網絡學習資源進化：研究進展、難題透視與趨勢分析

摘要：網絡學習資源建設正在從高速增長階段邁向高質量發展階段，對資源動態更新、持續進化的需求越來越強烈。網絡學習資源進化作為一個新興的、多學科交叉的研究方向，在推動高質量資源建設與科學高效管理方面發揮著重要作用。當前網絡學習資源進化，從研究主題來看，主要聚焦資源進化影響因素、進化技術、進化機制、進化規律以及進化預警等方面；從研究方法來看，涉及德爾菲法、社會網絡分析、系統動力學仿真、機器學習、微分動力系統、時間序列分析、滯后序列分析以及流程挖掘等方法。盡管近年來，研究者從不同學科視角出發，在網絡學習資源進化影響因素、模式、技術以及規律等方面取得了豐碩的研究成果，但從實踐效果來看，網絡學習資源自身的多樣性以及系統的復雜性導致資源進化研究仍存在一些現實難題亟待解決，比如資源進化多模態難題、資源進化數據分析難題、資源進化系統仿真難題以及資源進化規律識別與驗證難題等。在新技術與新方法的支持下，未來網絡學習資源進化將呈現四大研究趨勢，即從文本型資源進化到多模態資源進化、系統動力學指導下的資源進化仿真計算、資源進化質量的動態監測與評估反饋，以及資源關聯網絡的演化過程與機制。

關鍵詞：網絡學習資源；學習資源進化；多模態資源；仿真計算；進化規律

中圖分類號：G434" "文獻標識碼：A" " 文章編號：1009-5195（2024）01-0101-12" doi10.3969/j.issn.1009-5195.2024.01.012

基金項目：2020年度國家自然科學基金面上項目“網絡學習資源群體進化的規律識別與預警技術研究”（62077030）。

作者簡介：楊現民，博士，教授，博士生導師，江蘇師范大學智慧教育研究中心（江蘇徐州 221116）；楊宇鵬，碩士研究生，江蘇師范大學智慧教育研究中心（江蘇徐州 221116）；米橋偉，博士研究生，華南師范大學教育信息技術學院（廣東廣州 510635）；周麗華，碩士研究生，江蘇師范大學智慧教育研究中心（江蘇徐州221116）；李新（通訊作者），博士，講師，江蘇師范大學智慧教育研究中心（江蘇徐州 221116）。

一、引言

學習資源建設始終是教育信息化事業發展的重點任務之一，唯有海量優質的資源供給才能滿足學習型社會、學習型大國的建設所需。進入21世紀以來，特別是“十二五”時期“三通兩平臺”工程的大力實施，促進了國家數字教育資源公共服務體系的初步形成，產生了一大批覆蓋各級各類教育的網絡學習資源，有效支撐了教育教學模式創新與改革。2022年初，教育部正式啟動教育數字化戰略行動；同年3月，國家智慧教育公共服務平臺上線運行，快速形成“三橫三縱”（“三橫”是指基礎教育、職業教育、高等教育三類教育，“三縱”是指德育、智育、體美勞育三類資源）的資源服務體系，基本建成世界第一大教育教學資源庫（龍友華等，2023）。

然而，多年的網絡學習資源研究與實踐已充分證明，單靠資源數量的快速擴張已經越來越難以滿足一線教師的教學需要和廣大學習者的個性化學習需求。步入教育高質量發展新階段，網絡學習資源亟需在便捷性、共享性、交互性等一般特征基礎上，著重強化其“可進化性”功能，以資源自身的動態演化解決質量問題與用戶需求匹配問題。學習資源進化是指學習資源為滿足學習者的各種動態、個性化的學習需求而進行的自身內容和結構的完善和調整過程（楊現民等，2011）。舉例說明：一條“新冠病毒科普知識”的資源產生后，有學習者開始閱讀、評論、留言并與作者協同完善該條資源，同時該條資源與疫情防護主題的資源逐步建立關聯，被越來越多的用戶檢索并瀏覽，自身質量也逐步提高，這個過程便是資源的進化。

近年來，學習資源進化成為數字資源研究領域的新議題，來自教育學、管理學與信息科學的研究者，開始引入信息生態學理論、系統科學理論等，通過整合多學科研究方法探究學習資源與知識進化問題，以期從進化視角構建大規模開放協同環境下的網絡學習資源建設與管理的新理論、新方法與新技術。本文旨在跟蹤網絡學習資源進化研究的總體進展，剖析研究中存在的關鍵難題，并對未來研究走向進行探討，以期為后續研究者深入開展網絡學習資源進化研究提供一定的指導和借鑒。

二、網絡學習資源進化的研究進展

基于前期研究積累和大量文獻資料分析，本研究重點從研究主題和研究方法兩個維度對國內外網絡學習資源進化研究進展進行綜述。

1.研究主題分析

（1）資源進化影響因素研究

網絡學習資源是一個相對寬泛的概念，諸如開放知識社區資源、網絡課程資源、學習軟件資源、網絡教育資源等都屬于網絡學習資源范疇（楊現民等，2022）。厘清網絡學習資源進化的影響因素是資源進化研究中的基礎性工作，不同類型的網絡學習資源在內容、結構、功能等方面有所區別，導致其進化的影響因素也不盡相同。以Wiki資源與網絡課程資源為例，前者受眾廣泛，被編輯與被訪問的頻率較高，資源版本迭代更加頻繁；后者通常是針對特定學習群體設計，學習者與資源間的交互頻率較低，資源版本迭代次數相對較少。盡管網絡學習資源類型不一，但它們發生進化的目的都是為適應多樣化的學習與不斷變化的環境需求。近年來，國內外學者圍繞網絡學習資源進化影響因素的相關研究主要聚焦于Wiki資源、生成性學習資源、網絡信息資源等，因此本研究重點梳理并分析了以這三類資源為主要研究對象的網絡學習資源進化的影響因素，其中部分代表性觀點如表1所示。

對已有研究成果進行梳理發現，網絡學習資源進化的影響因素不盡相同，尤其是針對不同類型的資源存在一定的差異，但是從廣義上可以將其歸納為用戶、資源和環境三個方面。用戶是網絡學習資源的創造者、使用者，用戶對學習資源的建設行為（如編輯、評論、分享等）是學習資源進化的直接動力，用戶需求則是學習資源進化的外在驅動力，二者共同推動網絡學習資源的生成與進化。資源是進化的主體，學習資源不斷完善和調整自身內容與結構，以適應學習環境的動態變化并滿足用戶的個性化學習需求。學習資源自身屬性、資源質量、呈現形式等都會影響資源的進化狀態以及用戶對資源的關注程度。關注度越高的資源利用率越高，進化也就越容易發生。環境可以劃分為硬環境和軟環境。硬環境包括基礎設施以及由學習機制與規則等組成的在線學習環境，為用戶交互和資源流通提供重要支撐。軟環境由社會發展或需求組成，推動高質量網絡學習資源的建設。

（2）資源進化技術研究

資源進化技術是驅動網絡學習資源有序和高質量進化的重要動力，主要包括內容進化與關聯進化兩種模式。資源內容進化是指學習資源通過開放的組織方式吸引多個用戶參與內容協同編輯，實現資源內容的快速更新與迭代優化，其中語義標注、協同編輯、版本控制以及角色權限管理是常用的控制管理技術（見圖1）。語義標注是指為文檔添加規范化知識表示的過程，本質上是實體識別和實體標注，目的是使計算機可以理解文檔內容。Wiki百科平臺在內容控制上，通過用戶間的協同編輯來豐富資源內容，通過版本控制實現迭代進化，利用角色權限管理提供人工干預，防止資源“亂序”生長。除了對進化技術的研究外，一些研究者也從社會信任角度研究資源內容的進化控制，比如以社會信任模型與算法為核心，結合資源內容管理技術保證內容的進化質量（楊現民，2015）。

資源關聯進化是指學習資源在生成過程中不斷與其他資源實體建立語義關系的過程，是資源外部結構的持續更新和完善（楊現民等，2013b）。學習資源之間存在相似關系、上下位關系、前驅關系、包含關系、等價關系等（楊現民，2015），為技術層面實現資源關聯網絡的智能構建提供了語義關系基礎（見圖2）。近年來，學者們圍繞學習資源關聯進化關鍵技術開展了一系列理論研究與實踐探索，其中代表性研究如表2所示。我們發現，在早期研究中，學習資源關聯主要采用基于規則的推理技術、基于語義基因的相似關系計算技術、基于算法與模型的關聯模式技術等，現階段則主要采用特征工程技術與深度學習技術挖掘資源的先序關系。

（3）資源進化機制研究

自然選擇、遺傳、變異是生物進化的重要機制（Smith，1993），其使物種具有了適應性和多樣性。與生命系統相比，網絡學習資源系統并非一個純粹的“自組織”系統，需要進化機制的約束才能實現資源持續、有序和高質量的進化。為此，研究者借鑒生物進化原理，提出了三種資源進化機制，即選擇機制、協同機制和競爭機制。

首先，在知識管理領域，學者將知識進化選擇機制分為內部選擇和外部選擇。針對內部選擇，研究者引入了“知識元”的概念，提出個體的“活知識元”和“休知識元”之間的轉換即體現出知識的進化。針對外部選擇，研究者指出知識系統的進化受到文化因素的影響，在促進知識系統發展進程中，需要構建具有強烈共同愿景的新知識生態文化（孫振領，2011）。由此可見，知識進化的內部選擇由知識的自組織驅動，外部選擇則受環境因素的影響。學習資源作為知識的外化形式也具有進化行為，筆者提出的“語義基因”概念正是資源進化的控制因子，用以控制進化的狀態與方向（楊現民等，2013c）。學習資源依賴語義基因保持“活性”，并在基因的“約束”下朝著預期的方向進化。外部選擇主要體現在用戶選擇和環境選擇兩方面。一方面，符合用戶學習偏好和習慣的學習資源被不斷利用，進而快速發生進化；另一方面，在智能化學習環境中，更多高質量的學習資源被選擇，資源間不斷產生聯系，質量不斷提高。

其次，協同進化是指當自然界中某個生命體回應另一個生命體的某一特性的變化做出進化行為與動作后，另一個生命體也同時因前一個生命體的特征改變而發生相應進化的行為與動作（Jazen，1980）。學習資源的協同進化方式主要包含“人—資源”的協同進化與“資源—資源”的協同進化。在“人—資源”協同進化過程中，新的知識結構不斷形成，知識服務質量不斷提升，推動資源結構不斷創新，資源質量不斷提高。“資源—資源”之間的協同進化體現在資源關聯、外部資源引入和資源聚合三方面（徐劉杰等，2018）。在資源關聯方面，學習資源在關聯進化的過程中形成資源網絡，為資源進化提供能量流通的通道；在外部資源引入方面，用戶通過多種方式引入新資源，使得資源數量增加并與原有資源形成規模更大的資源群；在資源聚合方面，聚合可以提升學習資源關聯與吸收外部資源的能力，擴大資源規模，提升學習資源進化與適應環境的能力。

最后，競爭進化機制主要指具有相似服務功能的資源為爭奪用戶而發生的競爭行為，其主要目的是通過資源間的良性競爭，淘汰陳舊的缺乏進化動力的資源。資源的競爭力通過用戶瀏覽、編輯等交互行為來體現，資源的訪問量、下載分享數、點贊點踩數等都會影響資源之間的競爭。在競爭中，優質資源將得到用戶充分的使用，繼而搶奪其他資源的“能量”，使自身繼續生存、發展并壯大，而獲取不到充足“養料”的資源將被刪除、分解，逐漸走向消亡。資源之間不僅存在個體資源競爭，也存在群體資源競爭。趙玲朗等（2020）指出在主題資源群中，相同知識點、相同類型的學習資源根據內容進化標準進行競爭，使得資源逐漸達到成熟狀態。競爭使得學習資源具有“自我淘汰”的功能，在用戶和環境的影響下，遵循“優勝劣汰”原則，老舊資源被舍棄，優質資源被利用。

（4）資源進化規律研究

目前，有關學習資源進化的規律探究主要包括進化狀態和資源進化中網絡結構變化兩個方面。學習資源進化是一個周期性過程，包括起始態、成長態、穩定態、衰退態和死亡態5個階段（米橋偉等，2023）。受多因素的影響，處于不同階段的學習資源有著不同的特征，也呈現出不同的變化趨勢。但由于學習資源進化是人為參與的過程，因此通過干預手段，能夠確保學習資源長期處于穩定態或重新激發步入死亡態資源的活力。楊帆等（2020）認為，學習資源有效聚合可以促進學習者的有效學習，并提出了基于圖譜、資源與人之間關聯的可視化表征和資源適應性視角下的可視化需求規律，為生成性學習資源開發與應用提供了新思路。

互聯網時代知識生產和傳播是一個復雜網絡演變的過程（陳麗等，2022），知識逐漸被賦予網絡屬性（陳麗等，2023）。Lerner等（2019）依靠Wiki百科用戶協作編輯數據，構建知識協同者網絡，并發現該網絡是典型的無標度網絡，具有明顯的小世界效應，但網絡拓撲是非層次結構的，且協作過程中參與者并不完全遵守偏好連接規律。為進一步挖掘網絡學習資源進化的內在機理，研究者開始探究資源進化中各類網絡結構的特征及其變化規律。屈寶強等（2013）基于二分網絡，構建了包括用戶和資源的文獻資源共享網絡，發現該網絡同時存在“用戶富人”和“資源富人”兩類節點，節點之間的聯系構成了具有二分特性的“富人俱樂部”。除上述的兩類進化規律外，學習資源進化中用戶的編輯協作行為也呈現穩定的統計學特性。比如在Wiki百科序化的過程中，用戶編輯頻率越高的詞條，其質量越高（W?hner et al.，2009）。用戶的交互方式、頻率等對學習資源進化具有重要影響，充分挖掘用戶協作編輯行為規律，可以較好地對學習資源質量進行檢測和預警，從而保證優質資源的持續生成與進化。

（5）資源進化預警研究

隨著大數據和學習分析技術的發展，網絡學習預警研究成為教育信息化領域的新熱點。數據挖掘技術在預測、聚類、分析數據方面能夠為教育決策提供重要支持（Baker et al.，2009），因此目前主要采用數據挖掘技術對網絡學習過程進行預警與干預。研究者通過收集學習者的學習過程數據，構建學習預警模型，對學習成績、學習表現和學習情感進行預警。文獻分析發現，現階段網絡學習預警研究主要以學習者為對象，以此提升學習效率并改善學習品質。

網絡學習資源在進化過程中同樣需要預警與干預。筆者在表征網絡學習資源進化狀態、提取相關進化要素并標注進化狀態的基礎上，結合卷積神經網絡與深度學習算法構建了網絡學習資源進化預警模型，經過性能測試，發現該模型有著更優的收斂態勢，可以發揮很好的預警效果（楊現民等，2022）。此外，調研發現，目前國際上尚未有成熟的資源進化預警技術研究成果，因此如何結合前沿的深度學習技術，對網絡學習資源進化進行智能預警與反饋，是一項具有挑戰性和應用前景的新課題。

2.研究方法透視

（1）德爾菲法

德爾菲法（Delphi Method）是指根據研究問題進行專家意見征詢，經過多輪的征詢、反饋、修改，最終使得專家意見趨于一致的研究方法。例如，付道明（2016）利用文獻歸納法與德爾菲法確定了泛在學習中信息傳播的構成要素，探究了泛在學習系統中知識流模型及其傳播學動力機制。德爾菲法作為一種驗證性方法，可以檢驗研究中構建的影響因素指標體系的科學性與合理性。在學習資源進化研究中，利用德爾菲法能夠識別出影響資源進化的相關因素。具體做法為：首先通過文獻整理，初步構建網絡學習資源進化影響因素指標體系，然后選取行業專家進行2～3輪意見征詢，不斷迭代優化指標體系，最后確定學習資源進化的影響因素。在確定影響因素后，利用解釋結構模型法（Interpretative Structural Modelling Method）對影響因素進行分層分級，進一步確定影響因素之間的復雜相互關系和層次。

（2）社會網絡分析

社會網絡分析（Social Network Analysis）利用節點與節點之間的關系，可視化呈現資源進化內部不同網絡的結構特征，實現網絡學習資源進化規律探究與預警；同時通過計算網絡中心度、邊緣性等指標，識別不同因素影響下資源網絡的變化情況，發現影響因素對資源網絡的作用規律。比如滕廣青等（2016）利用社會網絡分析中的網絡中心性分析，對知識發展過程進行動態演化分析，挖掘知識關聯與結構的變化規律。社會網絡分析還可以用于監測網絡學習資源質量，比如Kane等（2016）利用社會網絡分析法構建了Wiki百科用戶與文章的隸屬網絡，發現網絡的中心度和特征向量中心性正向影響了文章質量，并且用戶數量與文章質量之間呈現“倒U形”影響關系。此外，社會網絡分析還可以用于分析學習資源主題、評估資源內容以及檢測用戶交互行為，進而實現對網絡學習資源進化質量的檢測和預警。

（3）系統動力學仿真

系統動力學（System Dynamics）分析主張將研究對象視作系統，通過規定系統邊界建立模型，模擬計算系統隨時間變化情況，適用于研究復雜系統的結構、功能與行為之間的動態關系（Andersen et al.，2012）。從系統動力學視角來看，網絡學習資源進化處于一個由多要素組成的復雜系統中，影響因素與學習資源進化之間存在著復雜的線性或非線性關系。系統動力學的仿真環境和動態分析能夠深入挖掘網絡學習資源進化的影響因素及其內在規律，其中模型構建是系統動力學分析的必要環節，也是將抽象問題具體化的過程。研究者構建了組織間知識轉移演化模型與知識建構行為的演化博弈模型（晉欣泉等，2022），經過仿真分析揭示了組織間知識轉移的特性和機理與建構行為的關系，并提出了促進深層次知識建構持續發展的策略。除構建模型外，進行系統動力學分析還需依靠大量數據。牟智佳等（2018）通過對兩門MOOCs數據進行仿真分析，發現學習資源的類型和數量等因素影響學習者個性化學習需求。

（4）機器學習

教育信息化研究領域中有學者利用機器學習對數字學習資源進行監管（柯清超等，2021），進而促進網絡學習資源建設，實現對網絡學習資源進化的預警。整體來看，機器學習在網絡學習資源進化研究中主要包括內容檢測、自動標注以及數據挖掘三方面的應用。在內容檢測方面，通過機器學習算法對文本、圖片、視頻等多模態資源進行分類和過濾，淘汰低質量或不合適的內容，提高用戶共建共享資源的積極性。比如Wang等（2021）提出了一種結合手工和自動提取功能的特征融合框架，顯著提高了Wiki百科文章質量缺陷分類的有效性。在自動標注方面，利用機器學習算法對海量的無標簽數據進行自動標注，可以為大規模的數據訓練與分析提供支持。在數據挖掘方面，通過對網絡學習資源的數據進行挖掘和分析，為網絡學習資源的持續改進提供依據。比如趙玲朗等（2020）設計了一種基于多目標優化視角的學習資源進化模型，該模型使用自適應調整變異率和交叉率的差分進化算法實現資源進化，再利用情境感知算法將進化后的資源智能化推薦給學習者。

（5）微分動力系統

微分動力系統（Differential Dynamical System）主要關注系統的瞬時變化以及系統的長期行為（歐陽奕孺等，1987）。在網絡學習資源進化研究領域，微分動力系統用于分析學習資源的演化、學習資源之間的相互作用、學習資源的評價與優化，以及網絡學習資源平臺的演化過程與整體發展態勢等。在演化分析方面，微分動力系統能夠描述學習資源在時間上的演化過程，進而分析學習資源的變化趨勢和特點；在相互作用方面，微分動力系統可以描述不同學習資源之間的相互作用，從而分析學習資源之間的關系和影響；在評價和優化方面，微分動力系統用來評價和優化學習資源的質量和效果；在平臺演化過程中，微分動力系統可通過建立合適的微分動力系統模型，對網絡學習資源平臺各個方面的演化過程進行定量描述；在平臺的發展方面，微分動力系統可以用于預測網絡學習資源平臺的未來發展趨勢，為網絡學習資源平臺的發展提供指導。

（6）其他方法

除以上5種典型的研究方法外，還有一些其他的方法也可用于網絡學習資源進化研究，比如時間序列分析法、滯后序列分析法以及流程挖掘。這些方法對于開展學習資源進化研究同樣具有重要的參考價值。

時間序列分析（Time-Series Analysis）是一種動態處理數據的統計方法，可以反映事物的發展變化狀態。利用時間序列分析可以開展網絡學習資源進化規律與預警研究。具體做法是：首先收集并處理學習資源相關數據，如缺失值填補、數據清洗等；其次建立時間序列模型，將學習資源的各個屬性作為時間序列的變量，例如將下載量作為時間序列的因變量，創建日期作為時間序列的自變量；然后進行模型擬合和參數估計，選擇合適的模型算法和參數組合；最后根據模型預測未來的學習資源發展趨勢。

滯后序列分析法（Lag Sequential Analysis）主要用于檢驗人們發生一種行為后出現另一種行為的概率及其是否存在統計學意義上的顯著性（Bakeman et al.，1997）。筆者利用滯后序列分析法對協同知識創作過程中的用戶行為模式進行分析，提出要設置一些行為引導策略，增加“用戶評論—編輯內容”與“批注—編輯內容”行為序列出現的頻率，以促進知識的迭代生成（楊現民等，2016）。滯后序列分析可以呈現學習者在資源協作過程中的一系列行為模式，從而找到影響學習者協作的相關因素。

流程挖掘是通過對系統中存在的事件日志進行挖掘，找出有價值信息的方法（Agrawal et al.，1998）。在資源進化研究中，利用流程挖掘可以開展網絡學習資源進化規律和預警技術的探究。其研究步驟為：首先針對研究問題，收集和處理相關數據，選擇合適的流程建模方法；其次利用已有的數據對模型進行訓練和優化，調整模型參數和結構，提高模型的預測準確性和泛化能力；然后將訓練好的模型用于預測和分析，評估模型的預測效果和可靠性，并對模型進行迭代優化；最后根據模型的預測結果，對網絡學習資源的演化規律進行解釋和可視化呈現，例如繪制演化樹、時間序列圖等。通過對流程模型的分析，可以發現潛在的問題和瓶頸，并提出相應的改進措施，優化學習資源的演化路徑和效率。

（7）各類方法的比較分析

綜合上述分析，我們發現不同的研究方法在網絡學習資源進化研究中的作用各不相同。本研究針對上述網絡學習資源進化研究方法，從方法的典型特征、應用場景、優勢與不足等方面進行了比較，具體如表3所示。可見，在開展網絡學習資源進化研究時，可以融合多種不同的研究方法，以彌補單一研究方法的局限性。例如，結合社會網絡分析和滯后序列分析，探索網絡學習資源的變化與社交網絡結構之間的關系。多種研究方法的融合可以創造新的研究思路，有助于發現新的問題和現象，促進研究方法的交叉應用和創新，為網絡學習資源進化研究帶來新的發展方向和可能性。

三、網絡學習資源進化研究面臨的難題

近年來，研究者們從不同學科視角出發，在網絡學習資源進化影響因素、模式、技術以及規律等方面取得了豐碩的研究成果。但是從實踐效果來看，網絡學習資源自身的多樣性以及系統的復雜性導致資源進化研究仍存在一些現實難題亟待解決，比如資源進化多模態難題、資源進化數據分析難題、資源進化系統仿真難題以及資源進化規律識別與驗證難題等。

1.資源進化多模態難題

在Web2.0理念和技術的沖擊下，以Wiki、Blog等為代表的開放知識社區發展迅速，成為信息時代知識傳播與創新的重要陣地。但是在開放知識社區中，多以單模態資源為主，這些資源存在呈現形式單一、進化動力不足等缺點，難以滿足學習者的個性化學習需求。而多模態資源的出現為網絡學習資源帶來新的形態和發展機遇。多模態資源的優勢在于能夠融合文本、圖像、音頻和視頻等多種表達方式，更加全面地呈現知識與內容，豐富學習者的學習體驗。但是不同模態資源之間存在復雜的關聯和相互作用，使得資源進化過程更加復雜。而且多模態資源的融合需要解決資源之間的語義連接問題，尤其是針對不同類型的資源如何建立有效的聯系，這對資源進化來說是一個挑戰。此外，雖然生成式人工智能的應用使得多模態資源能夠更容易地生成，但也帶來了資源結構復雜性增加和資源內容表征困難等問題。

為了有效解決多模態資源的進化問題，需要通過跨學科協作和技術創新突破現實難題。研究者可以探索跨模態信息檢索技術，建立起不同類型資源間的語義連接，使得資源之間的內容能夠相互補充和豐富，以提供更全面的知識表達。針對生成式人工智能技術導致的多模態資源內容表征困難問題，可以嘗試將多模態內容映射到共享的語義空間中，使資源內容更容易被處理、分析和理解，以構建更好的資源關聯和進化模型。

2.資源進化數據分析難題

面對網絡學習資源進化過程中產生的海量數據，研究者嘗試通過后臺導出（MOOC平臺中管理員可以導出學習過程數據）、網絡爬取（借助火車頭、八爪魚等軟件合法爬取）等手段收集研究數據。但是如何從海量數據中提取有價值的信息并進行分析，成為資源進化研究中面臨的一大現實難題。其一，網絡學習資源數量龐大且不斷增長，導致收集并整合這些數據需要耗費大量的時間和精力。不同的網絡學習平臺、教育機構和個人都可能產生大量的學習數據，研究者需要從這些多樣化的來源中收集數據，并進行數據轉換和整合。其二，在收集的數據中，存在缺失數據、異常數據、重復數據、不一致數據等（劉鵬，2022），數據質量低，導致分析結果不準確和不可靠。其三，為了訓練機器學習模型，通常需要標注大量數據，但是人工標注數據的成本較高，特別是針對多模態資源或復雜領域的數據，需要專業領域知識與時間投入。

為了有效解決資源進化研究中存在的數據分析難題，需要提高機器學習訓練模型精準度，減少人工參與。例如：在數據收集階段，采用自動化算法進行數據清洗和預處理，包括處理缺失數據、異常值數據、虛假數據等；在預訓練模型時可以將在其他領域或數據集上訓練得到的模型的知識遷移到網絡學習資源進化研究中，以減少對大量標注數據的依賴，提高模型的訓練效果；在深度學習架構設計中，可以考慮引入注意力機制、多模態信息融合等技術，以提高模型對多樣化數據的處理能力，從而更好地適應網絡學習資源的復雜性和多樣性。

3.資源進化系統仿真難題

系統動力學和微分動力系統是探究網絡學習資源進化規律的重要方法。在構建網絡學習資源進化系統和設計仿真公式方程時，面臨的難點主要包括影響因素識別和公式方程設計兩個方面。在構建學習資源進化系統時，首先需要識別和確定資源進化的影響因素。這些影響因素可能涉及學習者的行為、技術發展、教育政策等。影響因素的識別是確定進化系統內部要素的前提，也是搭建進化系統的基礎性工作。但是由于網絡學習資源進化涉及多個學科領域且內部存在復雜的相互作用，目前尚未形成一套成熟的網絡學習資源進化影響因素指標體系。而公式方程設計，在系統動力學和微分動力系統中，是模擬仿真計算的基礎。公式方程反映了影響因素之間的內在關系，通過這些方程可以推演出系統的動態變化過程。但是如何選擇適當的數學函數和表達式來描述影響因素之間的相互作用，并對公式的有效性進行檢驗，是仿真研究面臨的現實問題。

為了有效解決資源進化系統仿真的難題，需要綜合運用多種技術與方法。首先，通過對大量網絡學習資源進行數據分析，可以發現影響進化的關鍵因素，為構建系統提供參考與支持。其次，利用數學函數、微分方程等數學工具來描述影響因素之間的關系，建立系統動力學或微分動力系統模型，并通過與實際數據進行對比，檢驗模型的預測準確率和穩定性。

4.資源進化規律識別與驗證難題

網絡學習資源進化規律識別與驗證一直以來都是限制網絡學習資源進化發展的關鍵難題。其一，目前網絡學習資源進化規律研究主要聚焦于以協同編輯為核心特征的在線開放社區，這些社區結構和用戶參與行為模式相對簡單。而復雜的在線社區（如智慧教育云平臺、教師專業發展在線社區、網絡學習資源管理系統等）涉及更多的因素和交互模式，現有研究成果難以直接推廣應用于這些復雜社區中。其二，目前的進化規律識別技術主要基于過程性數據進行統計分析和挖掘，缺乏多情境和多樣本的進化規律呈現。進化規律識別需要采用更復雜的數據挖掘技術和機器學習算法，來揭示網絡學習資源在不同情境中的進化特征和規律。其三，不同在線開放社區的功能設計和運行機制不同，這將影響進化規律識別的效度，導致規律識別的不準確。其四，在規律驗證時，需要進一步明確進化規律的可解釋性和一般適用性，但是由于理論模型缺乏反復驗證、大規模數據收集難度大以及多平臺多重比較難等問題，導致規律驗證的準確性與可解釋性仍有提升空間。

為了有效解決這一問題，需要統籌利用多種措施和技術手段。如在進化規律識別時，整合過程性數據和其他類型的數據（如社交網絡數據、學習行為數據等），以提高分析的全面性和準確性；在技術手段上，采用更復雜的數據挖掘技術和機器學習算法（如深度學習、遷移學習等），以更好地挖掘和理解網絡學習資源的進化規律；對于進化規律的驗證，可以進行長周期的跟蹤研究，以確保規律的一般適用性和穩定性。

四、網絡學習資源進化的研究趨勢

本研究立足資源進化研究面臨的現實難題，結合新技術與新方法在資源進化研究中的應用潛能，提出未來網絡學習資源進化將呈現四大研究趨勢。

1.從文本型資源進化到多模態資源

數字時代下單一的文本資源無法適應規模化因材施教的教學需求，圖像、視頻、音頻、AR/VR等多模態資源將成為知識傳播與共享的重要載體。面對表征形式各不相同且結構復雜的多模態資源，提煉資源進化中的共性要素，界定資源進化的要素集合，進而構建學習資源進化的個體與群體模型，成為有效融合多模態數據以完成資源進化分析的重要手段。在資源進化分析中，提取多模態資源的共性要素并界定資源進化的要素集合是關鍵。這涉及數據挖掘、特征提取和模式識別等技術，目的是從多模態資源中抽取有意義的信息和規律。通過構建學習資源進化的個體與群體模型，可以更好地理解資源的發展和演化過程，為教學和學習提供更有針對性的支持和引導。在多模態資源自動生成方面，基于大模型的生成式人工智能為提升內容自動生成質量提供了強大支持，比如ChatGPT的內容生成、對話情景理解、序列任務執行和程序語言解析能力為研究多模態網絡學習資源提供了新的方法和工具，可用于多模態數據的處理和分析，為資源進化研究提供了更高效和準確的解決方案。綜合運用多模態資源和生成式人工智能，將推動網絡學習資源進化研究的發展，提高資源進化分析的效率和精確度，為教學和學習提供更加優質和個性化的支持。

2.系統動力學指導下的資源進化仿真計算

挖掘可解釋的網絡學習資源進化規律與影響因素作用機制，可以促進對資源進化內在機理的理解。系統動力學仿真分析為開展進化規律與機制研究提供了新的思路與方法。其通過規定網絡學習資源進化系統邊界，構建合理的進化仿真環境，能夠實現對資源進化過程的可視化呈現。為解決系統仿真難題，可以將系統動力學仿真分析與結構方程模型相結合。結構方程模型是一種多變量分析方法，能夠同時處理幾個潛變量及其指標之間的關系。通過構建并分析多因素影響下的網絡學習資源進化結構方程模型，可以清晰地揭示不同資源進化影響因素之間的因果關系和相關關系，幫助研究者理清不同影響因素對資源進化的貢獻和影響程度。系統動力學分析則可以彌補結構方程模型無法進行動態演化分析的局限，通過構建網絡學習資源進化系統流圖，實現對資源進化影響因素與進化趨勢的動態演化分析。這種方法可以更全面地了解網絡學習資源的發展階段和網絡分布規律，并在更大的時間范圍內觀察資源進化的動態變化過程。綜合運用系統動力學仿真分析和結構方程模型，可以融合“機器＋數據＋人”的集體智慧，突破單一手段進行規律識別的局限。通過這種綜合方法，研究者可以發現多模態網絡學習資源群體進化的影響因素及其作用機制，深入了解資源進化的發展階段和演化規律，為教育政策和資源優化提供更有價值的指導和支持。

3.資源進化質量的動態監測與評估反饋

大規模開放協同環境為網絡學習資源的高效管理帶來了新的挑戰。基于瀏覽量與評分排名的傳統管理方法存在監管結果不客觀、不全面、不及時等缺點，難以保證高質量資源的持續生成與進化。融合新技術對資源進化質量進行動態監測與評估反饋，既能夠豐富資源進化預警技術的研究成果，又能夠實現對學習資源的迭代優化，是提升資源管理效能的重要手段。對資源進行質量監測與評估反饋，首先需要制定資源質量評價指標，如編輯數、關聯數、評論數、用戶體驗度等，以量化資源質量，為后續評估提供依據；再基于評價指標，建立科學、合理的學習資源進化質量評估體系，包括評估方法、評估流程、評估標準等，確保評估結果客觀、公正、可靠；接著依據評估體系收集資源建設過程中的數據，比如編輯記錄、用戶交互行為等；然后采用機器學習、深度學習等技術對收集到的數據進行分析和處理，實現對資源質量的自動化評估，并生成資源進化質量監測報告；最后利用社會認知網絡分析理解資源進化過程中的社會互動和知識傳播網絡，從而更好地評估資源的質量和影響。通過融合這些方法，可以實現對網絡學習資源進化質量的動態監測和評估反饋，及時發現資源的質量問題和進化趨勢，為資源的持續生成和優化提供重要支持。同時，這種自動化的評估方法也能夠減輕人工管理的工作負擔，提高資源管理效率和精確度。

4.資源關聯網絡的演化過程與機制

關聯進化是網絡學習資源進化模式之一，與內容進化相比，關聯進化更加抽象、復雜。現階段，研究者主要通過基于資源內容的關聯、用戶行為的關聯以及社交網絡的關聯來構建學習資源關聯網絡并揭示資源關聯進化過程。但這些方法過分依賴人工干預和數據質量，難以保證關聯關系的準確性。因此，利用新理論與新技術構建資源關聯網絡，精準追蹤學習資源進化狀態，及時反映學習資源的變化和用戶的需求成為新的發展趨勢。未來研究可以將采集到的大規模資源進化數據作為樣本，設計資源關聯準則，如基于語義、標簽、內容相似度等，提取資源關聯信息。同時利用機器學習、自然語言處理和圖論等技術，構建更復雜的網絡模型，挖掘資源關聯網絡的演化過程與機制。基于復雜網絡理論和方法，可以更好地識別網絡學習資源復雜關聯網絡的結構樣態與分布特征，通過計算資源進化關聯網絡中的群組數量、規模等，并對不同級別資源群組的進化指標進行比較分析，深入了解資源進化群體的影響因素，進而厘清群組規模、網絡密度等變量對資源群體進化的具體影響。綜合運用上述方法，可以為網絡學習資源進化關聯演化模式和過程研究提供新的思路和手段。深入探究網絡學習資源關聯進化的機制和規律，有助于更好地優化資源管理和滿足用戶的學習需求，推動網絡學習資源的持續發展和創新。

五、總結與展望

實現優質資源的供給是教育數字化轉型的重要任務之一。隨著微課、MOOC等多種形態資源的涌現，大規模、多模態、群智化、可進化成為網絡學習資源建設的新趨勢。網絡學習資源進化研究作為一個新興的研究方向，在推進高質量數字資源建設與科學管理方面可以發揮重要支撐作用。本研究系統梳理了國內外網絡學習資源進化的研究進展、研究難題及研究趨勢，對于引導和深化網絡學習資源進化研究具有積極的推動作用。未來應更多聚焦資源進化難題，采用更加多元化的研究方法，融合生成式人工智能等關鍵技術，開展網絡環境下大規模、長周期、多樣態的學習資源進化研究，以期產出更多標志性的基礎和應用研究成果，助力學習型社會和學習型大國建設。

參考文獻：

[1]陳麗，何歆怡，鄭勤華等（2023）.重構認識論基礎：成人終身學習的新知識觀[J].現代遠程教育研究，35（1）：3-9，19.

[2]陳麗，鄭勤華，徐亞倩（2022）.知識的“技術”發展史與知識的“回歸”[J].現代遠程教育研究，34（5）：3-9.

[3]丁繼紅，劉華中（2018）.大數據環境下基于多維關聯分析的學習資源精準推薦[J].電化教育研究，39（2）：53-59，66.

[4]付道明（2016）.泛在學習系統中知識流模型及其傳播動力學機制研究[J].電化教育研究，37（9）：14-21.

[5]何向陽（2015）.用戶參與網絡信息資源再生影響因素的實證研究[J].遠程教育雜志，33（5）：88-96.

[6]晉欣泉，姜強，趙蔚（2022）.基于系統動力學的知識建構行為演化博弈模型及仿真分析[J].遠程教育雜志，40（1）：103-112.

[7]柯清超，林健，馬秀芳等（2021）.教育新基建時代數字教育資源的建設方向與發展路徑[J].電化教育研究，42（11）：48-54.

[8]劉鵬（2022）.R語言（第2版）[M].北京：清華大學出版社：87.

[9]龍友華，賀苗苗（2023）.教育部：國家智慧教育平臺用戶覆蓋200多個國家和地區[EB/OL].[2023-04-25].http：//www.moe.gov.cn/jyb_xwfb/xw_fbh/moe_2606/2023/cfh_0209/baodao/202302/t20230209_1043261.html.

[10]羅志成，付真真（2008）.外部因素對維基百科序化過程的影響分析[J].圖書情報知識，（3）：28-33.

[11]米橋偉，楊現民，李康康（2023）.如何識別網絡學習資源的進化狀態——一種基于信息體量的量化表征方法[J].現代遠程教育研究，35（1）：103-112.

[12]牟智佳，王衛斌，李雨婷等（2018）.MOOCs環境下個性化學習需求預測建模與仿真——系統動力學的視角[J].電化教育研究，39（11）：29-37.

[13]歐陽奕孺，周政（1987）.微分動力系統概論[J].系統工程理論與實踐，（2）：61-66.

[14]屈寶強，屈麗娟（2013）.基于復雜網絡視角的文獻資源共享分析框架[J].情報科學，31（3）：27-30.

[15]孫振領（2011）.知識生態系統進化機制研究[J].情報雜志，30（6）：152-155.

[16]滕廣青，賀德方，彭潔等（2016）.基于網絡中心性的領域知識動態演化研究[J].圖書情報工作，60（14）：128-134，141.

[17]萬力勇，黃志芳，邢楠等（2015）.用戶生成性學習資源建設的驅動因素研究——以百度百科平臺為例[J].電化教育研究，36（2）：50-57.

[18]王小根，范水娣（2018）.混合式學習環境下學習資源生成模式設計研究[J].電化教育研究，39（1）：61-67.

[19]吳思穎，吳揚揚（2010）.基于中文WordNet的中英文詞語相似度計算[J].鄭州大學學報（理學版），42（2）：66-69.

[20]徐國蘭，白如江（2023）.基于雙圖神經網絡的先序關系挖掘[J/OL].數據分析與知識發現，1-11.[2023-07-03].http：//kns.cnki.net/kcms/detail/10.1478.G2.20230508.1226.004.html.

[21]徐劉杰，余勝泉，郭瑞（2018）.泛在學習資源進化的動力模型構建[J].電化教育研究，39（4）：52-58.

[22]楊帆，吳曉蒙，趙蔚（2020）.大數據視野中資源聚合可視化的四維演化規律探究[J].廣西社會科學，（5）：72-77.

[23]楊現民（2015）.泛在學習環境下的學習資源有序進化研究[J].電化教育研究，36（1）：62-68，76.

[24]楊現民，王懷波，李冀紅（2016）.滯后序列分析法在學習行為分析中的應用[J].中國電化教育，（2）：17-23，32.

[25]楊現民，余勝泉（2011）.泛在學習環境下的學習資源進化模型構建[J].中國電化教育，（9）：80-86.

[26]楊現民，余勝泉（2013a）.開放環境下學習資源內容進化的智能控制研究[J].電化教育研究，34（9）：83-88.

[27]楊現民，余勝泉，張芳（2013b）.學習資源動態語義關聯的設計與實現[J].中國電化教育，（1）：70-75.

[28]楊現民，余勝泉（2013c）.學習資源語義特征自動提取研究[J].中國電化教育，（11）：74-80.

[29]楊現民，余勝泉（2014）.學習元平臺的語義技術架構及其應用[J].現代遠程教育研究，（1）：89-99.

[30]楊現民，袁萌，李康康（2022）.網絡學習資源進化預警模型設計[J].電化教育研究，43（5）：61-69.

[31]張青敏（2011）.基于系統動力學的網絡環境下信息生命周期演化規律研究[J].情報理論與實踐，34（5）：6-9.

[32]趙玲朗，范佳榮，唐燁偉等（2020）.智慧學習資源進化框架、模型研究——基于多目標優化視角[J].電化教育研究，41（12）：59-64.

[33]鐘麗霞，胡欽太，胡小勇等（2019）.在線課程資源動態生成與應用的影響因素研究[J].現代教育技術，29（6）：83-89.

[34]Agrawal， R.， Gunopulos， D.， amp; Leymann， F. （1998）. Mining Process Models from Workflow Logs[C]// Proceedings of the 6th International Conference on Extending Database Technology： Advances in Database Technology （EDBT’98）. Berlin， Heidelberg： Springer：469-483.

[35]Andersen， D. L.， Luna-Reyes， L. F.， amp;" Diker， V. G. et al.（2012）. The Disconfirmatory Interview as a Strategy for the Assessment of System Dynamics Models[J]. System Dynamics Review， 28（3）：255-275.

[36]Bakeman， R.， amp; Gottman， J. M. （1997） Observing Interaction： An Introduction to Sequential Analysis[M]. Cambridge： Cambridge University Press：111-121.

[37]Baker， R. S. J. D.， amp; Yacef， K. （2009）. The State of Educational Data Mining in 2009： A Review and Future Visions[J]. Journal of Educational Data Mining， 1（1）：3-17.

[38]Jazen， D. H. （1980）. When Is It Coevolution[J]. Evolution， 34（5）：611-612．

[39]Jia， C.， Shen， Y.， amp; Tang， Y. et al. （2021）. Heterogeneous Graph Neural Networks for Concept Prerequisite Relation Learning in Educational Data[C]// Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. Association for Computational Linguistics：2036-2047.

[40]Kane， G. C.， amp; Ransbotham， S. （2016）. Research Note—Content and Collaboration： An Affiliation Network Approach to Information Quality in Online Peer Production Communities[J]. Information Systems Research， 27（2）：424-439.

[41]Lampe， C.， Wash， R.， amp; Velasquez，" A. et al. （2010）. Motivations to Participate in Online Communities[EB/OL]. [2023-04-25]. http：//www.rickwash.org/papers/pap1604_lampe.pdf.

[42]Lerner， J.， amp; Lomi， A. （2019）. The Network Structure of Successful Collaboration in Wikipedia[EB/OL]. [2023-04-26]. https：//scholarspace.manoa.hawaii.edu/server/api/core/bitstreams/71dde49c-5f48-4725-8f21-b57b7c69f0a8/content.

[43]Liu， J.， amp; Ram， S. （2011）. Who Does What： Collaboration Patterns in the Wikipedia and Their Impact on Article Quality[J]. ACM Transactions on Management Information Systems （TMIS）， 2（2）：1-23.

[44]Pan， L.， Li， C.， amp; Li， J. et al. （2017）. Prerequisite Relation Learning for Concepts in MOOCs[C]// Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Vancouver， Canada： Association for Computational Linguistics：1447-1456.

[45]Rafaeli， S.， amp; Ariel， Y. （2008）. Online Motivational Factors： Incentives for Participation and Contribution in Wikipedia[J]. Psychological Aspects of Cyberspace： Theory， Research， Applications， 2（8）：243-267.

[46]Smith， J. M. （1993）. The Theory of Evolution[M]. Cambridge： Cambridge University Press：1-14.

[47]Wang， P.， Li， M.， amp; Li， X. et al. （2021）. A Hybrid Approach to Classifying Wikipedia Article Quality Flaws with Feature Fusion Framework[J]. Expert Systems with Applications， 181：115089.

[48]W?hner， T.， amp; Peters， R. （2009）. Assessing the Quality of Wikipedia Articles with Lifecycle Based Metrics[EB/OL]. [2023-04-26]. https：//www.opensym.org/ws2009/Proceedings/p116-woehner.pdf.

收稿日期 2023-07-06 責任編輯 汪燕

Evolution of E-Learning Resources： Research Progress， Problem Analysis and Trend Analysis

YANG Xianmin， YANG Yupeng， MI Qiaowei， ZHOU Lihua， LI Xin

Abstract： The construction of e-learning resources is transforming from a high-speed growth phase to a stage of high-quality development， with an increasing demand for dynamic updates and continuous evolution of resources. The evolution of e-learning resources， as an emerging and interdisciplinary research direction， plays a crucial role in promoting the high-quality construction of resources and the efficient scientific management. Currently， the evolution of e-learning resources， in terms of research topics， mainly focuses on factors influencing resource evolution， evolutionary technologies， evolutionary mechanisms， evolutionary patterns， and evolutionary warnings. In terms of research methods， it involves the Delphi method， social network analysis， system dynamics simulation， machine learning， differential dynamic systems， time series analysis， lag sequence analysis and process mining. Although in recent years， researchers from various disciplinary perspectives have achieved fruitful research results in factors， patterns， technologies， and rules affecting the evolution of e-learning resources， the practical effectiveness reveals that there are still some real challenges to be urgently addressed due to the diversity of e-learning resources and the complexity of the system. These challenges include issues such as the multimodal challenges of resource evolution， data analysis challenges in resource evolution， system simulation challenges in resource evolution， and challenges in identifying and verifying the rules of resource evolution. Supported by new technologies and methods， the future evolution of e-learning resources will exhibit four major research trends： evolving from text-based resource to multimodal resource， simulation computation for resource evolution guided by system dynamics， dynamic monitoring and evaluation feedback of resource evolution quality， and the evolution process and mechanisms of resource-associated networks.

Keywords： E-Learning Resources; Evolution of Learning Resources; Multimodal Resources; Simulation Computation; Evolutionary Patterns