我们见过川流不息的车流，也见过滔滔不断地江河，生物界中存在能量的流动，网络空间存在用户的集体注意力流动，在复杂系统中这些现象均可以用“流网络”的方法研究。在近年兴起的在线教育领域中，研究者发现集体注意力流网络在分析在线学习者行为特征方面也能大显身手。来自北京师范大学的张婧婧教授、博士生高明和张江教授就通过构建在线学生的集体注意力流网络，分析了辍学者的行为特征，并对在线教学的设计给出了参考建议。
Leo | 作者
高明、张婧婧 | 审校
邓一雪 | 编辑
生态系统中能量沿着食物链食物网流动，国际贸易体系中产品沿着经贸网络流动，产业分工中利润沿着价值链流动……许多复杂系统难题，站在“流”的视角看就会一目了然。
互联网同样可以用流和网络的视角来看：大量用户在网络上产生连续动作（点击、回复、评论、停留），于是人类有限的注意力就在互联网中形成了流动，不同的网站应用相互竞争、此消彼长。这种流动反映了人类集体的兴趣转移，因此流网络方法已经在计算广告、Web挖掘等场景大量应用。
作为互联网的典型服务，大规模开放在线课程（MOOC）被寄予厚望，但教学网站想要吸取学生有限的注意力资源并非易事，多数MOOC的学习完成率都低于10%。因此分析注意力流动的规律、获知学生在网络环境下的学习模式，将有助于教师和学习平台更好的设计课程，更好的满足学习者的需求。而注意力流网络方法，恰能助力在线课程分析。
近日，北京师范大学教育学部远程教育研究中心的张婧婧教授、博士生高明和系统科学学院的张江教授就以学堂在线（xuetangX.com）上的一门课程为例，基于集体注意力流网络方法使用学习者点击流数据，对辍学者的集体注意力进行建模，分析了辍学者的注意力在学习资源之间流动的规律，为我们认识辍学者的学习提供了一个新的视角，同时也为线上教学资源的设计与组织提供了新的参考思路。该论文与 2021 年 3 月 18 日发表在教育类高水平期刊 Computers & Education（SCI/SSCI, IF:5.296, Q1） 上。
The learning behaviours of dropouts in MOOCs: A collective attention network perspective
论文网址：https://www.sciencedirect.com/science/article/abs/pii/S036013152100066X
在该研究中，研究者选择了由清华大学开设的《心理学导论》课程，并且对该课程的 2018年秋季学期这一轮的课程数据进行分析。
图1. 《心理学概论》课程学习页面（图片来源：学堂在线）《心理学概论》是国内第一门关于心理学领域的MOOC，有着较好的口碑。按照学堂在线的运行模式，每年分”春”、“秋”两季开设课程，例如：《心理学概论》(2015 春)、《心理学概论》(2017 秋)。该课程共设十三个章节，除最后一章节是期末考试以外，每一章节都包含授课视频和测试习题。同时，用户也可以利用网站提供的功能查看授课大纲、公告信息、学习进度以及参与论坛讨论。在用户按要求完成每周习题和期末考试后，就可看到自己的分数反馈，以及学习进度（加权总分）。一般而言，总分数60分以上的用户会被认为完成了学习要求、达到了“及格”线。
在2018秋季的学期中，共有近1万名用户注册了该门课程，在排除因数据缺失等原因造成的无效数据后，共有2161名用户留下了完整的信息记录。在其中，研究者将未参加期末考试的1892人视为了辍学者。据此定义，辍学率大约为88%，尽管对于线下教学而言，这样的比例高得吓人，但其实对于一门没有入学门槛的MOOC课程而言并不奇怪。在线学习“辍学者”他们的学习需求通常具有多样性且遗留在平台学习行为数据稀缺，在使用传统的分析模型揭示在线学习规律时，往往将这类学习者的行为予以剔除或者是被视为“异常值”未给予考虑。另外，传统的社会网络模型也无法解释因辍学者以极其灵活、自由的方式加入和离开 MOOC所导致的急剧不平等的参与模式，因此研究者设计了一个开放的集体注意力流动网络模型来分析辍学者的学习。
2. 在线学习空间：
网课中的注意力积聚、流转与耗散
研究者认为，在线课程所提供的教学资源构成了一个全新的学习空间（Online Learning Space）。而学习者在不同的资源链接间的点击跳转行为就形成了他们的注意力流动。进而，研究者为这张注意力转移图添加上学习空间以外的源节点和汇节点，就构成了一张在线学习者的注意力转移图。
因此，一个完整的注意力流动过程我们可以理解为：学习者的集体注意力，从线下空间（Source）积聚（accumulation）进入向在线学习空间，并通过点击浏览不同的学习资源在资源之间流转（circulation）。最终，学习者离开学习平台，离开学习空间，注意力耗散（dissipation）进入线下空间。在前期的研究中，他们发现，学习者集体注意力在在线学习空间不同资源间流动时，实际上与生物系统中能量在不同营养级中的流动类似，学习者的注意力约以26%的速率逐级消耗。学习者有限的注意力更多的分配在前面学习的内容上，越是后面的学习内容，学习者分配的注意力也越少。
图3. 生态系统中的营养层级与学习空间中的注意力流动示意图
根据研究者的统计发现，大约有一半的辍学者是在期中以前注册课程的。而同时，即便是在课程结束以后，也仍然会有学习者来注册课程。因此，研究者认为，学习者是在按照自己的学习进度来利用在线的学习资源。此外，长尾显现同样在网络课程中得以体现。根据研究者的统计，只有少部分的学习单元与章节获得了足够多的注意力，而且大多数的在线学习时长都较短。
图4. 单次在线学习时长、学习单元访问人次与频率的统计图
进而，研究者也根据学习者的访问数据绘制了在线学习资源之间的注意力流动图，除了由研究者自行添加的源节点与汇节点外，“课程信息”与第一单元的第一章节是最常被学习者访问的学习资源。一方面，研究者认为，这表明在线学习者会根据课程信息栏与概述视频来了解该课程的基本信息并判断自己是否要进行学习；而另一方面，这可能也与学习网站设计的跳转引导逻辑相关。这也提示我们，网站平台与课程的设计其实可以利用相关的技术设计来引导学习者的注意力流动。
课件类的教学资源作为一门课程主要授课内容的载体，其受到学习者最大的关注并不意外。而在研究者对学习资源进行层次聚类分析后，他们也发现除了课件等常见的教学资源外，部分未完成课业目标的学习者在一次学习时长内也会专门去访问论坛资源，这意味着部分学习者对课业目标的设定与本课程的预设目标并不相同。除此以外，研究者也注意到辍学者其实会将有限的注意力集中到部分教学资源上，从而在学习中降低注意力消耗成本。
图5. 集体注意力网络符合标度律的特征。左图是真实的注意力网络，右图是模拟生成的随机网络。
4. 拒绝被安排：
辍学者的集体注意力网络骨架差异
与随机生成的网络相比，由辍学者真实数据构建的集体注意力流网络是一个中心化的网络。研究者认为部分辍学者并不是未能完成学业，而是将有限的注意力集中到自身所偏好的学习资源上。
在这次研究中，研究者通过对集体注意力流网络的最小生成树进行了分析，也由此意识到在线学习中的测验其实是很好的教学支持资源。在线下教学中，学生的学习往往是先学习再练习、测评。而对于在线环境来说，课程的授课资源与测验问题往往会同时给到学习者。学习者就可以根据测验问题，在测验题目的引导与反馈下组织自己的学习，这样我们就会看到以测验问题为中心的网络结构。
图6. 集体注意力流网络的最小生成树，图中星号表示测试与考试章节，左下方小图表示模拟生成的随机网络。
测验其实是在在线学习中对师生互动的补充，在线课程的设计者完全可以改变“先教后考”的教学模式，将测验作为在线教学的一类学习支持服务，引导初学者学什么，去哪里学，从激活学习者先验知识的角度来说，这也与“有效失败”这一理念近似。
面对MOOC这样开放的在线学习环境，我们无法准确的获知学习者身份背景、与学习状态等。不同于校园学历教育的“毕业大如天”，在线课程的证书效力也客观上使得课程的设计者无法要求学习者的学习目标应与课程目标相一致。或许学习者所生成的集体注意力流网络就为我们分析学习者的行为模式，推断学习者的学习目标提供了有力的支持。来自流网络领域的研究成果也有助于我们去改变对在线教育的态度与成见，并设计出更利于在线学习模式的课程。
Zhang, J., Lou, X., Zhang, H., & Zhang, J. (2019). Modeling collective attention in online and flexible learning environments. Distance Education, 40(2), 278–301. https://doi.org/10.1080/01587919.2019.1600368
Zeng, S., Zhang, J., Gao, M., Xu, K. M., & Zhang, J. (2020). Using learning analytics to understand collective attention in language MOOCs. Computer Assisted Language Learning. https://doi.org/10.1080/09588221.2020.1825094
张婧婧, & 杨业宏. (2019). 在线学习中的幂律法则：基于开放与平衡流系统的新指标. 远程教育杂志, (4), 96–105. https://doi.org/10.15881/j.cnki.cn33-1304/g4.2019.04.011
集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅：
点击“阅读原文”，追踪复杂科学顶刊论文
