张婧婧 杨业宏丨MOOCs话语的主题分布与演化发展

【刊载信息】张婧婧,杨业宏.2021.MOOCs话语的主题分布与演化发展. 中国远程教育(9):59-68.

【摘要】作为具有影响力的社交媒体之一，微博已然成为社会科学研究中数据来源的重要渠道。本研究在新浪微博上提取转发与评论量较高的用户作为具有影响力的公众，基于他们之间的转发关系进行社会网络分析发现，在过去八年中影响中国MOOCs话语导向与发展的机构、名师、名人圈已经形成，表现为互助互惠的话语关系，他们对中国MOOCs的话语导向与发展具有集团效应，并未局限于明星效应。采用数据挖掘方法对发帖文本进行主题聚类与演化建模发现，从2012年至2019年对MOOCs关注的热度没有减退，但在2015年前后MOOCs话语中的主题发生了显著变化。在MOOCs发展的初期，在主流话语体系中尚且存在学习微观层面上草根学习者与同伴互助的声音，但是在2015年后考试类、技术类的MOOCs和与市场需求相匹配的MOOCs逐渐在微博的主流话语体系中占据重要席位。这或许意味着公众的期望正在从MOOCs对高等教育“颠覆性变革”转变为以职业教育或是教育培训为主的MOOCs建设中来，并从赋予学习者开放与灵活的学习机会逐渐转变成为学习者提供获取学分与证书的教育途径。

【关键词】MOOCs；微博；数据挖掘；社会网络分析；主题聚类；主题演化；概念网络；社交媒体

一、

引言

在我国，在线教育正在经历一个重要的时期。以大规模开放在线课程（Massive Open Online Courses，MOOCs）为代表的在线教育兴起，使得由数据驱动的学习分析与基于教育数据挖掘的战略研究成为可能。MOOCs对“互联网+”时代最重要的贡献表现为其“破坏性创新”引发了公众对在线教育的热议，并开始转变为“持续性创新”（梅西尔, 等, 2019）。有关MOOCs的讨论在学术文章、会议宣讲、传统报纸以及网络社交媒体（如博客与推特）上广为传播，Coursera、edX、Udacity与学堂在线企业的崛起更是引发了大众媒体对MOOCs的关注。抛开各方阵营对MOOCs教与学的争议，MOOCs自身所积聚的聚光灯超越了人类历史上任何一项教育创新。

公众对MOOCs的热议往往超过了实际学习者在学习参与中的讨论。社交媒体上除了留下MOOCs学习者的学习数据外，大量公众对MOOCs的回应，机构为推动MOOCs的发展与吸引更多学习者参与所发布的信息也保留了下来。这些公众围绕MOOCs方方面面留下的数据往往多于草根学习者的学习数据。事实上，MOOCs并不是全新教学法的代言人，也不是教育公平的助推手，它所扮演的最重要的角色恰恰似一根导火索引发了“互联网+”时代公众对高等教育展开最为激烈、紧迫的讨论。讨论数量之多、范围之广和议题变化之快，以及讨论所产生的大量文本数据和参与讨论的公众留下的数字足迹，都在一定程度上成为“互联网+”时代教育数据的一部分，对这些数据进行充分挖掘，可以从社交媒体视角认识MOOCs的过去，并预测未来的发展走向。

鉴于此，本研究选取新浪微博作为案例，采集2012年1月1日至2019年12月31日246,991名微博用户共发布的394,827条包含关键词“慕课”或“MOOC”的帖子，由于MOOCs讨论中参与者身份呈现多元特征，文本数据不够纯净，讨论话题或是杂乱或是主题过于泛化。本研究提取部分转发与评论量较高的用户作为具有影响力的公众，基于他们之间的转发关系进行社会网络分析发现过去八年中对MOOCs话语导向具有影响力的人物与机构特征，以及他们之间形成了怎样的关系来推动中国MOOCs的话语发展。同时，对影响力较高用户的发帖文本进行主题聚类与演化建模来探究过去八年间公众围绕MOOCs展开讨论的行为规律与热议主题变化趋势，帮助我们更好地理解与预测MOOCs未来的发展走向——MOOCs将在多大程度上以何种形式与传统高等教育对话。

二、

MOOCs与微博

利用微博数据动态分析预测某事件的发展趋势已被大量政治学、经济学和医学领域的研究者采用。博伦等（Bollen, Mao, & Zeng, 2011）就曾通过分析微博数据来预测股票市场；萨季科夫等（Sadikov, Medina, Leskovec, & Garcia-Molina, 2011）则通过对微博帖子的分析来预测传染病的传播；威廉姆斯等（Williams, Terras, & Warwick, 2013）和齐默尔等（Zimmer & Proferes, 2014）对使用微博数据开展数据挖掘的研究做了详尽分析，强调微博作为社会科学研究中数据来源的重要性和必要性。

在教育学研究中，通常采用案例研究方法探讨微博作为一种支持教学交互工具的利弊。如一项关于微博在MOOCs中应用价值的研究就是从微博作为讨论平台的视角开展的案例研究（Treeck & Ebner, 2013）。还有研究者以某门MOOCs课程为例，发现社交媒体工具能够促进学习者非正式但更密切的交流（Joksimovi, et al., 2015）。通过对比MOOCs论坛和社交媒体中的学习小组，一些研究者指出使用社交媒体进行学习交流的学习者表现出更高的参与度与保有率（Zheng, Han, Rosson, & Carroll, 2016）。博兹库尔特等（Bozkurt, et al., 2016）运用社会网络分析（SNA）和内容分析方法探究了某门MOOCs课程中学习者在微博中的交互情况，发现开放在线的环境有利于学习社区的建立。国内也有研究者发现，“微博点名”这种趣味活动有利于促进学习者的在线学习交互，进而推动在线学习社区的建设（王寰, 等, 2014）。

除了以一门或几门课程为例研究微博在MOOCs中的应用之外，还有一些研究广泛收集了社交媒体平台中和MOOC相关的帖子及其讨论。通过收集和MOOCs学习相关的微博帖子，一些研究者分析了MOOCs相关讨论用户发帖的时间规律和情感特征（Zhang, et al., 2015; Shen & Kuo, 2015）；陈等（Chen, Davis, Lin, Hauff, & Houben, 2016）对比分析了五个社交平台能够识别MOOCs学习者的概率，并指出不同特征的学习者倾向于选择不同类型的MOOCs课程；还有研究（Veletsianos, 2017）对参与MOOC话题的用户进行了角色分类，分析了不同角色用户的话题参与情况。有关微博与MOOCs的研究，无论从话题的深度与广度还是研究设计上来讲差异性较大，具体可见对MOOCs和微博的系统文献综述（如：Costello, et al., 2018）。可以看出，在教育学研究中，有关微博与MOOCs的研究逐年增多，研究问题与方法百花齐放，将微博作为数据来源进行数据挖掘的研究近年来开始受到重视，尚需给予足够的支持与关注。

三、

研究方法

（一）案例与数据选取

《2018微博用户发展报告》显示，创办于2007年的新浪微博作为国内微博的代表，到2018年底月活跃用户增至4.62亿，日活跃用户增至2亿，日均文字发布量1.3亿用户（新浪微博数据中心, 2018）。用户利用微博平台发表言论，产生大量丰富的文本数据。这些文本数据不同于访谈和问卷数据，更加真实地反映了普通公众对社会某一事件或问题的看法，使得对这些在线数据进行挖掘具有重要的意义。

本研究使用selenium 自动化驱动浏览器模拟人工浏览网页的方法，以天为单位，以“MOOC”或“慕课”为关键词进行爬虫抓取。出现第一条含有MOOC关键词的微博帖子为2010年9月26日，2010年仅有7条微博帖子，2011年有60位用户发布了76条帖子，但与MOOCs话题的相关度不高。本研究选取2012年1月1日至2019年12月31日246,991名用户发布的394,827微博帖子作为MOOCs话语的原始数据。在新浪微博平台上，公众的行为主要包括发帖、转发、评论等，在宏观上表现为发帖量、转发量、评论量、发帖或转发时间等定量数据与发帖文本等定性数据。

在MOOCs的讨论中参与者身份多样，话语呈现不同的规范与特征。对于主题提取而言，微博平台的MOOCs文本数据并不如MOOCs学习平台的数据纯净。研究进行了大量的前期主题挖掘工作，如LDA模型和共现主题网络分析，所获取的话语主题或是杂乱无章，或是主题过于泛化。同时对关键词进行人工筛选，也在一定程度上限制了不同类型人群的语言特点。因此，对主题的挖掘与关键人物的选取，本研究选取部分被转发量和被评论量较高的用户作为具有影响力的用户，并对他们的帖子进行主题提取。尽管这些用户并不能代表所有参与发帖的用户，但是因为他们的帖子受到较多的转发与评论，可以认为在很大程度上对MOOCs的话语产生了较大的影响。

如图1转发量和评论量直方图所示，大部分帖子的转发量和评论量位于较低水平（图中去掉了转发量小于3或评论量小于3的帖子），选取转发量50为阈值，选取评论量10为阈值。为对用户的发帖数量进行一个最小限制，本研究选取发布两条及以上转发量或评论量大于阈值的用户，共419名具有影响力的用户，发布的18,432条帖子作为原始数据。同时，为探究对中国MOOCs话语导向与发展影响的重要人物与机构，选取转发量与评论量排名20以内的用户，共27位，根据所发10,149条帖子中1,239条帖子所包含的转发关系，使用Gephi中的ForceAtlas2进行社会网络可视化，并提取该社会网络中的强连通图进行探究。

图1 频率分布直方图（a为转发数量的帖子频率分布直方图，b为评论数量的帖子频率分布直方图）

（二）主题聚类与演化发展

在对18,432条帖子进行分析的过程中，使用了pkuseg的web分词模型进行分词和对名词、动名词提取语词。语词之间的关系由点互信息（pointwise mutual information，PMI）来衡量（Bouma, 2009），也就是话语中两个语词共同出现的概率与他们分别出现的概率比值的均衡处理。概念使用语词为自我（ego）的个人中心网络来表征其内涵，那么概念间的关系并非个体语词间的关系，也不是单纯的语词共现关系，使用Weeds和Weir（2005）提出的分布式相似度来计算。概念间的关系拓展到多概念的关系，即形成概念网络（如图3所示）。概念所处丰富的语境使得概念网络形成稠密不同的结构，需要对概念网络进行稀疏化处理（Rulea, Cointet, & Bearman, 2015），从网络结构中识别核心主题，最终形成有意义的概念网络。最后，使用计算复杂度较低的Louvain社区检测算法（Blondel, Guillaume, Lambiotte, & Lefebvre, 2008）识别概念网络中可能形成的主题团，以概念网络的子集合来表示。

为探究MOOCs话语的发展与演化，在单位年中，主题以向量形式表示。采用巴氏相似度（Fukanaga, 1990）来衡量邻接时间段两两主题团间的相似度。相似度越大表示两大主题中不仅有较多同一的概念，而且这些概念还具有极为相似的贡献度的分布。相似度足够大的主题才意味着主题间具有演化的可能。采用桑基图来可视化话语中主题的演化，横轴为时间，不同年份上的柱状条代表该时期的某一主题，柱条的长度表示主题中概念的多少，主题的命名由贡献度最大的两个概念来表示。在任意相邻的时期，主题的演化如同水流一般动态地从左至右发生改变，可能合并或是分岔等，流动域的宽度表示前后主题间关系的强弱（如图4所示）。

四、

研究结果

（一）MOOCs话语的年度增长趋势

从2012年至2014年，新浪微博上含“MOOC”或“慕课”关键词的帖子数呈指数级增长，2014年猛增至62,162条，随后保持在相对稳定的数量，尤其是从2012年到2013年增长量高达约27,000条。从2014年至2019年，含“MOOC”或“慕课”关键词的帖子数量长期维持在较高水平。从总体来看，这一时期所发布的帖子共有365,723条，也就是说92.6%的MOOC帖是在2013年以后发表的。

从2013年开始，用户量增长速度明显加快，在两年间从“百”一级的用户量迅速增加到“万”一级（如表1所示）。其中单日最高人次也逐年递增，从2013年的单日最高409人次，到2014年的790人次，2015年的868人次，2016年的979人次，2017年的1,090人次，逐渐上涨到2018年的单日最高1,426人次，2019年的998人次。从年度用户总量上来看，从2012年至2014年用户分别为677、19,877和42,313人，呈现逐年增加的趋势，从2015年至2019年用户分别为38,820、31,801、30,025、40,365和57,886人，之后五年虽略有浮动，但是基本保持在用户数量较多的状态并且呈现增长趋势。

表1 2012—2019年用户数量和微博帖子数量统计

（二）MOOCs话语的转发与评论

从2012年1月1日至2019年12月31日，在39万多条含有“MOOC”或“慕课”关键词的帖子中，有282,166（71.5%）条原始帖和112,661（28.5%）条转发帖。我们对原始帖进行了进一步分析，发现在282,166条帖子中被转发的只有30,806条，仅占10.9%。另外，转发帖中仅有11,003条帖子（9.8%）再次被转发。所有帖子的平均转发频次为3.2次。这表明，新浪微博平台上有关MOOC的大部分帖子没有被广泛传播，只是在较小范围内传播。

（三）MOOCs话语中具有影响力的用户与其社交网络

为探究对中国MOOCs话语导向与发展影响的重要人物与机构，选取转发量与评论量排名20以内的用户与其发布的帖子进行可视化分析。如表2所示，对转发量与评论量高的具有高影响力的用户进行比对，mooc-mooc（果壳MOOC学院官方微博）、慕课网（IT技能在线实战学习平台）、中国大学MOOC等MOOCs官方用户无论在转发量还是评论量方面均占据靠前位置。同时，姬十三（大V，果壳网CEO）、北京大学李晓明（教师）、浙江大学苏德矿（教师）、网路冷眼（技术分享类大V）、资源掌柜等大V和教师在有关MOOCs讨论的转发和评论互动中也具有较高影响力。此外，分别从转发量和评论量来对比各自特有的高影响力用户（底色为灰色的用户），转发量靠前的特有用户多为大V和官方用户，而评论量靠前的特有用户多包含教师和普通用户。这在一定程度上说明，教师和普通用户在帖子转发（话语传播）方面较官方与大V的影响偏低，而所发的帖子对MOOCs的话题讨论与交流具有一定的优势。

表2 转发量与评论量居多的用户（标注底色的用户为每种排名特有的）

图2为以上27名具有影响力用户的社会网络关系图（上），为这些用户所发的10,149条帖子中1,239条转发帖所包含的转发关系生成。节点越大表明该用户被转发的次数越多。该网络图平均度数为1.17，直径为7，密度为0.003，说明该网络图较为稀疏，可能与网络图的社区结构特征有较大关系。网络图的模块化系数为0.671，形成了11个子团。如图2（下）所示，社交网络中的一个最大的强连通子团包括了在从2012年至2019年MOOCs官方、大V、教师之间所形成的相互转发与共生关系。其中，姬十三（大V，果壳网CEO）、北京大学李晓明（教师）这两位个体用户与其他的MOOCs官方用户（如中国大学MOOC、网易公开课、学堂在线）形成了紧密互惠的转发关系，这在一定程度上映射出在从2012年至2019年机构、名师、名人对MOOCs发展起到了推动的合力，真正影响中国MOOCs话语导向与发展的机构、名师、名人圈已经形成，而且形成了互助互惠的话语关系。

如图2（上）所示，还有一些有影响力的用户各自形成了以自己为中心的话语圈子，这些子群多呈现出星状，而非密度较大的网络结构。一些用户转发他人比较多但是被较高影响力用户转发较少，如社交网络图中左下角的浙江大学苏德矿。一些用户则在转发别人的同时也受到了很多转发，如MOOC学院、姬十三、网易公开课、北京大学李晓明等。

图2 MOOCs讨论中较高影响力用户的社交网络（上图为整体转发关系，下图为强连通图）

（四）MOOCs话语的主题分布

为探究MOOCs话语的主题分布，对419名较高影响力用户所发布的18,432条帖子构建概念网络图。如图3所示，MOOCs话语聚类为考试课程、名师课堂、医疗课程、声乐课程、计算机课程、财经课程、商业模式、网课代刷八大主题。其中，“商业模式”和“计算机课程”之间的聚类为“计算机课程”的子团，所以不对该团体命名。这些主题分布在一定程度上反映了英语考试、考研、财经类、计算机类、医疗类、声乐类、名师类MOOCs课程等比较受大众喜爱。并且，公众十分关注MOOC的商业发展模式。如图3所示，引领每个主题讨论的大多为相关领域的官方和大V账号，普通用户和学校教师虽在各个主题中略有分布但占比较少。唯一例外的话题是“名师课堂”，与该主题名称相对应，学校教师在这个话题上更有影响力。如慕课网是一个IT技能在线实战学习平台，它在微博中倾向于参与计算机课程的讨论，像数据结构、Python、Java等新课推荐；中国远程教育杂志是《中国远程教育》杂志社的官方账号，主要关注教育尤其是远程教育方面的事件和新闻，在MOOC的商业模式讨论方面参与度较高；浙江大学苏德矿是浙江大学教授，他在微积分课程里添加了唱歌说段子等元素，他的课程受到央视新闻和广大网友的推广和喜爱。同时可以发现，每个主题中突显出的话语贡献者，除mooc-mooc、慕课网、浙江大学苏德矿、戴你唱歌、资源掌柜、中国大学MOOC、学堂在线、网路冷眼等用户之外，大部分用户从综合评价上来看话语影响力排名并不靠前（如表2所示）。这说明在MOOCs话语的导向上，既存在重要的核心圈子引领全局的MOOCs话语，同时也存在聚焦MOOCs某一主题的话语引领者。

图3 MOOCs话语的概念网络图（显示与主题相关的排名前5的用户：官方用户标注“**”，大V博主标注“*”，教师标“T”，普通用户无标注）

（五）MOOCs话语的主题演化

本研究以年为单位探究419名较高影响力用户所发布的18,432条帖子，从2012年至2019年MOOCs话语主题的演进、分流、合并、消失和重组。如图4所示，2012年发帖中的概念数量较少，且仅包含33条帖子。这一年的帖子大多在讨论MOOC是什么，以及它即将带来的新的可能及其颠覆性。我们也可以观察到，2012年开始出现一些有关学习层面讨论的主题，表明一些先行者已经开始在北美出现的xMOOCs上进行学习。从2013年开始，也是国内北京大学、清华大学等名校开始开设MOOCs（如清华大学开设“电路原理”），微博上有关MOOCs的发帖量与主题明显更加丰富。这一年，公众的话语主题聚焦于小组学习（“时间”和“作业”）、MOOC学分学位与商业模式（“学分”和“模式”）等，开始关注国内名校MOOCs平台和课程（“电路”和“学堂在线”）。可以看出，在2013年，其实也是我国MOOCs发展的初期，高影响力的用户就已经开始关注并推动MOOCs学分和模式的讨论，但进入2014年，有关学分和MOOCs模式的话语与“时间”和“作业”一起汇入“网友”和“心得”，即普通网友分享自己通过MOOC学习获得成功的故事。随着2014年“网友”和“心得”主题团的消失，有关学分和模式的讨论逐渐消退。在2013年，“电路”和“学堂在线”主题团，在2014年演变为“课堂”和“教学”主题团，彰显了这一时期对课堂教学建设的重视。同时，这一年的“新课”和“游戏”和“课堂”和“教学”两大主题团在2015年共同汇入“教授”和“世界”主题团。结合2015年后该主题的话语变化可发现，国内名校课程和世界各地的名校课程打破了传统高校的围墙，为学习者提供了更多的学习机会，更加重视围绕一组课程的“专业”建设和能力培养，并关注讲授的教师与课堂教学的混合式教学和翻转课堂。

2014年出现更多的MOOCs新课（“新课”和“游戏”，“联盟”和“感兴趣”），这与国内高校开始不断参与MOOCs课程和平台的建设有关（“电路”和“学堂在线”）。在这些新课中，大量计算机类课程已初具规模（“算法”和“程序”），直到2018年计算机类课程都一直受到较多公众的关注，可以看到从2014年的主题团“算法”和“程序”扩展为2015年的“代码”和“开发”，缩小至2016年的“实战”和“技巧”，后稳定发展为2017年和2018年的“实战”和“项目”和2019年的“实战”和“专栏”。同时，2014年出现了“联盟”和“感兴趣”的主题团，在微博这样的社交媒体上更易于拉近草根学习者与名师和官方MOOCs的距离。可以看出，这些大V、名师、名人、机构在2014年开始尝试使用草根学习者更易接收的表达方式和更基础的课程内容来推动MOOCs的发展。

另外，2013年和2014年，在MOOCs发展的初期，主流话语体系中还有“时间”和“作业”、“网友”和“心得”、“感兴趣”和“联盟”这样在学习微观层面上有关草根学习者的学习与同伴互助的内容，但是在2015年以后这些主题团都消失了，取而代之的是大V和官方MOOCs对不同类型的MOOCs的推广与介绍。2015年，以“戴你唱歌”大型网络声乐慕课为代表的大众艺术类课程受到公众的广泛讨论和传播。2016年，人卫慕课的护理学类课程得到较多讨论和关注，这与公众对健康与医疗较多的科普需求具有一定关系（“疾病”和“患者”）。另外，2016年和2017年，浙江大学教授苏德矿的微积分课程因其生动有趣得到大家的喜爱与学习。2017年、2018年和2019年，托福考试类MOOCs课程受到大众推崇。2018年，金融证券考试类课程和考研类课程也得到了较多关注与转发。可以看出，随着时间的推移，考试类和技术类等与市场需求相匹配的MOOCs课程逐渐在微博的主流话语体系中占据重要席位。2019年，出现了代刷网课的主题，这映射出的是MOOCs提供了更多的学习机会为公众所推崇，而现在也显现出一些问题。通过网课学习，学生可以拿证书、挣学分的可能性在增加的同时，教育的诚信、伦理问题，乃至如何在互联网时代保证教育公平的问题成为现阶段急需重视的新问题。

图4 主题演化图

五、

讨论与反思

（一）社会关注度高，在交互层面上大规模参与者还未能形成一定规模的互动

尽管自2013年起微博上关于MOOCs的帖子数量骤增，MOOCs受到了公众的追捧与批判，越来越多的MOOCs学习者出现，在微博上分享MOOCs学习的心得体会（张婧婧, 等, 2019）。但是，这些初次体验MOOCs的学习者的帖子却并未受到公众的关注，大部分帖子没有任何人转发或是评论。换句话说，MOOCs引起了整个社会对它的关注，但是这种关注呈现的形式是单一个体对MOOC事件的关注，形成了看似整个社会对MOOC事件的关注。但整个社会中的大多数单一个体间缺乏信息沟通，并未能形成有利于在教学微观层面上交互，也并未能形成有关MOOCs讨论呈良性舆论发展的社区性等特征。个体对于某一事件的关注原因很多，若在一定时间内未能构建良好的讨论交互环境，对于很有可能只是突然的兴趣或好奇心促使对MOOCs关注的个体，因为没有能够得到正确的引导，随着时间的推移兴趣与好奇心必然随着新鲜事物的出现而发生转移。类似地，那些出于兴趣或者好奇心而参加MOOCs的学习者，随着兴趣的消失，极有可能放弃课程学习，成为广大MOOCs辍学者大军的一员。之前很多研究中也曾谈到这种现象，如吉拉尼和艾农（Gillani & Eynon, 2014）的一项研究表明大部分学生在在线讨论平台上开始的热情很高，但随时间推移参与热度都会逐渐降低。布林顿及其同事（Brinton, et al., 2014）也发现讨论平台的交互频率随课程的展开不断降低。凯洛格等（Kellogg, et al., 2014）曾采用社会网络分析法探索同伴支持在MOOCs学习中的表现，发现课程学习者之间几乎未曾建立相关社交网络。而道森（Dawson, 2010）的研究则表明，在MOOCs学习中，在讨论板块中受到的关注程度越高，则在以后的讨论中表现更为积极，取得的成绩更好，越不容易辍学。王慧敏和陈丽（2019）也指出，积极参与社交媒体平台中的互动，有利于促进学习者的认知加工和知识的生成。由此可见，如何更好地将微博作为MOOCs学习平台之外的社交平台来干预高辍学率，并鼓励学生更积极地参与MOOCs学习是一个值得探讨的重要问题。

（二）中国MOOCs话语的推动者形成了自我中心的集团效应

尽管大规模草根学习者并没有在新浪微博平台上形成一定规模的互动，从2012年至2019年，官方机构、名师、名人等高影响力用户对MOOCs话语的发展起到了推动的合力，真正影响中国MOOCs话语导向与发展的机构、名师、名人圈已经形成，而且表现为互助互惠的话语关系，且存在富者越富的现象。这与我们对高等院校MOOCs话语分析所发现的名校、名师、优质资源的“光环”效应的结论一致（Zhang, Sziegat, Perris, & Zhou, 2019）。在他们所形成的社交圈中，存在自我中心网络的子群，有些尚且处于以某一个体为核心的星状拓扑结构，即明星效应，这与一些新闻传播学研究的发现一致（Leskovec, McGlohon, Faloutsos, Glance, & Hurst, 2007）。但应该指出的是，在MOOCs话语推动者的集团中也出现了以官方MOOC、名师和名人为核心的强连通社交网络结构，这些高影响力用户之间形成了互惠的转发与评论关系，他们对中国MOOCs 的话语导向与发展具有集团效应或是网络效应，影响力是深远且有力的，而非仅仅是大V，或是名师，或是名人的明星效应。

一般来讲，MOOCs作为互联网时代的新产物，往往被寄予助推教育公平的期望，因为互联网社交在某种程度上可以说是一种开放、自由、平等的形态。这样的信息传播或是影响往往不受传统组织的影响，如高校、教育主管部门等。然而，可以看到的是，MOOCs话语的助推者已经开始形成了小规模的基于互惠关系的强连通网络结构，并非以往微博研究中发现的松散的关系（如：李彪, 2013）。这一发现具有重要意义，在MOOCs话语的导向发展中，可以看到是个人与社会的关系发生了一种结构性的转变，表现为名师、名人、名校的个体化趋势，这些传统组织中的具有话语权的个体借助社交媒体重构了一种新的集体组织，为互联网上的新型组织形态，与传统的象牙塔围墙、体制内体制外无关，而是校企携手的集团效应，这是“互联网+”时代的一种文化现象。同时，在未来教育新形态的发展过程中，我们应侧重建设具有互联网内涵的组织文化体系。

（三）中国MOOCs话语主题的演化受市场需求影响，未能折射出传统高等教育知识体系结构

2008年，MOOCs一词被提出（Downes & Siemens, 2008）。2011年，斯坦福大学开放其人工智能课程，共吸引了来自190多个国家的16万学习者，世界开始关注MOOCs（Barnes, 2013）。2012年，美国名校纷纷开设MOOCs课程，MOOCs开始席卷全球。而在中国，在作为重要的社交媒体之一的新浪微博上，2010年开始有少量的包含MOOC的帖子，但往往还不是指代大规模在线课程，而且在2010年至2012年数量极少，增长速度缓慢，到2013年才吸引了大量公众的关注，这一现象与中国国内MOOCs建设的时间点吻合。中国顶尖大学参与MOOCs课程建设在一定程度上带动了MOOCs在中国的发展，也使得公众更加关注这一教育浪潮对中国带来的机遇与挑战。可以看出从2012年至2019年，尽管MOOCs经历了对其“颠覆性变革”的吹捧到对其“变革神话”的破灭，在新浪微博平台上对MOOCs关注的热度并没有减退，只是有关MOOCs的话语及其发展发生了重大的变化。2015年作为一个分水岭，有关MOOCs的话语及其导向有了较大的变化。2013年和2014年，在MOOCs发展的初期，主流话语体系中还有“时间”和“作业”、“网友”和“心得”、“感兴趣”和“联盟”这样在学习微观层面上有关草根学习者的学习与同伴互助，以及对“学分”和“模式”的关注，但是在2015年以后，从显著性指标上来看，这些话语主题都消失了，取而代之的是大V，官方MOOCs对不同类型MOOCs课程的推广与介绍，主要包含考试课程、名师课堂、医疗课程、声乐课程、计算机课程和财经课程。随着时间的推移，考试类和技术类与市场需求相匹配的MOOCs课程逐渐在微博的主流话语体系中占据重要席位。这些课程并非传统高等教育中强调的基础课程或是通识课程，这类课程的传播方式还是以知识传播为主，以掌握式学习为指导，帮助学生在某一考试，或是技术、市场上有关的知识与技能，能够过关斩将，这与现阶段高等教育以能力为导向的培养方式相悖。这或许也是MOOCs从对高等教育“颠覆性变革”声中逐渐走向职业教育或是培训市场的一个重要发展路径。这与纪九梅等（2018）的研究结果一致，培训就业、就学等技能已成为慕课平台的重点业务之一。

总体来讲，从2012年至2019年MOOCs在历史的聚光灯下实现了“大课程”与“小故事”（Big course and small talk）的历史使命（Costello, et al., 2018），但尚且未真正实现“大课程”“大故事”与“大社团”教育创新时代的开启。未来，以MOOCs为代表的在线教育何时以正式身份与传统教育对话，可能就是千年来未曾变革的传统教育真正发生“颠覆性”变革的时代。

参考文献

纪九梅，王宇，欧阳嘉煜，汪琼. 2018. 慕课发展概要与未来趋势——以Coursera、edX、学堂在线、Udacity和FutureLearn为例[J]. 中国远程教育（9）：16-25.

李彪. 2013. 不同社会化媒体圈群结构特征研究——以新浪姚晨微博、草根微博和人人网为例[J]. 新闻与传播研究（1）：82-93，128.

梅雷亚德·尼克·朱拉·梅西尔，马克·布朗. 2019. 慕课同心圈式发展：从高等教育破坏性创新向持续性创新模式的转变[J]. 肖俊洪，译. 中国远程教育（3）：58-68，93.

王寰，张祖忻. 2014. “微博点名”促进在线学习交互研究[J]. 现代远程教育研究（4）：104-112.

王慧敏，陈丽. 2019. cMOOC微信群社会网络特征及其对学习者认知发展的影响[J]. 中国远程教育（11）：15-23，92.

新浪微博数据中心. 2019. 2018微博用户发展报告[EB/OL]. 摘自http：//data.weibo.com/report/reportDetail?id=433&sudaref=www.baidu.com& display=0&retcode=6102，2019-6-11.

张婧婧，王轩，沈灵亮，蒋丽平. 2019. 微博视角下的MOOCs学习特征：自主性、社会性、多样性与开放性[J]. 中国远程教育（11）：38-47.

Barnes, C. (2013). MOOCs: The challenges for academic librarians. Australian Academic & Research Libraries, 44(3), 163-175.

Blondel, V. D., Guilaume, J. L., Lambiote, R., Lefebvre. (2008). Fast Unfolding of Communities in Large Networks. Journal of Statistical Mechanics:Theory and Experiment,(10).

Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of computational science, 2(1), 1-8.

Bouma, G. (2009). Normalized (pointwise) mutual information in collocation extraction. In From Form to Meaning: Processing Texts Automatically, Proceedings of the Biennial GSCL Conference.

Bozkurt, A., Honeychurch, S., Caines, A., Bali, M., Koutropoulos, A., & Cormier, D. (2016). Community Tracking in a cMOOC and Nomadic Learner Behavior Identification on a Connectivist Rhizomatic Learning Network. Turkish Online Journal of Distance Education, 17(4), 4-30.

Brinton, C. G., Chiang, M., Jain, S., Lam, H., Liu, Z., & Wong, F. M. F. (2014). Learning about social learning in MOOCs: From statistical analysis to generative model. IEEE transactions on Learning Technologies, 7(4), 346-359.

Chen, G., Davis, D., Lin, J., Hauff, C., & Houben, G. J. (2016, May). Beyond the MOOC platform: gaining insights about learners from the social web. In Proceedings of the 8th ACM Conference on Web Science (pp. 15-24). ACM.

Costello, E., Brown, M., Mhichíl, M. N. G., & Zhang, J. (2018). Big course small talk: twitter and MOOCs—a systematic review of research designs 2011—2017. International Journal of Educational Technology in Higher Education, 15(1), 44.

Dawson, S. (2010). ‘Seeing’the learning community: An exploration of the development of a resource for monitoring online student networking. British Journal of Educational Technology, 41(5), 736-752.

Downes, S., & Siemens, G. (2008). CCK08-The distributed course. The MOOC guide, 42.

Fukanaga, K. (1990). Introduction to Statistical Pattern Recognition (2nd edition). New York: Academic Press.

Gillani, N., & Eynon, R. (2014). Communication patterns in massively open online courses. The Internet and Higher Education, 23, 18-26.

D., Graesser, A. C., Skrypnyk, O., & Dawson, S. (2015). How do you connect? Analysis of Social Capital Accumulation in Connectivist MOOCs. Proceedings of the Fifth International Conference on Learning Analytics and Knowledge (pp.64-68), ACM.

Kellogg, S., Booth, S., & Oliver, K. (2014). A social network perspective on peer supported learning in MOOCs for educators. The International Review of Research in Open and Distributed Learning, 15(5), 263-289.

Leskovec, J., McGlohon, M., Faloutsos, C., Glance, N., & Hurst, M. (2007, April). Patterns of cascading behavior in large blog graphs. In Proceedings of the 2007 SIAM international conference on data mining (pp. 551-556). Society for Industrial and Applied Mathematics.

Rulea, A., Cointet, J., & Bearman, P. S. (2015). Lexical shifts, substantive changes, and continuity in State of the Union discourse, 1790—2014 (pp. 10837-10844). PNAS.

Sadikov, E., Medina, M., Leskovec, J., & Garcia-Molina, H. (2011, February). Correcting for missing data in information cascades. In Proceedings of the fourth ACM international conference on Web search and data mining (pp. 55-64). ACM.

Shen, C. W., & Kuo, C. J. (2015). Learning in massive open online courses: Evidence from social media mining. Computers in Human Behavior, 51, 568-577.

Van Treeck, T., & Ebner, M. (2013). How useful is twitter for learning in massive communities? An analysis of two MOOCs. Twitter & Society, 411-424.

Veletsianos, G. (2017). Toward a generalizable understanding of Twitter and social media use across MOOCs: who participates on MOOC hashtags and in what ways? Journal of computing in Higher Education, 29(1), 65-80.

Weeds, J., & Weir, D. (2005). “Co-occurrence retrieval: A flexible framework for lexical distributional similarity”. Comput Linguist (pp. 439-475).

Williams, S. A., Terras, M. M., & Warwick, C. (2013). What do people study when they study Twitter? Classifying Twitter related academic papers. Journal of Documentation, 69(3), 384-410.

Zhang, J., Perris, K., Zheng, Q., & Chen, L. (2015). Public response to “the MOOC movement” in China: Examining the time series of microblogging. The International Review of Research in Open and Distributed Learning, 16(5).

Zhang, J., Sziegat, H., Perris, K., & Zhou, C. (2019). More than access: MOOCs and changes in Chinese higher education. Learning, Media and Technology, 44(2), 108-123.

Zheng, S., Han, K., Rosson, M. B., & Carroll, J. M. (2016, April). The role of social media in MOOCs: How to use social media to enhance student retention. In Proceedings of the Third (2016) ACM Conference on Learning@ Scale (pp. 419-428). ACM.

Zimmer, M., & Proferes, N. J. (2014). A topology of Twitter research: disciplines, methods, and ethics. Aslib Journal of Information Management, 66(3), 250-261.

作者简介

张婧婧，博士，教授，博士生导师，北京师范大学远程教育研究中心（100875）。

杨业宏，硕士研究生，北京师范大学教育技术学院（10875）。

基金项目：本文系2019年国家自然科学基金“在线教育中的集体注意力研究”（项目编号：61907004）的阶段性研究成果。

责任编辑：韩世梅

2021年第9期目次