基于CAS 理論的網絡社群知識涌現機制及管理啟示

金 福，王媛媛

（沈陽師范大學 管理學院，遼寧 沈陽 110034）

一、引言

（一）研究背景及問題引出

隨著復雜網絡分析理論與技術的引入，社群知識間紛繁復雜的非線性交互關系得以揭示，目前已積累了較多相關領域的研究成果。關于以Folksonomy 為視角探索其知識網絡特征及發展規律的研究，Nair V 等人基于相似性和中心性的計算，構建了Folksonomy模式中潛在的層級模型，以此揭示“平層型”表象下的知識層級結構[1]。Schmitz 等研究發現Folksonomy 模式下的知識組織會受到標簽內潛在的知識關聯的影響[2]261。周鑫等通過對Folksonomy 環境下的語義關系挖掘，探索用戶標簽間互聯關系[3]。滕廣青以復雜網絡分析方法，基于標簽共同標注關系構建領域知識網絡，對特定領域知識中知識群落跟蹤分析，揭示Folksonomy 領域知識的發展模式與規律[4]。復雜網絡的小世界和無標度特征的揭示，進一步證明了以復雜網絡研究基于Folksonomy 社群間知識涌現的可行性。Chojnacki 基于用戶、資源、標簽三元組構建了Folksonomy 的知識網絡，并揭示了其高位性特征[5]。Weng等通過構建標簽共生網絡研究發現，標簽多樣性的高低影響個體在社群中的影響度[6]。李靜利用聚類算法挖掘具有小世界和無標度特性的標簽網絡中的社團結構，為挖掘標簽網絡中內在語義關聯提供理論基礎[7]。韓儀等通過對網絡演化過程的動態分析，構建出標簽網絡的優先連接模型，以模擬知識標簽網絡中參數時間序列的復雜性，進一步揭示復雜網絡之知識涌現特征計量與預測問題[8]。

綜上，知識網絡中知識節點的結構演化會影響網絡結構重組，進而形成知識涌現網絡特征。Folksonomy 知識組織模式開辟了網絡社群知識組織的新路徑。但文獻分析表明，現有基于網絡分析的研究針對社群知識系統動態演化規律的研究不夠深入，尤其對知識組織過程中產生的知識涌現更是鮮有問津。本文采用復雜網絡分析方法構建社群知識網絡中的知識群落，并對群落核心知識的涌現機制進行分析，進而揭示一種新的網絡知識涌現規律和基于Folksonomy 的社群知識應用過程。

（二）相關概念內涵

為基于復雜網絡方法研究網絡社群知識涌現特征及其計量之方便，根據復雜網絡理論首先介紹如下基本概念。

1.網絡Hub 結構

復雜網絡屬于復雜性系統理論的一部分，是對實際系統的本質抽象進而形成的拓撲結構，有利于解釋系統復雜的原因，有助于為網絡知識涌現研究提供思路。真正的復雜系統所表現出豐富的、高層次的行為是有因果關系的[9]。因而，運用復雜網絡方法解決復雜性問題首先需要明確各個要素間相互作用關系，建立網絡表示，為進一步建立網絡模型提供基礎。

復雜網絡演化是其中比較重要的研究主題，從Hub 節點考慮網絡知識涌現問題的研究尤為受學界關注。Hub 涌現是一種開環涌現的過程，開環涌現是通過反復應用而不受外部環境影響的網絡。Barabási 等認為，網絡具有無標度的特征，網絡涌現過程存在優先連接機制[10]。這種無標度網絡的異質性特征使得低度值節點周圍的高度值節點存在大量的連接，這些節點即為Hub 節點。高能級的Hub 節點能更敏捷地對周圍節點關系進行駕馭。在一個知識網絡中，其社群知識內部可以存在著不同的核心知識，彼此互不干擾，這些核心知識通常是在知識不斷生成和相互共享的基礎上涌現出來的。因此，在知識網絡結構不斷演化過程中，高能級Hub 節點的生命周期歷程能夠反映出社群知識內部不斷產生異質性知識涌現的過程、速度、頻次與規模。

2.社群知識涌現

涌現（Emergence）是源于系統科學的詞匯，也可稱為呈現或突現。涌現具有涌現性，通常指由高層次到低層次還原后不存在的行為、特征、屬性和功能[11]。王鳳彬等認為，在組織中不同層次知識產生及共享的有機結合將會引起知識涌現[12]。從組織行為學視角分析，知識涌現可分為個體、團隊和組織兩種類型，個體的知識涌現是通過外界異質性知識的刺激，表現為大腦中不同神經元互觸，從而涌現出創新性知識的過程。而團隊、組織或組織間的知識涌現則是經過其內部個體知識互動，所涌現出更高層級的復雜性知識創造的過程，側重隱性知識價值呈現[13]。

社群（Community）通常指社會中擁有共同目標、責任、利益意識并且參與者間相互存在關聯及互動的群體，這類群體通常都是為滿足某一需求而自發形成的[14]。社群知識涌現可以歸類為組織間的涌現，由此可以被定義為，在因同一利益或需求而形成的社群中，通過各類參與者相互的知識互動及共享等行為，呈現出更高層級的復雜知識創造的過程。

3.Folksonomy

Folksonomy 是由Folks 與Tax 所合成的詞語，主要由用戶、資源和標簽三種要素構成，是一種社會大眾分類的概括性術語，也可稱為“大眾分類法”或“自由分類法”。依據組織范圍的大小可將Folksonomy 分為寬公眾分類法（Broad Folksonomy）和窄公眾分類法（NarrowFolksonomy）兩種類型[15]。寬公眾分類法中，大眾用戶可以對資源進行標簽的添加，最終形成共同知識互動群。寬公眾分類法的特質是可以面向知識社區大眾，并且擁有大量異質性用戶，這些異質性用戶在認知能力、知識結構、興趣主題等方面具有差異性，社群可以借助該分類法構建大眾分類知識交流和溝通平臺（見圖1）。

圖1 寬公眾分類法（Broad Folksonomy）

窄公眾分類法中普通大眾用戶可以瀏覽或管理自身資源，但無法對資源添加標簽，最終可實現群體間知識互動或單向傳播中的知識共享。窄公眾分類法的特質是用戶在興趣愛好、專業領域和知識結構上具有同質性，所以，窄公眾分類可以為社區群體專業性比較強的組織提供知識共享或交互平臺（見圖2）。

圖2 窄公眾分類法（Narrow Folksonomy）

本文將社群知識涌現作為一個子系統，內含群體用戶、共享平臺、領域資源三種結構構成，在社群中獲得知識需要的并非個體知識主體本身，而是要從群體用戶視角出發，通過系統性的觀點來構建社群知識涌現機制。Folksonomy 是由用戶—標簽—資源構成的子系統，主要關注用戶和系統要素聯系度，將其與社群知識涌現系統相結合更符合用戶未來發展的需求目標，同時也符合數據科學時代下提升信息共享和追求高質量發展的迫切需要（見圖3）。

圖3 社群知識子系統標簽化行為

二、基于CAS 理論的社群自組織知識演化模型及其涌現機制分析

（一）CAS理論及其組織知識演化特征分析

霍蘭于1994 年首次提出復雜自適應系統理論（CAS），認為在復雜自適應系統中，系統可以與外部環境進行互動，其內部能夠根據外部環境進行自適應學習調整，系統內部的個體間可以相互產生影響。系統整體反映了事物由初始形態到形成具有合作及競爭性質的復雜網絡的過程。因此，我們可以以系統的思維探討社群知識涌現的過程。在復雜網絡中，網絡的去中心化特征使得各知識主體擁有平等的知識獲取和共享等渠道，社群中的個體成員不再依賴于單獨的領導者，而是進行自發意見的解讀與表達，此時產生的即為社群知識自組織過程，由此形成的復雜系統即為自組織系統，而社群知識系統可視為社群知識自組織網絡系統。

自組織理論適用于社群知識領域。知識社區內擁有多個子系統，各個系統可以相互影響。社群知識系統具有一定的開放性，有其自身的思維能力，知識主體間可以頻繁交互、動態演化和保持開放，接受外界的信息和知識流，具有非線性交互和有序性等復雜性網絡結構特點，這些特點為社群知識自組織系統的產生提供了前提條件。

1.非線性

社群自組織系統是包含社群知識個體及外部環境的復雜系統。社群知識個體間不存在明顯的線性關系，而是存在非線性的復雜關系，通常表現為相互耦合、協同配合和相互制約等，一起構成統一的復雜系統。在社群自組織系統涌現現象中，非線性作用范圍包括：知識個體間、知識種群間、知識群落間、知識個體和知識種群間、知識種群和知識群落間及知識群落和社群自組織系統間。

2.有序性

社群知識自組織的動力是內生的，自下而上，其中知識創新和知識涌現都是自主有序地進行，多個群體或知識主體間知識共享借助于公眾分類法提供的標簽子系統得到很好的相互匹配，這種特征主要通過知識主體自身學習知識及知識不斷的交互作用，使得整個系統內部的群體知識主體之間持續碰撞、交流，進而借助于網絡知識節點的資源整合與匹配產出新結構、新思想的過程，為社群知識群體知識涌現的產生創造了條件。

（二）網絡社群結構及其知識主體的特征分析

M.E.Newman 認為，網絡中通常存在一種巨分支，占據網絡一半以上的位置，剩下彼此不相連的分支即為小分支，并進一步指出在網絡中連接數多且有一定范圍的即為Hub 節點[16]397。在網絡的巨分支中存在明顯的社群結構，這種社群結構內部關系高度集中，而單獨社群間的關系則較為分散。在某一個知識領域中，知識的更迭一般受到外部發展變化和內部知識節點變化的雙重影響。因而在知識網絡中某一領域的知識通常是通過不同分支的社群群落構成，其中連通性較大的分支群落往往代表著領域知識的核心研究方向，這種分支群落里往往存在著高能級的Hub 節點[17]。這種具有高能級Hub 節點的巨分支即核心位置的網絡節點處于知識層級的高級層，而邊緣位置的網絡節點處于知識層級的低級層。通常來說，低級層的知識節點依賴于高級層，而高級層的知識節點反過來對低級層具有一定范圍內的駕馭控制能力。但這種關系結構隨著Folksonomy 在領域知識模式下用戶行為造成的擾動情況的出現[18]，原本被邊緣化的知識可能會隨著大眾標注行為對該類知識進行堆積，使得該知識從邊緣化的層級上升到核心層；同樣，曾經核心層的知識在大眾不斷標注新知識和關聯的情況下，也會因不再被廣泛關注而淡出。

社群知識自組織系統的知識主體間在網絡社群結構中存在Hub 節點涌現的行為現象，不同的知識主體在不同的網絡節點中能夠獲取或多或少的知識資源，這種知識資源的多少取決于高層級知識節點的輻射能力。連通性越多的節點越能成為高層級知識節點；反之，連通性越少則成為低層級知識節點，但其內部知識主體都可以通過共享平臺進行資源共享，與有標識行為的用戶頻繁互動，其中的知識主體存在兩種效應特征——規模效應和結構效應。

1.規模效應

復雜系統中組分的數量規模可以代表系統的規模，會影響系統行為。若想使社群知識系統產生自組織行為，就需要一定量規模的知識主體，不同的知識主體通過不斷的交互作用，形成由共同興趣組成的知識種群，進而形成更為龐大的知識群落，隨著知識群落的壯大形成知識社群。因而，基于網絡層面的知識社區屬于復雜巨系統，具備產生知識涌現的規模效應條件。

2.結構效應

組織知識涌現現象的產生有賴于其內部組分和結構，即主體和主體間相互交互作用，在知識主體一定的情況下，通過知識主體間相互激發、制約將產生不同的整體涌現性，即結構效應。滕廣青等人發現構成復雜網絡系統知識群落中的核心知識具有伴生性特征，通過不同的激發過程和制約方式會產生不同的整體涌現性，是社群自組織系統涌現現象產生的動力源泉[19]。社群自組織系統結構的演變可以通過自發和誘發兩種方式進行演變，前一種是受到社群內外約束被迫進行演變，后一種是通過對組分即知識主體間相互關系的重新認識，主動對社群自組織系統進行結構化演變。合理的知識主體間互動會產生結構效應，整體大于部分，有利于促進知識涌現的產生（見圖4）。

圖4 社區網絡中的知識群落互動過程圖

（三）社群自組織系統的知識涌現動力機制

三螺旋最早出現在生物學領域，三螺旋理論后續延伸到產學研領域，通常是指大學—產業—政府三主體間螺旋上升的三種關系，在保證自身獨立性的同時，能夠在各自創新產出過程中相互協調共進[20]244。三螺旋模型的三個主體能夠在相互協同共進的條件下，由一種不平衡狀態通過不斷螺旋式上升的演進和學習達到成長和相對穩定的結果。基于上述，社群的成長和壯大可以視為一個動態學習的過程，通過內部知識主體對知識獲取、共享、創新和資源的標注行為。這一過程需要知識的積累和時間的沉淀，無法瞬間完成。因此，本文以社群這一主體為出發點，其內部存在類似的三螺旋結構，分別設定標識行為、Hub 涌現和結構多元為三螺旋模型的三個機制運行主體，其中標識行為指用戶獲得資源后在共享平臺進行標注；Hub 涌現指社群規模的演進所產生的Hub 節點規模化涌現現象；結構多元指知識主體間的相互作用進程，三主體可共同作用于社群自組織系統知識涌現的整體行為過程（見圖5）。

圖5 社群自組織系統知識涌現機制

1.標識行為

在Folksonomy 模式下，大眾可以使用自定義標簽對資源進行分類，這種社會標注化的行為是相對獨立的，自由標注背后所表現的是用戶的群體意識。基于這種大眾分類法的社群知識中的用戶群體在這種不斷地對資源進行標簽化的行為中逐漸將知識進行堆積，形成了持續化的層級結構。多元化知識資源同時被共享在資源平臺中為其他用戶群體所用，社群中用戶群體可以根據興趣或需求對資源進行標注行為，產生“集體智慧”[21]，形成一個共享的標簽網絡。

2.Hub 涌現

在社群知識自組織系統中存在不同大小的知識群落，規模越大的知識群落擁有越多的知識節點，其中每個群落又可細分為多個子群落。Burt.R.S 認為，在網絡中存在兩種節點位置，一種是核心節點位置，另一種是邊緣節點位置[22]。其中，核心節點位置內部包含大量節點間相互關聯關系，是網絡的核心內容，邊緣節點通常依附于核心位置的節點。而核心位置中通常存在高能級的Hub 節點，其特性能夠對周圍節點進行一定范圍的控制，高能級Hub 節點在不斷產生、交互的生長過程中能夠產生全新的節點信息，進而可以反映知識涌現的過程。

3.結構多元

知識主體能夠通過資源共享學習平臺獲得顯性知識，使得整體知識社群組織的自主學習能力和創新能力得到提升，進而獲取有價值的隱性知識。外部異質性知識的獲取能夠為社群及其內部知識主體提供創新觀點和多樣化知識視角，增強社群對知識進一步的深度融合，有助于產生顛覆式創新構想，使新知識的重組成為可能。知識創造不是瞬時發生，而是持續性的過程，在共享平臺中和其他知識個體進行相互交流，這種范圍式影響擴散到社群組織中，進而衍生出創新知識理論和觀點，再付諸實際成果，形成社群組織對知識的再創造，如此呈現出螺旋式上升的特征，為知識涌現的產生提供條件。

在Hub 涌現過程中存在一種馬太效應。馬太效應最早在1968 年由美國社會學家羅伯特·莫頓提出。在網絡結構演變中，同樣存在馬太效應，王新贈等提出在信息網絡發展中存在馬太效應，使得新產生的網絡節點偏向于連接度高的節點[23]。這種馬太效應會使網絡中相對重要的節點變得更重要，而位于網絡邊緣的節點，可能會被弱化（見圖6）。在社群知識系統中，系統內部由多種元素構成，個體通過彼此間正結構效應形成知識種群，多個知識種群相互作用形成多元知識群落，在知識群落中標注行為越多的群落擁有更多的知識節點，該群落能夠借助已有的知識基礎整體涌現出更多創新性知識甚至會產生核心知識領域，而那些擁有較少知識節點的群落因整體知識基礎的缺乏可能只會停留在基礎層面。

圖6 Hub 節點馬太效應影響

綜上，社群自組織系統的知識涌現動力機制可視為標注行為、Hub 涌現和結構多元三主體間螺旋式上升相互協同共進的過程。社群自組織系統是一個能以資源共享平臺為空間載體，以知識創新過程的有序化進行為最終目的，使得社群多元化要素協同共進、相互作用，對外部環境進行自組織、自適應優化的系統。

三、社群知識涌現的實例解釋及其管理啟示

（一）社區知識涌現的實例解釋

知乎于2011 年1 月正式上線，是能夠在網絡上共享知識的在線學習社區，在這個知識社區中連接了各行各業的人才，個體能夠通過對熱點事件的群體探討，運用自身獨特的見解形成彼此高度的知識共享。知乎的出現解決了相對高質量用戶間有效溝通的障礙渠道，并且能夠匹配不同用戶感興趣的內容進行問答。目前，知乎每天有將近3 000 萬的活動用戶，用戶的數據信息由22 個模塊組成，匯聚了各行各業的精英用戶群體，現已成為綜合性、全品類、在諸多領域具有關鍵影響力的知識分享社區和創作者聚集的原創內容平臺，建立了以社區驅動的內容變現商業模式。

知乎的用戶群體能夠不受時間和地點的約束獲得知識資源，使得知識傳播的范圍更廣、速度更快，能夠被用戶群體快速吸收，形成自身的知識系統。在知乎知識社區開放平臺中網絡信息和知識溝通的關鍵是借助于大眾分類標注行為。用戶可以通過共同標簽偏好來尋找和自身興趣一致的用戶形成知識群落，實現大眾標注的知識社區聚合功能。不同群落構成多元化社群，并按照“興趣、推薦、共享”的模式進行知識的循環演化和發展，不同社群組織多元化資源進行統一標注行為形成了網絡的關鍵節點。標注行為越多的社群，其知識節點也越多，越容易產生知識涌現。社群間通過標簽挖掘領域知識進行知識傳播和共享，這種知識共享行為使得用戶間、社群間的黏合度更高，在未來彼此間知識流動會更加容易，更容易產生新知識，為知識涌現提供條件。

（二）社區知識涌現的管理學啟示

知識社區的用戶可以通過被標注的資源對擁有共同需求和主題興趣的用戶進行索引，有利于知識的交流，通過用戶對標簽進行分類，內部主體信息經過不斷挖掘會形成知識種群，知識種群相互作用后會形成龐大的知識偏好一致的社區知識群落，多知識節點的群落可能會產生相關核心領域知識。標識會推動不同群落間相互碰撞、相互滲透，群落內部個體會形成知識傳播與共享的自組織過程，不同行業的精英人士相互交流高質量見解的同時會催生新知識的產生，伴隨創新型知識思維的形成，知識涌現行為也會隨之產生。這種大眾知識分類方法為知識社區群體用戶和主題知識或信息之間建立了很好的連接橋梁，形成了高效溝通的復雜網絡平臺，方便、高效、靈活、自組織和開放，且不受條件限制。這種方式在網絡社區知識服務中得到了很好的應用，如Flickr、43things 等。知識平臺自身可以通過用戶標注行為為不同用戶或社群推送廣告，有利于平臺自身的企業宣傳發展和盈利，同時也為企業、市場從平臺中選拔出創造型人才提供途徑。關于基于知識涌現的Tag 社會性復雜網絡社會性應用軟件平臺的應用是一個值得關注的課題，將在另文闡述。