很难衡量知识的流动性，而在讨论区人主体间可以交流课程学习及作业中遇到的问题，还可以彼此分享学习到的知识和经验，这是一种主动促进知识分享的过程。因此，分析讨论区中人主体与知识主体间的交流互动可以更好地衡量MOOC平台的知识流动。

在讨论区超网络中，人主体超点包括教师、助教、学习者，知识主体超边包括讨论区下的主题，这些主题讨论中所包含的知识代表了知识主体。每一主题下都有人主体参与讨论，而人主体又可以参与多个主题。

从人主体和知识主体视角来看，使用点度、边度、超点度、超边度、度中心性、接近中心性和中介中心性七个指标来衡量知识流动性。

（1）点度表示人主体超点参与知识流动的频数，其值越大，表示其参与知识分享的频数越大，对知识流动的促进作用越强。

（2）边度表示知识主体超边促进知识流动的程度，其值越大，表示其吸引人主体参与知识分享的能力越大，对知识流动的促进作用越强。

（3）超点度表示的是人主体超点参与知识流动的能力。根据超点度的定义可知，与点度不同，其值为相对值，若某学习者参与的均为参与度（回复数）较高的话题，那么与点度相同的另一位学习者相比，其超点度更大，在知识分享中发挥更大的作用，因为该学习者影响的学习者更多，影响范围更广，对知识流动的促进作用越强。

（4）超边度表示的是知识主体超边促进知识流动的能力。同理，超边度也为相对值，若某话题吸引的参与者均为参与度较高的学习者，那么与边度相同的另一主题相比，其超边度越大，因为其吸引了更加活跃、影响力更大的学习者参与到此话题的讨论，对其他学习者的影响会更大，对知识流动的促进作用越强。

（5）度中心性表示超点（边）在超网络中所处位置的重要性，其值越大，表示与其他超点（边）的联系更紧密，在超网络中对知识流动的促进作用越大。

（6）接近中心性表示超点（边）在超网络中与其他超点（边）的接近程度，其值越大，表示在超网络中此超点（边）与其他超点（边）的距离越短，在超网络中的位置优势越明显，更容易影响知识的传播和分享。

（7）从控制信息传输的角度而言，介数越高的节点重要性越大，去除这些节点后对网络传输的影响也越大。中介中心性表示超点（边）在超网络中对信息、知识的控制能力，即对知识流动的影响力。

从整个超网络视角来看，使用平均超点度和平均超边度两个指标来衡量知识流动性。

（1）平均超点度：平均超点度是指人主体超点vi超点度的平均值，即∑dH （vi）/n，其中n代表超点的个数。平均超点度表示的是整个人主体超网络中人主体参与知识流动的程度。

（2）平均超边度：平均超边度是指知识主体超边ej超边度的平均值，即∑dH （ej）/m，其中m代表超边的个数。平均超边度表示的是整个知识主体超网络中知识主体促进知识流动的程度。

基于超网络视角综合考虑了人主体和知识主体间的联系与互动，可以更好地理解MOOC平台上的知识流动。点度和边度可以衡量MOOC平台中学习者和主题促进知识流动的频数和程度，值越高表明其参与知识流动的次数越多，但频数高并不代表其发挥的作用大。参与度较高的主题往往因其话题质量较高而吸引更多的参与者，拥有同样点度的参与者，超点度大的表明其参与了更多高质量的主题，从而可以影响更多的学习者，对知识流动的促进作用则越强，因此超点度和超边度可以衡量对知识流动促进作用的质量。平均超点度和平均超边度则可以衡量整个超网络中人主体与知识主体对知识流动的促进作用。三类中心性则可以衡量人主体与知识主体在超网络中的重要程度。

5 超网络视角下MOOC平台知识流动分析实例

5.1 超网络视角下MOOC平台知识流动参数分析

中国大学MOOC平台上开设了《信息检索》这门课程，笔者利用网络爬虫获取了该课程讨论区的部分数据。

讨论区下有很多主题，学习者可以通过发起主题来发布学习过程中遇到的问题以寻求帮助，或分享学习心得和笔记;教师、助教可以在讨论区发布互动作业，鼓励学习者参与讨论，既加深对知识的理解，又促进知识的交流，还可以发布课程公告以及询问学习者对课程的建议。本文对讨论区的1001个主题回复数进行了统计（见图2）。

统计发现：主题的回复数服从幂律分布，共有941个主题的回复数为10以下，其中回复数为0，1，2，3的主题数分别为83，236，249，145个，占所有主题数的71.2%;共有41个主题的回复数介于10～100之间，且回复数大部分介于10～15之间;只有5个主题的回复数超过100，分别为119，135，150，

157，181。从数据中可以发现，参与讨论的效果并不好，发布的主题数约有1000个，但大部分人主体并未参与到讨论中，没有发挥知识的分享作用，这对知识流动是不利的。

选取“第八周 互动作业”、“第六周 互动作业”、“第五周 互动作业”、“师生实践互动区Q&A”、“学习Web of Science”、“[笔记]信息枷锁：1～4课”（依次用主题1～6表示）这6个参与人数较多且有梯度的主题，其回复数分别为181，157，135，87，26，24。因为本文在计算超网络参数指标时不考虑节点和边的权重，因此剔除每个主题下多次发表评论的人数，即同一个人在同一主题下回复两次及以上的均记为回复一次，修正后的回复数为167，142，125，74，22，22。

对参与6个主题讨论的人数进行统计，筛选出同时参与多个主题的人员，发现黄如花老师参与了6个主题，“人在戏中” 等4人参与了5个主题，“vivian2477”等13人参与了4个主题，其余人的主题参与数均在3以下，且大部分人员只参与了1～2个主题（具有代表性的13位人员参与的主题见表1）。

使用上文中提到的9个参数指标来衡量参与人和主题在超网络中与知识的接近程度、对知识流动的控制能力及促进作用等。

（1）点度和超点度：13位参与人的点度和超点度见表2。

点度越大表明其参与的主题数越多，参与知识流动的程度越高。相同点度的不同参与人，其超点度可能不同。如点度均为4的“小猫钓金鱼”和“晨岚”，“小猫钓金鱼”的超点度更高，表明其参与了更多参与度更高的主题，所以其对知识流动的促进能力较“晨岚”也更强。黄如花老师主动发起了4个主题，并参与了主题5和主题6，表明黄如花老师积极主动地调动学习者参与讨论，在知识流动中起着重要的引导作用;“Zgg”、“人在戏中”、“云层”三人的参与度仅次于黄如花老师，说明三位学习者获取、分享知识的主动性较高，利于知识流动。而“Arebec”等人的点度和超点度均较低，没有充分参与讨论区的知识交流。

在整个讨论区中，参与讨论的人数远远小于课程的报名人数，并且大部分学习者所参与的主题数都较少，往往只参与到1～2个主题的讨论，表明绝大部分人的点度和超点数是较低的，对知识流动的促进作用较差。

（2）边度和超边度：6个主题的边度和超边度见表3。

边度越大表明该主题吸引的参与者越多，超边度越大表明其越能调动更有影响力和高参与度的学习者加入讨论以促进知识的分享与流动。主题1～6分别是参与度层次不同的主题代表，主题1和2的超边度较高，表明其对学习者的吸引力较强;主题3和4的边度相同但超边度不同，主题3的超边度更高，表明其吸引了更多高参与度的学习者，更易于促进知识的分享和流动。

（3）平均超点度与平均超边度：经过计算得知平均超点度为2.84，平均超边度为6.17。这两个指标代表的是整个超网络人主体和知识主体促进知识流动的程度。本文选取的是整个讨论区中参与度较高且有梯度的主题，代表了主题吸引力的各个水平，但如主题5和6这样边度和超边度较低甚至更低的主题占所有主题的比重很大，表明整个超网络的超边度要远低于6.17，对知识流动的促进作用并不高。在这13个主题下又选取了各个参与度层次的参与者，代表了参与主题积极性的各个水平，但如“贝叶树下”这样点度和超点度较低甚至更低的参与者占所有参与者的比重很大，表明整个超网络的超点度要远低于2.84，表明人主体参与知识流动的程度并不高。

（4）中心性：13位参与人的中心性见表4。

参与人的度中心性表示其在知识流动超网络中所处位置的重要性，其值越大，表明其与其他参与人或主题的联系更紧密，发挥的价值越大，获取到的知识也越多;参与人的接近中心性表示其在知识流动超网络中与其他参与人或主题的接近程度，其值越大，表明知识流动的距离越短，发挥的价值越大，获取知识也越容易。参与人的介数中心性表示其在知识流动超网络中是否处于知识流动的关键位置，其值越大，表明其所处的位置越关键，对知识流动的影响力也越大。

三类中心性均表明其对知识流动的促进程度，一般度中心性越高的参与人，其接近中心性也越高，但是介数中心性不一定高。这表明其与其他参与人或主题的关联较为紧密，但并不一定处于知识流动的关键位置。此外，介数中心性还表明参与人对知识流动的控制能力，为了促进整个网络的知识流动，需要提高参与人的整体介数中心性，因为过度依赖于某个介数中心性很高的参与人，一旦该参与人退出网络，则不利于整体的知识流动。

黄如花老师的三类中心性都很高，表明其在知识流动过程中发挥的重要作用;“云层”的三类中心性均排第二，表明其在促进知识流动方面处于重要位置;“fakebeast”与“贝叶树下”两人的中介中心性较低，表明其在知识流动中处于边缘位置。6个主题的中心性见表5。

同理，从主题的三类中心性（见表5）均表明其对参与人的吸引力以及对知识流动的促进程度。其值越高，表明该主题在讨论区所处的地位越关键，对参与人的吸引力越大，由主题回复数分布图（见图2）体现出的幂律效应可知，值越高主题更容易吸引更多的人参与讨论，也越可能促进知识的分享与流动。

综上，本文通过选取《信息检索》课程讨论区具有代表性的主题及参与者，计算其超度和中心性等指标，来衡量讨论区的知识流动性。通过点度、超点度、边度、超边度指标来衡量人主体和知识主体对知识流动的促进程度，并纵向对比了不同参与者和主题的参数指标，表明其促进知识流动的能力差别;通过三类中心性指标来衡量人主体和知识主体在超网络所处位置的关键程度、获取知识的难易程度及在促进知识流动中发挥的价值;通过平均超点度和平均超边度指标来衡量整个讨论区的知识流动性。结合实际的数据进行分析，发现整个讨论区的知识流动性并不好，大部分人主体和知识主体并未充分发挥其对知识流动的促进作用，只有少数人主体和知识主体对知识的分享和促进作用较强。

5.2 MOOC平台知识流动中存在的问题及建议

5.2.1 MOOC平台知识流动中存在的问题

在对《信息检索》课程数据的统计中发现，课程参与在线交流的人数仅占报名总人数的16.49%，这其中还包括许多只参与一两次在线交流的学员。其团队还发放调查问卷研究参与讨论的问题，结果发现，“在参与调查的301人中，经常参与在线交流的为55 人，所占比例仅为18.27%，而偶尔参与和很少参与的比例却分别占到了43.85%（132 人）和37.87%（114 人）。”[31]调查结果表明了学员参与讨论的积极性不高，整体活跃程度较低。这与上文通过超度及中心性指标计算得出的结论是一致的，整个讨论区的参与程度不高，不利于MOOC平台的知识流动及学习质量的提高。

笔者还观察了国内和国外的多个主流MOOC平台，如Coursera、edX、Udacity等国外的MOOC平台，学堂在线、中国大学MOOC、开课吧等国内的MOOC平台，发现大多数课程的讨论区的参与人数相对报名人数都较少，参与话题评论与互动的人数也较少，讨论区的功能均发挥的差强人意。

这说明与传统课程相比，尽管MOOC具有很多优势，但也存在一些难以克服的自身问题，如MOOC中缺乏现场交互，容易引起孤独与倦怠感[3];缺少“同辈群体”的陪伴学习，而同伴具有相互激励的作用[32]。能够弥补这一缺陷的恰恰是讨论区，在讨论区中学习者可以相互讨论，建立联系，彼此激励，共同进步。

因此，在MOOC平台中，我们不仅要实现学习者人数的增加，还要更多地建立起人与人、人与知识之间的联系和交互，这样才能扩大信息、知识的传播范围，加快信息、知识的流动速度，减小获取信息、知识的难度，从而促进MOOC平台的知识流动性。

5.2.2 建议

MOOC平台不仅仅是为学习者提供优质的课程资源，还提供讨论区供学习者之间相互交流，促进知识的流动，扩大知识的传播范围，并利用群集智慧帮助学习者解决学习中的问题。因此，只有提高MOOC平台讨论区的参与程度，带动讨论区的活跃氛围，才能促进知识的流动，让更多的学习者受益。

目前，MOOC平台讨论区的参与率和活跃度不高，无法实现理想的知识流动，这是MOOC发展亟待解决的问题，笔者从教育激励 [33]和平台设置两方面提出几点建议：

（1）激励学习者参与讨论。激励在教育中起着举足轻重的作用，不论是同辈群体间因比较产生的压力而带来的激励，还是教学手段的激励都能有效地增加学习者的学习热情。MOOC学习者之间的关联薄弱，且平台并不会公开学习者的成绩，因此学习者之间的群体并不能有效地进行量化比较。有研究者指出，让学习者了解到越多互动的信息，越能激励他们参与到讨论中去，当学习者越依赖于这些信息，他们会更加积极地参与讨论[34]。

为提高学习者的参与率，促进知识的流动，MOOC平台可以设置新的量化体系，引入如文中提到的超度和中心性指标，对参与者在讨论区的表现进行打分并将此部分信息公开。点度、超点度和中心性指标可以衡量参与者在讨论区中的活跃程度、对知识流动促进作用的大小以及在讨论区中的重要程度。一方面，参与者看到这些信息后会受到一种因比较而产生的激励，从而提高参加讨论的频率，整体讨论频率的增加会加快知识的分享与流动;另一方面，参与者可以发现讨论区中的“佼佼者”，参数指标高的人比较活跃，乐于解决他人的问题，在讨论区中发挥着重要的作用。当参与者遇到问题时便可以向他们请教，不必再焦急地等待老师或助教的回复，加快了知识流动的速度，也充分发挥了群集智慧的优势。同时，“佼佼者”之间的交流往往会产生更高质量的话题，有助于让参与者了解到更多的知识，解决学习中遇到的问题。

MOOC讨论区以及课程团队应充分发掘这些“佼佼者”，因其在超网络中发挥着更重要的作用，他们与其他学习者及主题的联系更多，对知识流动的促进作用更强。斯坦福的研究者们也指出，论坛中的“佼佼者”会发布更多有用的内容，有助于带动参与积极性，营造健康的论坛氛围[35]。课程团队可以给“佼佼者”发放一些课程小礼品，如和课程相关的电子书、教师所在学校的明信片等，以此激励其发挥更大的作用。

同时，MOOC平台可以根据分数对学习者设置相应的权限，不同分数段的学习者拥有不等的权限。课程团队往往会上传一些和课程相关的资料，可以设置学习者对课件和资料的访问权限，在讨论区的分数越高，可以下载的学习资料也越多，以此形成激励效应，从而带动更多的人参与讨论，促进知识流动。

（2）提升讨论主题的质量和平台的趣味性。讨论区的质量并不在于主题数的多少，而在于主题能否更多地解决学习者的问题以及传递更多的知识，即提高知识主体边度的同时还要提高其超边度。根据边度、超边度和中心性指标可以对主题进行量化打分并排序，高参与度的讨论主题将排名靠前，对于评分低的主题可以定期删除。这样既避免了因信息过载[35]使得参与者被低质量主题过多地占用阅读时间，又方便参与者更容易选择高质量的主题参与讨论，高质量主题的参与度越高可以更好地促进知识流动，提高学习效果。

课程团队在布置讨论主题时，可以在主题设置上增添趣味性，提高其话题质量，尽量使用一种有趣的表达来吸引更多的学习者;老师及助教应尽可能地在讨论区解答学习者的问题;MOOC平台可以通过技术手段提高讨论区的趣味性和美观性，增添一些社交元素来吸引学习者，充分发挥社会网络的作用。

6 结论

本文基于超网络视角研究了MOOC平台上的知识流动，定义了超网络中超点度、超边度的概念和计算公式，描述了超网络中度中心性、接近中心性以及中介中心性的定义和参数含义，分析 MOOC平台知识流动超网络中人主体和知识主体之间的协同交互及知识的分享与传递。实现MOOC平台知识流动的关键在于充分发挥讨论区的作用，通过人主体的积极主动参与，与知识主体协同交互，来扩大知识的传播范围，加快知识的流动速度，降低获取知识的难度，从而充分实现超网络模型中的知识流动。此外，笔者利用中国大学MOOC平台上《信息检索》课程讨论区的数据，结合超度和中心性指标分析MOOC平台的知识流动，指出MOOC平台知识流动中存在的问题——国内外多数MOOC平台的讨论区并未充分发挥其作用来调动学习者的积极参与和互动，结合超网络视角针对此问题提出若干建议，旨在促进MOOC平台更好的知识流动。

本文选取了几个具有代表性的主题及讨论参与者，通过计算其超度和中心性指标来衡量知识流动性。因为超度和中心性指标均为相对值，结合超网络视角来测量MOOC平台的知识流动效果，具有一定的理论意义，但并未对整个讨论区的数据进行分析。未来的工作可以研究MOOC讨论区所有参与者和主题乃至整个MOOC平台超网络的参数指标，以在超网络的宏观视角发现超点和超边在知识流动中所表现出来的特性。另外，对超网络中其他的参数指标的研究也是一个重要的课题，例如超网络中的密度、聚集系数、平均路径长度、直径等拓扑性质，超点之间的同质性、互惠性、传递性等结构效应，这些指标将能更好的解释MOOC中的知识流动。

参考文献：

[1] McAuley A， Stewart B， Siemens G， et al.. The MOOC Model for Digital Practice[EB/OL].[2015-08-12].http：// www. eleam

space.org/ Articles/MOOC_Final.pdf， 2012.

[2] 李青，王涛. MOOC：一种基于连通主义的巨型开放课程模式[J]. 中国远程教育，2012（5）： 30-36.

[3] 马秀麟，毛荷，岳超群，等. 从实证分析的视角看MOOC的利与弊[J]. 中国教育信息化，2014（11）：3-6.

[4] Murphy E. Recognising and promoting collaboration in an online asynchronous discussion[J].British Journal of Educational Technology， 2004， 35（4）： 421-431.

[5] Zhao H， Sullivan K P & Mellenius I. Participation， interaction and social presence： An exploratory study of collaboration in online peer review groups[J]. British Journal of Educational Technology， 2014， 45（5）： 807-819.

[6] Chesbrough H W. Open innovation： The new imperative for creating and profiting from technology[M].Harvard Business Press， 2003.

[7] Koedinger K R， Kim J， Jia J Z， et al.. Learning is Not a Spectator Sport： Doing is Better than Watching for Learning from a MOOC[C].Proceedings of the Second ACM Conference on Learning@ Scale， ACM， 2015.

[8] 郝丹. 国内MOOC研究现状的文献分析[J]. 中国远程教育，2013（11）： 42-50.

[9] 缪静敏，汪琼. MOOC研究国外发展概述[J]. 工业和信息化教育，2014（11）： 3-10.

[10] Siemens G. Connectivism： A learning theory for the digital age[J]. Instructional Technology and Distance Learning，2005（1）：3-10.

[11] 樊文强. 基于关联主义的大规模网络开放课程 （MOOC） 及其学习支持[J]. 远程教育杂志，2012（3）： 31-36.

[12] Kellogg S， Booth S， & Oliver K. A Social Network Perspective on Peer Supported Learning in MOOCs for Educators[J]. International Review of Research in Open & Distance Learning， 2014， 15（5）：263-289.

[13] Gillani N， Yasseri T， Eynon R， et al. Structural limitations of learning in a crowd： communication vulnerability and information diffusion in MOOCs[J]. Scientific Reports， 2014（4）：6447-6447.

[14] Yang D， Sinha T， Adamson D， et al. Turn on， tune in， drop out： Anticipating student dropouts in massive open online

courses[C].Proceedings of the 2013 NIPS Data-Driven Education Workshop. 2013：11-14.

[15] Manning J， Sanders M. How widely used are MOOC forums？ A first look[J/OL].[2015-08-27].https：//www.stanford.edu/dept/vpol/cgi-bin/wordpress/how-widely-used-are-mooc-forums-a-first-look.

[16] Breslow L， Pritchard D E， DeBoer J， et al. Studying learning in the worldwide classroom： Research into edXs first MOOC. Research & Practice in Assessment， 2013（8）：13-25.

[17] Belanger Y，& Thornton J. Bioelectricity： A Quantitative Approach——Duke University's First MOOC[J].Inorganic Mater

ials， 2013，38（2）， 522-526.

[18] Sheffi Y. Urban transportation network：Equilibrium analysis with mathematical programming methods[M]. Prentice Hall，1985.

[19] Nagurney A & Dong J. Supernetworks： decision-making for the information age[M]. Elgar： Edward Publishing， 2002.

[20] Nagurney A & Dong J. Management of knowledge intensive systems as supernetworks： Modeling， analysis， computations， and applications[J]. Mathematical and computer modelling， 2005，42（3）： 397-417.

[21] 王众托，王志平. 超网络初探[J]. 管理学报，2008（1）：1-8.

[22] 于洋. 组织知识管理中的知识超网络研究[D]. 大连： 大连理工大学，2009.

[23] 沈秋英，王文平. 基于社会网络与知识传播网络互动的集群超网络模型[J].东南大学学报（自然科学版），2009，39（2）： 413-418.

[24] 漆玉虎，郭进利. 超网络研究[J]. 上海理工大学学报，2013（3）： 227-239.

[25] Berge C & Minieka E. Graphs and hypergraphs[M]. North-Holland publishing company Amsterdam， 1973.

[26] 漆玉虎，郭进利，王志省. 超网络度参数研究[J]. 科技与管理，2013（1）： 34-38.

[27] 胡枫，赵海兴，马秀娟. 一种超网络演化模型构建及特性分析[J]. 中国科学（物理学，力学，天文学），2013（1）： 16-22.

[28] Freeman L C. Centrality in social networks conceptual clarification[J]. Social networks，1979，1（3）： 215-239.

[29] Faust K. Centrality in affiliation networks[J]. Social networks， 1997，19（2）： 157-191.

[30] 刘军. 整体网分析讲义[M].上海：格致出版社， 2009.

[31] 黄如花，刘龙. MOOC在线交流存在的问题及对策[J]. 图书与情报，2014（6）：24-28.

[32] 刘畅. MOOC学习动力维持系统的构建[C].中国高等教育学会教育信息化分会第十二次学术年会论文集，2014.

[33] 李祖超. 教育激励理论探讨[J]. 教育评论， 2001（5）：9-12.

[34] Zhan Z， Fong P S W， Mei H， et al. Sustainability Education in Massive Open Online Courses： A Content Analysis Approach[J]. Sustainability， 2015， 7（3）：2274-2300.

[35] Huang J， Dasgupta A， Ghosh A， et al. Superposter behavior in MOOC forums[C].Proceedings of the first ACM conference on Learning @ scale conferenceACM， 2014：117-126.