高明 等 | 当他们“潜水”时，他们在关注什么？——联通主义在线课程“潜水者”集体注意力流演化建模分析

关注“在线学习”

获取更多资讯！

刊载信息

高明，张婧婧，& 于辛源.(2025).当他们“潜水”时，他们在关注什么？——联通主义在线课程“潜水者”集体注意力流演化建模分析. 中国远程教育(9),107-126.

当他们“潜水”时，他们在关注什么？——联通主义在线课程“潜水者”集体注意力流演化建模分析
高明, 张婧婧, 于辛源

【摘要】“潜水者”在在线学习者群体中占据着极大的比例，引导他们走出沉默并积极参与学习，对于在线学习的发展具有重要意义。已有研究广泛探讨了“潜水”现象及其成因，但鲜有研究对“潜水者”具体学习过程进行深入分析。本研究从学习经验对课程参与的影响出发，以一门联通主义在线课程为例，将“潜水者”进一步划分为“有学习经验的潜水者”和“无学习经验的潜水者”，通过建模与分析两类“潜水者”的集体注意力流，深入挖掘其学习过程。研究发现：1）两类“潜水者”的集体注意力流演化呈现出相似的对数增长曲线特征，其参与度经历了一个从快速上升、增速放缓到最终趋于稳定的过程；2）学习经验可能塑造了“潜水者”的资源选择与利用模式，具体表现为“有学习经验的潜水者”在过往经验的指导下能更有针对性地获取相关知识与技能，而“无学习经验的潜水者”则在学习过程中逐步适应并优化其学习策略；3）两类“潜水者”的学习过程均呈现了较为积极的学习态度，教师应以开放包容心态看待“潜水”现象，尝试通过小步子策略引导他们积极“冒泡”。这些研究发现可为联通主义在线课程中“潜水者”学习过程的理解、学习引导以及课程设计提供理论和实践参考。

【关键词】潜水者; 联通主义在线课程; 集体注意力; 注意力流; 演化模式

一、

引言

在数字时代，知识更新速度日益加快、知识半衰期不断缩短，教育领域也经历着深刻的转型。作为这一转型的创新产物，联通主义在线课程（Connectivist Massive Open Online Courses，cMOOCs）旨在构建一个学习者之间相互连接、共同创造知识的网络化学习环境，通过汇聚群体智慧、协作解决复杂问题来创生知识，为应对时代挑战提供了新的可能。尽管这种课程模式理论上能够促进广泛参与和知识共创，但在实践中却面临着一个显著的挑战：大量学习者以沉默的旁观者或浏览者身份参与课程，很少或从不积极创造新的内容（Bozkurt et al., 2020; 高明 等, 2023）。

这一现象也被称为“潜水”现象，对应的学习者被称为“潜水者”，在在线学习情境中备受关注。研究表明，“潜水者”的存在有其合理性（Koutropoulos et al., 2019)，“潜水”行为在维持在线社区的秩序和促进社区发展方面同样具有重要作用（Edelmann et al., 2017)。然而，过多的“潜水者”则可能导致低发帖率和有价值内容的缺乏，抑制知识创生类在线课程或社区的活力（Van Mierlo, 2014）。现有研究虽从多个角度探讨分析了“潜水”现象及其成因，但鲜有研究从特定影响因素出发对“潜水者”进行更为细致的分类，以提供针对性的支持。此外，当前研究中常用的研究方法（如非概率抽样、访谈或问卷调查）虽能获取学习者的主观感受，但难以捕捉“潜水者”在实际学习过程中的动态行为。

联通主义在线课程的一个显著特征是群智共建共享，动态生成资源（陈丽 等, 2019; 徐亚倩 & 陈丽, 2024）。然而，这种模式也导致课程学习资源呈指数级增长，形成信息超载的环境。在这种环境中，学习者在保持学习进度、持续参与互动以及有效创建和分享学习材料等诸多方面面临着挑战（Saadatmand & Kumpulainen, 2014）。此外，由于缺乏相关经验，例如不熟悉信息发布流程、难以在海量信息中高效检索和筛选等，许多学习者容易陷入沉默或选择“潜水”（Nguyen, 2021; Preece et al., 2004）。上述挑战不仅凸显了联通主义在线课程的复杂性，也暗示了前期学习经验在帮助学习者应对这些挑战方面可能发挥着重要作用。

鉴于此，本研究聚焦学习经验对课程参与的影响，将“潜水者”群体进一步划分为有学习经验和无学习经验两类。通过建模和对比分析这两类“潜水者”的集体注意力流，深入理解“潜水者”群体的学习过程，从而为“潜水者”学习的参与引导与联通主义在线课程的优化设计提供科学依据。本研究的开展不仅有助于解决当前联通主义在线课程中的参与度问题，还将为未来在线教育的发展提供重要的理论和实践指导。

二、

文献综述

（一）在线情境中的“潜水者”研究

大多数学者倾向于将“潜水者”描述为在在线学习环境中不积极参与交互和讨论的学习者，“沉默寡言”被视为其典型特征。然而，当前对何种程度的“沉默寡言”可以被视为“潜水”尚存在着较大争议，未能形成一个统一的标准。其中，最基本的操作定义是将“潜水者”视为那些仅浏览内容但从不评论或分享的人（Neelen & Fetter, 2010; Nonnecke et al., 2006）。另一些研究则在此基础上，围绕“沉默”的时间跨度和“寡言”的频次进行了延伸，形成了关于“潜水者”更多样化的界定。例如，将一段时间（如三周、六个月、一年等）内未发帖或评论的人（Chuah, 2014; Speily et al., 2020; Zhu & Dawson, 2023）、发帖或评论少于特定数量（如三条）或低于群体的平均值或是发帖频次除以登录频次低于群体平均值的人定义为“潜水者”（Chen, 2012; Ganley et al., 2012）。总的来说，在实际研究中，需要研究者结合在线课程或社区的规模、主题和文化等因素，灵活采用不同的标准，对“潜水者”进行界定。

现有研究在解释“潜水”现象时，主要采用非概率抽样、访谈或问卷调查等方法，如对“潜水者”展开专门的调查（Bozkurt et al., 2020; 李洁 & 郑玉馨, 2024），或者将“潜水者”和信息发布者的特征进行比较（Zhu & Dawson, 2023; Daradkeh, 2022）。然而，这些研究倾向于将“潜水者”视为一个同质的群体，忽视了“潜水”行为可能存在的多样性和复杂性。事实上，“潜水”行为可能源于多种因素，既有来自外部的学习环境、成员关系及结构等因素，也有来自内部的认知、情感等因素（Sun et al., 2014; 李洁 & 郑玉馨, 2024）。尤其值得注意的是，学习经验的差异可能是导致“潜水”行为多样化的重要因素。对于初入在线学习环境的学习者而言，“潜水”往往是他们适应环境、熟悉群体动态的自然过程。研究表明，当个体对在线环境不熟悉、缺乏相关的经验时，如不知道如何发布信息、面对海量信息不知道如何操作等，他们往往会选择沉默或“潜水”（Nguyen, 2021; Preece et al., 2004）。通过初始阶段的“潜水”，个体得以观察和搜集信息，熟悉群组动态，为后续成为积极主动、乐于贡献的成员做好准备（Popovac & Fullwood, 2019, p.286）。此外，一些研究表明，经验丰富的个体会动态调整他们的参与方式，有时也可能进行策略性“潜水”，通过从他人的互动中学习，或选择在关键时刻发表自己的见解，呈现出先观察评估、后战略介入的模式（Chen & Chang, 2011; Cranefield et al., 2015; Niemeyer & Schönfeld, 2018）。这意味着，不同经验水平的“潜水者”，其“潜水”行为的动机、模式和效果可能存在着差异。因此，有必要根据学习经验对“潜水者”进行更细致的分类，并针对不同类型的“潜水者”，探究其“潜水”行为的特征并提供针对性的支持，从而引导“潜水者”参与互动。

此外，目前研究采用的主观感受和自我报告方式虽然能够帮助理解“潜水”现象的内在动机和心理机制，但仍存在一定的局限性。例如，非概率抽样可能导致样本代表性不足，自我报告数据又可能存在社会期望偏差。最为重要的是，这些方法难以捕捉“潜水者”在实际学习过程中的动态行为。近年来，已有研究者尝试借助学习分析方法，从“潜水者”的学习过程数据来审视“潜水者”的学习（王中国 等, 2024），为我们提供了更客观、全面的“潜水者”学习画像，有助于深入理解“潜水”行为的本质及其对学习效果的影响。

（二）在线情境中的集体注意力研究

注意力在学习中发挥着至关重要的作用，它使个体能够将认知资源集中于相关刺激上，同时过滤掉干扰因素，从而直接影响学习效果和知识建构。为更好地理解学习者的认知过程并优化学习体验，已有研究尝试运用不同模态的数据和方法建模分析学习者的注意力。一些研究尝试利用眼动追踪技术，考察学习者在不同环境中的注意力分配和信息处理模式，以深入理解其认知过程（Hou et al., 2025; Ke et al., 2024; Li, 2024）；另一些研究则利用学习平台中的点击流数据，结合学习分析技术，分析学生的注意力投入特征，并尝试预测学习效果（李爽 等, 2021）；还有一些研究尝试应用面部表情、身体姿势、心率和眼动追踪等单一模态或融合多种不同模态的数据，并应用随机森林、深度学习等方法建模进而评估学习者的注意力水平（Li et al., 2016; Trabelsi et al., 2023; 李卿 等, 2021）。上述研究在数据采集和量化个体学习者的注意力方面进行了有效的探索。然而，这些研究更多关注的是个体层面的注意力，较少关注个体互动所形成的群体层面注意力分配的特征及其影响。

随着互联网的兴起，人类社会已由二元的“物理空间—社会空间”结构拓展至“物理空间—社会空间—信息空间”的三元结构（潘云鹤, 2018）。在这一新的信息空间中，信息资源如何传播，以及如何形成共同的关注焦点，成为研究者关注的重要议题。这种关注不仅限于个体层面，还延伸到群体层面，研究者开始探讨群体如何通过共同关注某些事件或话题而促发集体行为。在此背景下，有学者提出了集体注意力（Collective Attention）的概念，将其界定为大量群体对信息资源的共同关注与访问，包括点击、评论、点赞、修改等行为，并期望通过对这些行为数据的分析来衡量总体层面注意力的重要性（Wu & Huberman, 2007）。自此，研究者开始将集体注意力作为一个行为框架，用以解释在线行为随着时间的推移而发生的演变。相关研究发现，集体注意力的模式和动态能够揭示信息传播的规律（Calleja-Solanas et al., 2021）、预测社交媒体中的话题暴发（De Domenico & Altmann, 2020），甚至可以作为指导公共卫生事件的应对策略（Bento et al., 2020）。这些发现不仅深化了对集体注意力的理解，更为信息生态系统管理、社交媒体优化、公共卫生政策制定等诸多领域提供了理论支持和实践指导。

近年来，一些研究者开始尝试将集体注意力的研究引入在线学习领域，探索大规模群体学习行为的特征与规律。相关研究通过分析移动阅读和维基百科等平台的行为数据，阐明了集体注意力对新知识产生的影响（Ciampaglia et al., 2015; 陈志聪, 2018, pp.51-53）。张婧婧团队通过对在线课程学习空间中集体注意力流进行建模，不仅发现了集体注意力流动的逐级递减现象（Zhang et al., 2019），还在对比分析不同学习绩效或表现群体注意力流动的基础上，揭示了集体注意力流动的偏好及其对学习的影响（Zeng et al., 2022; 高明 等, 2023）。例如，通过对在线课程辍学群体注意力流建模，他们发现辍学者实际上是将练习或测试用作学习支架来指导学习过程，这与练习或测试原本的设计目的有所区别，为优化在线学习体验设计提供了重要参考（Zhang et al., 2021）。来自管理学的最新研究同样证实了集体注意力在组织学习和评估学习成效中的作用，并发现集体注意力水平会对团队的集体智能产生显著影响（Woolley et al., 2023）。这些研究为我们通过建模集体注意力流来揭示在线学习中“潜水者”的学习特征提供了有益的视角和理论基础。

三、

研究设计

（一）研究情境

“互联网+教育：理论与实践的对话”是北京师范大学互联网教育智能技术及应用国家工程实验室开发的联通主义在线课程。该课程突破了传统预设式在线课程中“教师建设发布资源、学习者被动接受知识”的固定模式，汇聚了对“互联网+教育”充满热情的各界人士，以预设主题为引导，通过群体智慧共建共享课程学习资源，以协作对话形式探讨实践问题的解决思路，共享实践方案，最终实现知识的创新与升华。

本研究选取该课程的第五期作为案例。第五期课程围绕“互联网+教育”的五个主题展开，为期12周，共有721名来自不同行业的人员参与学习。其中559名学习者（占77.53%）未发布任何学习资源或与其他人互动，本研究将他们定义为“潜水者”。在这些“潜水者”中，129名有过本课程之前轮次的学习经验，被定义为“有学习经验的潜水者”；剩余430名则是初次加入本课程的学习行列，被定义为“无学习经验的潜水者”。本研究旨在建模并对比这两类群体的集体注意力流演化模式，研究总体流程如图1所示。

图1 研究总体流程

学习资源是在线课程的重要组成部分，涵盖了能够帮助个人有效学习的任何事物。与传统在线课程不同，在联通主义在线课程中，学习资源不再仅仅是预设的、静态的知识内容，而是更强调学习者参与共建、动态生成的网络化资源。联通主义学习理论认为，知识并非存在于个体头脑中，而是分布于网络之中，学习的过程就是连接节点、构建网络的过程（Siemens, 2005）。因此，学习者既是知识的接收者，也是学习资源的建设者，课程资源依靠学习者在学习过程中动态生成，体现了联通主义“知识流动”与“分布式认知”的核心理念。现有的学习资源分类方式尽管涵盖诸多维度与应用场景，但更多聚焦于预设性资源的静态特性与局部功能，在一定程度上难以充分反映联通主义在线课程中学习资源动态生成、网络化连接的本质特征。因此，本研究基于联通主义学习理论，着眼于学习资源的网络化连接与学习者参与共建的特征，将该类在线课程的学习资源总结梳理为如表1所示的五类。在这五类学习资源中，原创观点型资源体现了联通主义的“自主性”原则，鼓励学习者表达自己的观点，促进知识的个性化构建；转载分享型资源体现了联通主义的“连接性”原则，促进学习者之间的知识共享和连接；讨论交流型资源体现了联通主义的“共建性”原则，促进学习者之间的互动和交流，共同构建知识；内容聚合型资源体现了联通主义的“过滤”原则，帮助学习者在海量信息中快速找到有价值的信息；社交管道型资源体现了联通主义的“网络”原则，促进学习者之间的社交连接，构建学习网络。

表1 联通主义在线课程中的学习资源分类

（二）集体注意力流演化建模

1. 集体注意力流网络构建

在课程开放期间，学习平台自动采集了学习者的学习日志数据。经预处理后，共得到4,623条“潜水者”的点击流数据。本研究基于开放流网络模型构建了“有学习经验的潜水者”与“无学习经验的潜水者”两类学习群体的集体注意力流网络。如图2所示，根据学习时间将学习者的点击流数据切分为不同的会话，并在群体层面进行聚合，该流网络模型能够有效表征学习者在不同学习资源上的注意力流动情况。其中，节点代表具体的学习资源，有向连边表示注意力在不同资源间流动的方向和频次。此外，网络模型中存在两个特殊的节点——“源”和“汇”，表示外界环境，用以平衡注意力在线上线下空间中流动。“源”到资源的有向连边表示学习者进入线上学习空间后注意力的起始流向；资源到“汇”的有向连边表示注意力由该资源流出到线下空间。

图2 集体注意力流网络构建示意图

2. 集体注意力流转概率分析

集体注意力流网络可表示为注意力流量矩阵F(N+2)×(N+2)={fij}(N+2)×(N+2)，其中N是实际学习资源的数量，N+2是节点总数（包括两个特殊节点）。矩阵元素fij表示从节点i到节点j的注意力总量。由于集体注意力流网络是平衡的，因此可以定义一个马尔可夫矩阵M，用以计算注意力在节点间流转的概率。其中元素mij表示注意力从节点i转移到节点j的概率，计算公式见式（1）：

3. 集体注意力流网络结构及节点重要性分析

集体注意力流网络可以视作注意力的运输网络。本研究借鉴复杂网络研究，通过对节点的注意力总流量（Ti）和该节点对网络流动影响力（Ci）的幂律关系检验（Ci∝Tiη）来分析网络结构（Zhang & Wu, 2013）。幂指数η＞1，网络具有中心化结构，表明某些节点对注意力流动影响较大；η＜1则表明去中心化结构。通过考察异速标度律，可研究不同阶段不同类别“潜水者”的集体注意力流网络结构。

节点的注意力总流量（Ti）可通过计算从“源”流入和从网络内其他节点流入的注意力流量之和，或从该节点流出到网络内其他节点及“汇”的流量之和实现，如式（2）所示：

节点影响力（Ci）反映节点i在注意力流网络中的吸引和影响力，即注意力流动时直接或间接经过该节点的总量，如式（3）所示：

式（3）中，uij是基本矩阵U中的元素，U=I+M+M2+…=（I-M）-1，I是单位矩阵。这一无穷级数形式的收敛性，关键取决于马尔可夫矩阵M的谱半径是否小于1。在集体注意力流网络中，由于M是剔除了“汇”节点的次马尔可夫矩阵（其每行元素之和小于1，部分流量会流向“汇”，而不是在非“汇”节点间循环），这一构造天然保证了M的谱半径ρ（M）＜1，使得级数I+M+M2+…能够收敛到有限值，进而确保逆矩阵（I-M）-1存在且有明确物理意义。

4. 集体注意力流演化建模与分析

为探究两类“潜水者”集体注意力流在课程学习期间的演化，本研究按周构建不同时段的集体注意力流网络，并分析网络规模（节点和连边数）、网络结构及不同类型学习资源对注意力流的影响力。

四、

研究结果

（一）集体注意力分配与流动分析

1. 集体注意力在不同类型学习资源上的分配

图3展示的是两类“潜水者”集体注意力在不同类型学习资源上分配的小提琴图，即两类群体注意力在课程不同类型学习资源上的分布情况图。其内部是箱线图，反映数据的基本分布情况，如中位数（箱体内部圆点）、四分位数、最大值及最小值；在外部包裹着箱线图的则是核密度图，反映了某个值附近分布的概率。小提琴纵向越长，表明数据分布越分散；横向越长，表明某个值附近数据分布越密集。

图3 两类“潜水者”集体注意力在不同类型学习资源上分配的小提琴图

从图3的整体数据分布情况可以发现，两类“潜水者”注意力在不同类型学习资源上的分布呈现出四个特点。第一，“有学习经验的潜水者”对所有类型资源的关注数量分布普遍比“无学习经验的潜水者”更为离散。这可能表明“有学习经验的潜水者”在关注学习资源时表现出更高的选择性，且个别“潜水者”对特定类型的学习资源有着极高的关注，这在原创观点型资源和转载分享型资源中表现尤为明显（见图3纵向跨度）。第二，“无学习经验的潜水者”对各类学习资源的关注数量分布跨度小，中位数偏低，且在中位数和下四分位数处横向更为宽阔。这表明在这类群体中大多数人对资源的关注数量相对较低，且分布较为集中。第三，在讨论交流型资源和内容聚合型资源方面，两类“潜水者”在注意力分配上的差异并不明显，两者的分布形态较为相似，这表明在课程引导下，两类“潜水者”对上述两种资源的偏好和使用程度相当。然而，“有学习经验的潜水者”在数量上略占优势，这可能是因为他们在此前课程中通过观察，已认识到这类学习资源的价值，并熟悉如何有效利用。第四，在社交管道型资源方面，“无学习经验的潜水者”对此类资源的关注度明显低于“有学习经验的潜水者”，且呈现出双峰分布特征。一个峰值分布在中位数附近，一个峰值分布在下四分位数附近，但两个峰值的数值类似。这表明在该类群体内，可能存在对社交管道型资源的特性和价值认识的差异，并非所有的人在学习中都能利用好这类学习资源。

2. 集体注意力在不同类型学习资源间的流动

图4展示的是两类“潜水者”集体注意力在不同类型学习资源间流动的热力图。其中，横轴表示注意力流动的起始点，纵轴表示注意力流动的目标。方块颜色深度（或其中的数值）展示的是注意力在不同类型资源间流动的概率，概率越大，颜色越深。

图4 集体注意力在不同类型学习资源间的流动情况

通过分析可以发现，无论是否有学习经验，“潜水者”在登录课程平台后，他们的注意力最倾向于流入内容聚合型资源，但是“有学习经验的潜水者”注意力流动到这类资源的概率更大。“有学习经验的潜水者”开始学习后，他们的注意力也倾向于流动到社交管道型资源（16%）和原创观点型资源（14%）；而“无学习经验的潜水者”的注意力则倾向于流动到转载分享型资源（21%）和社交管道型资源（17%）。

在持续学习过程中，“有学习经验的潜水者”的注意力更倾向于在同一类型的学习资源内流动。如图4（a）所示，当横纵轴交叉位置是同一类型的学习资源时，该区域具有较深的颜色或较大的概率值。而在“无学习经验的潜水者”中，未表现出类似的明显特征，仅当他们的注意力流动到讨论交流型资源和社交管道型资源时，他们才更倾向于在同一类型资源内流动。

学习经验的累积可能同样影响着“潜水者”注意力在何处停止流动以及暂时结束学习。图4两张图最后一列展示的是“潜水者”注意力从不同类型学习资源流入“汇”的概率，亦即从不同类型学习资源停止学习的概率。通过观察可以发现，图4（b）最后一列的颜色相对较深（概率值相对较大），由此表明“无学习经验的潜水者”的注意力随时都可能在各种类型的学习资源中停止流动。相反，对于“有学习经验的潜水者”来说，仅当他们的注意力流动到内容聚合型资源时，才有较大的概率在该类型资源中停止流动。这进一步凸显了“有学习经验的潜水者”注意力流动的选择性和集中性。

（二）集体注意力流演化模式分析

在上述分析的基础上，本研究以周为单位，构建了不同时段的集体注意力流网络，并从集体注意力流网络规模及结构分析了课程学习期间两类“潜水者”集体注意力流演化情况。

1. 集体注意力流网络规模演化

如图5所示，课程学习期间，两类“潜水者”注意力流动的范围在不断地扩大，且两者的网络规模无论是在节点数，还是在连边数上均呈现出相似的对数增长曲线特征。具体表现为：在课程前三周内增长迅速（阶段一）；从第4周开始到第7周结束，网络的节点数和连边数仍在快速增加，但是增长速度有所减缓（阶段二）；从第8周开始到课程结束，网络的增长速度明显减缓，网络节点和连边的增加幅度逐渐趋于平稳。

图5 集体注意力流网络规模

此外，我们也可以发现，因学习者数量的差异，与“有学习经验的潜水者”（129人）相比，“无学习经验的潜水者”（430人）在集体注意力流网络的节点数和连边数上具有更大的规模，尤其是随着课程的开展，两类“潜水者”在集体注意力流网络的规模上差距越来越大。另外，可能受课程学习主题的影响，在第7周学习时，“无学习经验的潜水者”集体注意力流网络在节点数和连边数上出现了一个小的增幅，而这一点在“有学习经验的潜水者”的网络规模上未呈现出明显的变化。

2. 集体注意力流网络结构演化

随着课程生成学习资源的不断增多，“潜水者”的注意力也会随之在不同资源间流转。流转在不同学习资源间的注意力是否又会对集体注意力流网络结构产生影响？围绕着这一问题，本研究对比分析了随时间发展的两类“潜水者”集体注意力流网络的结构。不同时间阶段流经学习资源节点的总注意力流量与资源节点影响力之间线性拟合效果如图6（b）所示。通过拟合效果可以发现，两个变量之间的线性拟合效果良好（最终均基本维持在80%左右）。

图6 集体注意力流网络结构演化情况

图6（a）显示，无论是在课程开展的哪个时间段，“有学习经验的潜水者”的集体注意力流网络的η值始终小于1，而“无学习经验的潜水者”的集体注意力流网络的η值则始终大于1。由此表明：“有学习经验的潜水者”在课程学习期间所形成的集体注意力流网络始终是一个去中心化的网络，在该网络中不存在支配注意力流动的学习资源；相反，对于“无学习经验的潜水者”来说，他们的集体注意力流网络始终是一个中心化的网络结构，表明存在着部分资源支配着他们注意力的流动。

在此基础上，本研究进一步分析了“无学习经验的潜水者”集体注意力流网络中不同类型学习资源对注意力流动的影响，结果如图7所示。鉴于学习资源在数量上存在分布偏斜，为更好地刻画与比较不同类型资源的影响力，本研究通过取中位数进行比较。图7显示，在该类“潜水者”的整个学习过程中，原创观点型资源和转载分享型资源在注意力流动中所发挥的影响力接近，均发挥着较低的影响力。相反，讨论交流型资源、内容聚合型资源和社交管道型资源在整个学习过程中发挥的影响力则比较大，且三类资源在不同时段交替影响着注意力的流动。具体表现为：1）在课程前三周，内容聚合型资源发挥的影响力虽然处于先升后降状态，但始终维持着较大的影响力；讨论交流型资源发挥的影响力处于上升状态，而社交管道型资源发挥的影响力则在逐步下降；2）从课程的第4周开始到第7周结束，内容聚合型资源在注意力流动的影响力上仍处于一个波动变化的情况，表现为“升—降—平—升”状态，而讨论交流型资源和社交管道型资源所发挥的影响力则呈现在一周内快速上升，后面几周内维持在最高点的状态；从第5周开始到第6周结束，对注意力流动影响力较大的依次是讨论交流型资源、社交管道型资源和内容聚合型资源；3）从第8周开始到课程结束，内容聚合型资源在注意力流动的影响力延续自第7周极速上升的趋势并到达某一峰值后，后续基本维持在该峰值，持续发挥着最大的影响力；讨论交流型资源在该阶段的影响力次之，且处于不断下降状态，到第11周开始时，其发挥的影响力开始低于社交管道型资源；社交管道型资源对注意力流动的影响力值变化幅度不大，直到第11周开始时随着讨论交流型资源影响力的下降，该类资源的影响力跃升至第2位。

图7 “无学习经验的潜水者”集体注意力流网络演化中各类学习资源影响力的变化情况

五、

“潜水者”广泛存在于在线学习情境中，如何认识该类群体的学习，并引导该群体积极参与学习一直以来都是一个关键性的问题。本研究从“潜水者”的学习过程切入，结合该群体的前期课程学习经验，将其进一步划分为“有学习经验的潜水者”和“无学习经验的潜水者”，通过对两类“潜水者”的集体注意力流演化建模与挖掘分析，进一步丰富了对“潜水者”学习过程的认识。

（一）“潜水者”的集体注意力流以对数增长曲线演化，需动态引导“潜水者”学习方式转型

研究发现，在整个课程学习期间，两类“潜水者”的注意力流演化呈现出相似的对数增长曲线特征，其课程参与度经历了先快速上升，然后增速放缓，最后趋于稳定的过程（如图5所示）。特别是在课程初始阶段（前3周），两类“潜水者”的集体注意力流网络在节点数和连边数上均呈现快速增长趋势。这一现象表明，在课程开始时“潜水者”对新知识的渴求和探索欲望同样较强，课程建设者应当充分利用初始阶段，提供丰富的学习资源和互动机会，以维持学习者的兴趣和参与度。这与已有研究强调学习初期关注和引导的重要性相一致。相关研究指出，如果参与者在前四个月内不积极参与，他们未来重新活跃的可能性将大大降低（Neelen & Fetter, 2010）。同样，也有研究显示，学习者在课程初期的作业表现是预测最终学习成果的重要指标（Jiang et al., 2014）。因此，课程设计者应着重优化课程前期的学习体验，通过精心设计的入门活动、清晰的学习路径指引和及时的反馈机制，激发学习者的内在动机，为后续的深入学习奠定坚实基础。

已有研究表明，尽管“潜水者”在学习时往往扮演的都是观察者和倾听者角色，但是这种观察和倾听同样能对他们的认知产生影响（王中国 等, 2024），并且与活跃的信息发布者相比，两者在学习的感知上并没有呈现出明显差异（Zhu & Dawson, 2023）。这一发现与社会学习理论所强调的通过观察他人行为及其结果来学习的重要性相契合。然而，相关研究进一步指出，观察学习在初始参与阶段确实对认知有显著影响，但随着课程的推进，其影响会逐渐减弱。相反，强化学习通过提升学习者的自我效能和对结果的预期，开始对他们的认知产生显著影响（Daradkeh, 2022）。由此表明，在课程中后期，教师需要注意引导“潜水者”转变学习方式，通过适当的反馈和支持来引导他们由观察走向参与和贡献，以获得更有效的学习体验。更具体地说，教师可以设计更多协作式学习任务，鼓励学习者积极提问和分享观点，并提供个性化的指导和反馈，帮助他们克服参与障碍，提升自我效能感。此外，引入竞争机制（如积分榜、奖励制度等）也可能激发学习者的参与热情，促使他们从被动的观察者转变为积极的贡献者。这种转变不仅有助于提高学习效果，还能培养学习者的合作精神和批判性思维。

（二）学习经验可能塑造着“潜水者”资源选择与利用的模式

通过对“潜水者”学习过程的分析，本研究发现学习经验与“潜水者”的资源选择和利用可能存在着关联。“有学习经验的潜水者”在选择和使用学习资源时，表现出更强的针对性和集中性。他们不仅在不同类型资源的选择上展现出较大的差异性，而且注意力更倾向于在同一类型资源内流转（如图4所示）。另外，在使用讨论交流型和内容聚合型资源时，尽管“无学习经验的潜水者”也能将他们的注意力无差异地分配在这两类资源上，但“有学习经验的潜水者”对这些资源显现出了更多的关注，在数量上占据着优势（如图3所示）。图式理论认为，经验丰富的个体发展出更完善的知识结构，能够更有效地组织和提取信息，从而降低认知负荷，提升学习效率（Rumelhart, 2017, pp.57-58）。对于“有学习经验的潜水者”来说，他们已经建立了与课程学习相关的图式。这些图式不仅包含了他们对不同类型资源的价值、使用方法和学习效果的预期，还包含了他们对自身学习风格和学习需求的认知。因此，他们能够更有效地选择和利用资源，将注意力集中在那些最能帮助他们实现学习目标的资源上。

相反，对于“无学习经验的潜水者”，他们的集体注意力流网络显示出稳定的中心化结构，且不同阶段学习资源的影响力也呈现出动态演变，这一特征不仅反映了由于课程学习相关图式的缺乏所带来的对不同类型资源价值和使用方法认识的匮乏，也反映了他们在学习过程中逐步适应和优化策略的努力。具体而言，他们的学习过程展现出三个明显的阶段，每个阶段都有其独特的资源选择和利用模式（如图7所示）。

第一阶段为初步探索阶段。在学习初期，该群体倾向于依赖内容聚合型资源。这种选择可能反映了他们对领域知识和可用资源的不熟悉，期望能够通过快速获取广泛信息来建立基本知识框架，以帮助自己识别关键主题，为后续学习奠定基础。此外，课程资源生成的动态性也可能会进一步加剧他们的认知负荷。面对不断涌现的新信息和新资源，他们可能难以有效地进行筛选和整合，从而更加依赖于内容聚合型资源，以期快速获得全面的信息概览。这种依赖性可能并非完全出于主动选择，而是在信息过载的情况下的一种适应性策略。

第二阶段为中期聚焦阶段。随着基础知识的积累和对学习环境的适应，该群体的注意力转向讨论焦点和受认可的同伴。这一转变可能表明他们开始追求更深层次的理解，从单纯的信息收集转向批判性思考和深度学习。

第三阶段为后期深化阶段。在学习后期，“潜水者”表现出更复杂的资源利用模式。他们不仅重新关注内容聚合型资源，还开始将注意力分配与流动到一些特定的同伴上，以期从该信息源获取更多的内容。这种资源选择和利用模式的演变凸显了“无学习经验的潜水者”在学习过程中逐步发展的自主性和目标导向性。

他们从初期的广泛信息收集，逐步过渡到更有针对性的理解和个性化知识获取。这与图式理论中的图式构建过程相符。随着经验的积累，他们逐渐形成了与在线学习相关的图式，并能够更有效地选择和利用资源。然而，与有经验者相比，他们的图式可能更加零散、更加不完整，需要更多的实践和反思才能完善。这与经验学习理论中描述的“经历—反思—形成概念—规划”学习循环也具有相似之处（Kolb, 2015, pp.40-43），即他们最初通过经历各种学习资源来获取信息，然后反思这些资源的效果，并逐步形成概念，最终通过规划和执行新的学习策略来优化学习过程。

（三）以开放包容心态审视“潜水”现象，以小步子策略引导“潜水者”“冒泡”

在线学习情境中，“潜水者”的“潜水”现象呈现出复杂多面的特征，其角色也被相应地赋予了诸如观察者、替代性学习者或是隐形学习者等多元标签（Bozkurt et al., 2020; Neelen & Fetter, 2010）。传统观念往往将“潜水者”视为自私的“搭便车者”，仅仅是通过观察吸收群体的智慧而对整个团队或社区的发展无所贡献。然而，深入研究揭示，“潜水”行为背后蕴含着多样的动机和成因，可能是搭便车心理、合法的边缘参与、微学习需求或知识共享障碍所致（Neelen & Fetter, 2010）。社会交换理论提供了一个有力的视角来理解这些动机。该理论认为，个体之间的互动是一种交换过程，人们会权衡参与互动的成本和收益，并选择那些能够最大化自身利益的行为（Homans, 1958; Thibaut, 2017, p.136）。也就是说，如果“潜水者”认为参与互动的成本（如时间、精力、暴露自己知识不足的风险、害怕受到负面评价）高于收益（如获得认可、学习新知识、提升技能、建立社会关系），他们可能更倾向于选择“潜水”。这种“成本—收益”的权衡并非总是显性的，可能受到个体的主观感知、社会规范和情境因素的影响。本研究通过对两类“潜水者”学习过程的集体注意力流建模分析发现，两类“潜水者”均在积极地参与课程学习。尽管他们没有积极地发布信息或参与讨论，但他们可能通过观察、阅读和思考来获取知识，从而实现自身的学习目标。在这种情况下，“潜水”的“收益”可能包括：规避了参与互动的成本、节省了时间和精力、降低了暴露自己知识不足的风险。

我们之所以对“潜水”现象持负面看法，根源在于将在线学习等同于传统课堂的简单迁移，忽视了其开放灵活的本质。有研究者类似地指出，我们之所以对“潜水”嗤之以鼻，是因为我们将传统课堂环境中那种“不参与讨论即被视为损害整体学习”的观念延续到了在线学习环境中，却未审视其适用性；该研究者进一步强调，若讨论顺利进行，活跃参与者与“潜水者”均能从中获益，我们为何要如此害怕错过“潜水者”可能做出的贡献？另外，积极的学习者又真的在乎“潜水者”的参与吗？（Koutropoulos et al., 2019）越来越多的研究表明，在线情境中的“潜水”行为正在不断被接受。相关调查发现无论是活跃的信息分享者还是沉默的“潜水者”，他们中的大多数人都认为“潜水者”也是在线社区的一部分。更为重要的是，在调查的群体中并没有人对“潜水者”表现出极度的不满（Merry & Simon, 2012）。更有研究指出，“潜水”不仅是正常的，而且是一种积极的、参与的、有价值的在线行为（Edelmann, 2013）。虽然“潜水者”的可见性较低，但他们会将“潜水”时获得的知识应用于他们的工作中，甚至是在其他地方进行传播，他们的存在对于在线社区的发展同样是必要的和有益的（Nguyen et al., 2022）。“潜水”的原因十分复杂，既有来自外部的学习环境、成员关系及结构等因素，也有来自内部的认知、情感等因素（Sun et al., 2014; 李洁 & 郑玉馨, 2024）。对“潜水者”沉默行为的理解需要基于对其多元动机的全面剖析，而不应简单贴上消极参与者的标签。

但值得注意的是，如果在线课程或社区中“潜水者”过多，同样也可能会导致内容匮乏、互动不足，从而降低所有参与者的学习体验。从社会交换理论的角度来看，这意味着整个社区的“收益”将会降低。为了解决这个问题，需要采取措施来降低“潜水者”的参与成本，并提高他们的参与收益。具体地，我们可以实施小步子策略，逐步引导“潜水者”参与互动，而非强制其立即转变为活跃信息发布者。例如，鼓励“潜水者”从点赞、简单评论等低压力行为开始，逐步引导其分享见解和提问。这种方式既减轻了“潜水者”的心理负担，又有助于其在社区中建立信任感和归属感，通过营造友好、包容的社区环境引导“潜水者”通过不断“冒泡”的形式走出隐身状态。

六、

结语

本研究以一门联通主义在线课程为例，结合学习者是否具备前期课程学习经验，对“潜水者”进行了更细粒度的划分，并通过建模“有学习经验的潜水者”和“无学习经验的潜水者”的集体注意力流，挖掘分析了两类“潜水者”的集体注意力流演化模式，为理解“潜水者”具体的学习过程、引导“潜水者”积极参与学习与优化课程设计提供了有益参考。

然而，本研究也存在一些局限。第一，本研究虽然从学习经验出发，对“潜水者”进行了进一步的划分，并分析了不同群体的资源选择与利用模式，但需要注意的是学习经验并非影响资源选择的唯一因素。例如，学习者的先验知识、学习动机以及课程内容本身的特点都可能对资源选择产生影响。未来需要通过多变量分析或实验设计，控制这些干扰变量，进一步探讨学习经验与资源选择之间的因果关系。第二，“潜水”行为存在着不同的层次，本研究重点探讨了从不参与创作或共享的“潜水者”，暂未关注到诸如时而活跃时而沉寂、先活跃后沉默等类型“潜水者”的学习。第三，鉴于在线课程的开放性，本研究暂未探讨学习者参与课程的动机（如是否为获取证书）对其注意力和学习成效的影响。未来可进一步扩大研究样本范围，对当前研究发现进行验证与补充，实现对“潜水者”学习过程的深入理解。

参考文献

陈丽, 逯行, & 郑勤华. （2019）. “互联网+教育”的知识观：知识回归与知识进化. 中国远程教育（7）, 10-18, 92.

陈志聪. （2018）. 在知识的空间中游走：移动阅读行为中注意力的流动. 南京大学.

高明, 张婧婧, 张江, & 陈丽. （2023）. 联通主义学习中交互行为驱动的多群体学习者注意力研究——基于集体注意力流网络的分析视角. 远程教育杂志（4）, 79-91.

李洁, & 郑玉馨. （2024）. 场景斥力：朋友圈用户从活跃转向潜水的机理研究. 新闻与传播评论（1）, 24-39.

李卿, 卫天宇, 乐洁玉, 刘三女牙, & 孙建文. （2021）. 在线环境下基于PPG信号的学习注意力识别. 现代教育技术（7）, 80-87.

李爽, 郑勤华, 杜君磊, & 王双. （2021）. 在线学习注意力投入特征与学习完成度的关系——基于点击流数据的分析. 中国电化教育（2）, 105-112.

潘云鹤. （2018）. 人工智能2.0与教育的发展. 中国远程教育（5）, 5-8, 44, 79.

王中国, 彭文辉, 刘清堂, & 史玲玲. （2024）. “潜水”还是“学习”：在线协作学习中“在线倾听”行为再审视. 电化教育研究（3）, 77-84.

徐亚倩, & 陈丽. （2024）. 联通主义课程观：课程即生成式知识社区. 远程教育杂志（5）, 43-52, 76.

Bento, A. I., Nguyen, T., Wing, C., Lozano-Rojas, F., Ahn, Y.-Y., & Simon, K. (2020). Evidence from internet search data shows information-seeking responses to news of local COVID-19 cases. Proceedings of the National Academy of Sciences, 117(21), 11220-11222.

Bozkurt, A., Koutropoulos, A., Singh, L., & Honeychurch, S. (2020). On lurking: Multiple perspectives on lurking within an educational community. The Internet and Higher Education, 44, 100709.

Calleja-Solanas, V., Pigani, E., Palazzi, M. J., Solé-Ribalta, A., Suweis, S., Borge-Holthoefer, J., & Meloni, S. (2021). Quantifying the drivers behind collective attention in information ecosystems. Journal of Physics: Complexity, 2(4), 045014.

Chen, F. C. (2012). Passive forum behaviors (lurking): A community perspective. In Y. B. Kafai, W. A. Sandoval, N. Enyedy, A. S. Nixon, & F. Herrera (Eds.), Embracing diversity in the learning sciences: Proceedings of the sixth International Conference of the Learning Sciences (pp.128-135). Routledge.

Chen, F. C., & Chang, H. M. (2011). Do lurking learners contribute less?A knowledge co-construction perspective. In J. Kjeldskov, & J. Paay (Eds.), Proceedings of the 5th International Conference on Communities and Technologies (pp.169-178). ACM.

Chuah, K. M. (2014). Luring the lurkers: Increasing participations in the online discussions of a blended learning course. International Journal on E-Learning Practices (IJELP), 1(1), 49-58.

Ciampaglia, G. L., Flammini, A., & Menczer, F. (2015). The production of information in the attention economy. Scientific Reports, 5(1), 9452.

Cranefield, J., Yoong, P., & Huff, S. (2015). Rethinking lurking: Invisible leading and following in a knowledge transfer ecosystem. Journal of the Association for Information Systems, 16(4), 213-247.

Daradkeh, M. (2022). Lurkers versus contributors: An empirical investigation of knowledge contribution behavior in open innovation communities. Journal of Open Innovation: Technology, Market, and Complexity, 8(4), 198.

De Domenico, M., & Altmann, E. G. (2020). Unraveling the origin of social bursts in collective attention. Scientific Reports, 10(1), 4629.

Edelmann, N. (2013). Reviewing the definitions of “lurkers” and some implications for online research. Cyberpsychology, Behavior, and Social Networking, 16(9), 645-649.

Edelmann, N., Krimmer, R., & Parycek, P. (2017). How online lurking contributes value to E-participation: A conceptual approach to evaluating the role of lurkers in e-participation. In 2017 Fourth International Conference on eDemocracy & eGovernment (ICEDEG) (pp.86-93). IEEE.

Ganley, D., Moser, C., & Groenewegen, P. (2012). Categorizing behavior in online communities: A look into the world of cake bakers. In R. H. Sprague Jr (Ed.), Proceedings of the 45th Hawaii International Conference on System Sciences (pp.3457-3466). IEEE.

Homans, G. C. (1958). Social behavior as exchange. American Journal of Sociology, 63(6), 597-606.

Hou, J., Lee, J. F., & Doherty, S. (2025). State-of-the-art of eye tracking in mobile-assisted learning studies: A review of twenty years of empirical studies. Journal of Computer Assisted Learning, 41(1), e13118.

Jiang, S., Williams, A. E., Schenke, K., Warschauer, M., & O’Dowd, D. K. (2014). Predicting MOOC performance with week 1 behavior. In J. Stamper, Z. Pardos, M. Mavrikis, & B. M. McLaren (Eds.), Proceedings of the 7th International Conference on Educational Data Mining (pp.273-275). ACM.

Ke, F., Liu, R., Sokolikj, Z., Dahlstrom-Hakki, I., & Israel, M. (2024). Using eye-tracking in education: Review of empirical research and technology. Educational Technology Research and Development, 72(3), 1383-1418.

Kolb, D. A. (2015). Experiential learning: Experience as the source of learning and development. Pearson FT Press.

Koutropoulos, A., Honeychurch, S., & Singh, L. (2019-5-29). Rethinking lurking. ACM Website. https://dl.acm.org/doi/fullHtml/10.1145/3329488.3331169

Li, J., Ngai, G., Leong, H. V., & Chan, S. C. (2016). Multimodal human attention detection for reading from facial expression, eye gaze, and mouse dynamics. ACM SIGAPP Applied Computing Review, 16(3), 37-49.

Li, X. (2024). Eye-tracking research in interactive language learning environments: A systematic review. Education and Information Technologies, 29(15), 20383-20408.

Merry, K. S., & Simon, A. (2012). Living and lurking on LiveJournal: The benefits of active and non-active membership. Aslib Proceedings, 64(3), 241-261.

Neelen, M., & Fetter, S. (2010). Lurking: A challenge or a fruitful strategy? A comparison between lurkers and active participants in an online corporate community of practice. International Journal of Knowledge and Learning, 6(4), 269-284.

Nguyen, T. M. (2021). Four-dimensional model: A literature review on reasons behind lurking behavior. VINE Journal of Information and Knowledge Management Systems, 51(2), 302-317.

Nguyen, T. M., Viet Ngo, L., & Paramita, W. (2022). Turning lurkers into innovation agents: An interactionist perspective of self-determinant theory. Journal of Business Research, 141, 822-835.

Niemeyer, C., & Schönfeld, M. (2018). Reputation through observation: Active lurkers in an online community. Archives of Data Science Series A, 5(1), 1-17.

Nonnecke, B., Andrews, D., & Preece, J. (2006). Non-public and public online community participation: Needs, attitudes and behavior. Electronic Commerce Research, 6(1), 7-20.

Popovac, M., & Fullwood, C. (2019). The psychology of online lurking. In A. Attrill-Smith, C. Fullwood, M. Keep, & D. J. Kuss (Eds.), The Oxford handbook of cyberpsychology (pp. 284-305). Oxford University Press.

Preece, J., Nonnecke, B., & Andrews, D. (2004). The top five reasons for lurking: Improving community experiences for everyone. Computers in Human Behavior, 20(2), 201-223.

Rumelhart, D. E. (2017). Schemata: The building blocks of cognition. In R. J. Spiro, B. C. Bruce, & W. F. Brewer (Eds.), Theoretical issues in reading comprehension (pp. 33-58). Routledge.

Saadatmand, M., & Kumpulainen, K. (2014). Participants’ perceptions of learning and networking in connectivist MOOCs. MERLOT Journal of Online Learning and Teaching, 10(1), 16-30.

Siemens, G. (2005). Connectivism: A learning theory for the digital age. Journal of Instructional Technology and Distance Learning, 2(1), 3-10.

Speily, O. R. B., Rezvanian, A., Ghasemzadeh, A., Saghiri, A. M., & Vahidpour, S. M. (2020). Lurkers versus posters: Investigation of the participation behaviors in online learning communities. In A. Peña-Ayala (Ed.), Educational networking: A novel discipline for improved learning based on social networks (pp.269-298). Springer.

Sun, N., Rau, P. P. L., & Ma, L. (2014). Understanding lurkers in online communities: A literature review. Computers in Human Behavior, 38, 110-117.

Thibaut, J. W. (2017). The social psychology of groups. Routledge.

Trabelsi, Z., Alnajjar, F., Parambil, M. M. A., Gochoo, M., & Ali, L. (2023). Real-time attention monitoring system for classroom: A deep learning approach for student’s behavior recognition. Big Data and Cognitive Computing, 7(1), 48.

Van Mierlo, T. (2014). The 1% rule in four digital health social networks: An observational study. Journal of Medical Internet Research, 16(2), e33.

Woolley, A. W., Chow, R. M., Mayo, A. T., Riedl, C., & Chang, J. W. (2023). Collective attention and collective intelligence: The role of hierarchy and team gender composition. Organization Science, 34(3), 987-1352.

Wu, F., & Huberman, B. A. (2007). Novelty and collective attention. Proceedings of the National Academy of Sciences, 104(45), 17599-17601.

Zeng, S., Zhang, J., Gao, M., Xu, K. M., & Zhang, J. (2022). Using learning analytics to understand collective attention in language MOOCs. Computer Assisted Language Learning, 35(7), 1594-1619.

Zhang, J., Gao, M., & Zhang, J. (2021). The learning behaviours of dropouts in MOOCs: A collective attention network perspective. Computers & Education, 167, 104189.

Zhang, J., Lou, X., Zhang, H., & Zhang, J. (2019). Modeling collective attention in online and flexible learning environments. Distance Education, 40(2), 278-301.

Zhang, J., & Wu, L. (2013). Allometry and dissipation of ecological flow networks. PLoS ONE, 8(9), e72525.

Zhu, J., & Dawson, K. (2023). Lurkers versus posters: Perceptions of learning in informal social media-based communities. British Journal of Educational Technology, 54(4), 924-942.

What Are They Focusing on While Lurking? A Modeling Analysis of the Evolution of Collective Attention Flow in Connectivist Massive Open Online Courses Lurkers

Gao Ming, Zhang Jingjing, Yu Xinyuan

Abstract:Lurkers constitute a significant proportion in online learners. Guiding them out of silence to actively participate in learning is crucial for the development of online learning. While previous research has extensively explored the phenomenon of lurking and its causes, few studies have conducted in-depth analyses of the specific learning processes of lurkers. This study takes a connectivist massive open online course as an example, to examine the impact of learning experiences on course participation by categorizing lurkers into “experienced lurkers” and “inexperienced lurkers”. By modeling and analyzing the collective attention flows of these two types of lurkers, we delve deeper into their learning processes. The study finds that: 1) The evolution of the collective attention flow of two types of lurkers exhibits similar logarithmic growth curve characteristics, with their engagement undergoing a process of rapid increase, slowed growth, and eventual stabilization; 2) Learning experience may shape the resource selection and utilization patterns of lurkers. Specifically, experienced lurkers, guided by past experiences, acquire relevant knowledge and skills more purposefully, while inexperienced lurkers gradually adapt and optimize their learning strategies during the learning process; 3) Two types of lurkers demonstrate relatively positive learning attitudes, suggesting that lurking should be viewed with an open and inclusive mindset. Efforts should be made to guide lurkers to actively “pop in” through small steps strategies. These findings offer theoretical insights and practical guidance for understanding and effectively supporting lurkers’ learning in connectivist MOOCs, and for informing course design.

Keywords:lurkers; cMOOCs; collective attention; attention flow; evolutionary patterns

作者简介

高明，上海师范大学教育学院教育技术学系讲师（上海 200234）。

张婧婧，北京师范大学教育学部副部长、教授（通讯作者：jingjing.zhang@bnu.edu.cn 北京100875）。

于辛源，上海师范大学教育学院教育技术学系硕士研究生（上海 200234）。

基金项目

中国高等教育学会2024年度高等教育科学研究规划课题“基于复杂网络的大规模在线学习集体注意力流动规律挖掘与应用研究”（课题编号：24XX0402）

责任编辑：郝丹

期刊简介

《中国远程教育》创刊于1981年，是教育部主管、国家开放大学主办的综合性教育理论学术期刊，是中文社会科学引文索引（CSSCI） 来源期刊、全国中文核心期刊、中国人文社会科学期刊AMI综合评价（A刊） 核心期刊、中国科学评价研究中心（RCCSE） 核心期刊、中国期刊方阵双效期刊、人大复印报刊资料重要转载来源期刊，面向国内外公开发行。

本刊关注重大教育理论与政策，推动科技赋能教育，反映国际学术前沿，聚焦本土教育改革，注重学术研究规范，提倡教育原创研究。

地址

北京市海淀区复兴路75号

邮编

电话

010-68182514

电邮

zzs@ouchn.edu.cn

网址

cjde.ouchn.edu.cn

来源丨中国远程教育微刊

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与我们联系，我们将及时更正、删除，谢谢。