0 引 言
互联网带来的三元空间改变了知识的生产和传播模式，催生了全新的知识观。然而，对于此类知识发展和演化规律的认识不到位，既削弱了知识作为本体引领教育发展的核心价值，也制约了教育改革、特别是在线教育发展的持续深化。探索互联网专业知识社区中知识种群及其演化规律，是从宏观视角对领域知识整体发展态势的分析和规律的凝练，对进一步掌握知识动态、凝练关键知识具有重要的意义。
知识种群（Knowledge Population）是知识生态系统中的关键要素。它是指同一时间共同存在的同一类知识单元的所有个体，这些知识单元在空间距离上更为相近，具有较强的关联性。以生物种群为原型，采用仿生学演绎建立的知识系统，位于知识单元和知识群落之间，有着单个知识单元所不具有的种群密度、种群规模和种群家族等特征。知识种群之间存在着分布、互动、竞争、演化等生态关系，当知识种群不适应社会发展时，种群会逐渐消亡或被其他种群兼并；反之，当种群满足社会需求时，则不断壮大发展
[1]。
目前已有学者尝试从知识种群角度去探究知识的演化和发展规律。Li等
[2]借助家族树的概念，一种表征一个族谱中各个成员之间的相互关系而得到家族整体的发展脉络的方法，通过在相邻时间窗口内建立工程经验知识（Engineering Experience Knowledge，EEK）之间的语义和成员继承关系，构建家族树模型，揭示EEK长期进化过程，以帮助工程师理解经验性知识进化历史。张敏等
[3]通过Ucinet和NetDraw进行关键词的聚类分析，将国际电子政务的研究划分为6个知识种群，揭示国际电子政务知识种群的脉络发展和热点的变化。唐承林等
[4]类比生物种群所具有的复杂性、协同共生性、自组织性和自适应性等种群生态学特征，并借助生物学中描述不同种群共生现象的逻辑回归模型，依托丰田公司知识网络实践案例描述知识网络通过竞争与协作形成知识优势的动态演化过程。王怀波等
[5]从遗传变异的生物进化理论视角出发，构建遗传变异视角下的网络化知识演化动力模型，探索互联网社区型课程中知识演化的特征。在对现有从知识种群角度探究知识演化文献中发现，现有方法多从更宏观的知识群落的视角或微观的知识单元角度分析知识演化，而少有从中观层面知识种群角度分析互联网专业社区中知识的演化发展规律，且多依赖知识单元数量单一维度衡量种群强度，存在一定的片面性。
鉴于此，本文从知识种群宏观尺度分析视角，在理论层面，构建基于知识生态学的知识种群演化理论模型，阐释知识种群演化内在机理；在实践上，通过引入“凝聚度”指标，结合知识单元分布密度与语义关联性，建立高强度种群识别模型及家族树演化，避免单一相似度计算的片面性；并最终通过互联网社区中cMOOC数据的分析，探究其内部网络化知识种群的演化特征，挖掘演化规律，为深入把握网络化知识演化规律提供认识基础。
1 种群与知识种群演化
1.1 种群与知识种群
种群的概念来源于生态学，是指同一时间生活在一定自然区域内，同种生物的所有个体。与自然领域生态学中种群概念相似，在知识生态学（Knowledge Ecology）中，也存在知识种群。关于知识种群的边界划分，通常受研究者的视角不同而略有差异，但总体而言种群都是特指具有活动的生命体。蔺楠等
[6]将知识工作者视作知识生态系统中的生物个体，基于任务的知识团队则代表不同的种群，如企业知识群体、研究所群体、高校群体、政府知识群体以及知识用户群体等不同知识种群
[7]。与蔺楠等
[6]将“人”这一有机体视作知识种群不同，田庆锋等
[8]将“物”赋予了生命活动，并视作知识种群。他们将组织（Organization）看作知识的生态系统，将组织中的不同知识资产称之为知识种群。通过赋予知识资产的“生命”属性，探索知识种群在一定分布状态中通过互动、竞争中不断演化，形成新的分布结构。
互联网时代知识被赋予了生命活性。知识的本质发生了根本性的改变，知识不再是一种固定不变的真信念，学习所获得信息、认识、技能、价值观和态度都将属于知识
[9]；知识也不再是不可改变的真信念，而是一个时刻处于动态变化中的观点与认识
[10]。这个过程中有价值的知识将具有旺盛的生命力，持续不断地服务各类人群；而价值较低或者“无用”的知识将在互联网中逐渐衰老，直至消亡
[11]。正如联通主义知识观所认为的这类知识生产模式不同于传统的以筛选过滤为主要手段的知识生产，也不等同于以同一性为核心的建构类知识生产模式，而是如有机物一样，自我生长
[12]。因此在互联网知识生态中，知识种群是指同一时间共同存在的同一知识社区，具有相似属性的知识单元的所有个体集合。所谓知识单元主要由实体与属性共同构成，其中实体为互联网中知识的核心内容，包括价值判断、态度、观点，是一个网络化知识的核心与灵魂，等同于知识基因。
1.2 知识种群演化和发展特征
生态学理论是从宏观、动态的角度，研究物种间以及物种与环境间的动态关系。通常而言，一个生态系统中存在分布、互动、竞争和演化的特征。知识种群的分布是研究知识生态的基础，也是探索知识种群互动、竞争的起点，互动关系带来的竞争行为，由此推动的知识演化，则会形成一个新的知识分布结构。知识种群的演化成为研究知识生态变化的重要基础。本文综合已有的资源进化模型
[13]和知识进化模型
[14]，从生态学视角出发，构建网络化知识种群演化模型，以更好地指导知识种群演化研究。
图1呈现了知识种群演化的理论模型。模型展示了网络化知识种群演化的流程。从整个知识生态系统来看，包含两个关键的物种，分别是具有有机生命属性的知识和用户群体（生产者、消费者）。在知识社区中，用户通过内容交互和分享，创造生成知识，形成知识种群中最小的知识单元。用户的需求成为知识单元流动的重要前提，知识流动成为知识演化的基础
[15]，那些能够满足用户使用需求的知识，通常具备较强的生命力，并且具有更多的机会发生演化。也正是因为知识演化，导致大量具有空间上相似的知识单元凝聚成知识种群。并且因为知识种群或知识单元在演化中得以验证和修订，从而进一步稳固知识种群的存在。
从知识种群与其他种群之间关系来看，知识种群为适应环境的变化，会不断发生种群的吞并或分离，即小规模的种群会因内部知识单元能够满足当下需要的知识，得以延续，不断发展形成更大规模；大规模的种群也会因为内部知识单元无法满足当下用户需求，出现“淘汰”“休眠”，形成相对独立的小的知识种群。
从知识种群角度看种群内知识演化，种群中的知识存在迁入、迁出和休眠三种状态。知识作为有机的生命体，在实体与属性上会随着时间的变化发生变异，例如在知识社区中，用户可以通过优化和改善，融入新的观点，创造出一个新的观点或者思路。当某个知识种群中个别知识单元因为发生变异，导致在空间上已很难与原知识种群存在较强的关联关系，就会出现迁出原有知识种群的现象。迁出的知识单元通常会成为游离于知识种群的状态，此类知识单元要么吸附于其他关系更近的知识种群，要么成为新的知识种群起点。与之相同，当其他种群中的知识单元或游离知识单元在演化过程中与当前知识种群具有较强关联关系时，则会被迁入到当前知识种群中。除了迁入和迁出之外，还有一类状态就是休眠，在知识种群中某个知识单元会因外在条件不够成熟而无法得到更多用户的关注与使用，此类知识单元会处于休眠状态。但从空间上的相似性来看，它仍然属于当前的知识种群。同样，游离的知识单元也存在休眠情况。
2 知识种群识别与家族树构建
2.1 知识种群识别
互联网教育领域中知识种群本质上是从宏观尺度上对微观知识单元的重整化表示，是对细粒度知识单元的凝练归纳。在知识种群构建中常见的方法为聚类，并通过命名的方式将有意义的聚类结果标注为特定的知识种群
[16]。因此，知识种群识别分为“聚类识别知识种群”和“潜在主题命名知识种群”两个环节。前者通过聚类算法，例如
K-means等方法完成对种群聚类发现，后者通过识别隐藏主题的方式，例如LDA(Latent Dirichlet Allocation)模型为聚类出来的知识种群命名。
2.2 种群强度计算
作为衡量知识种群活跃程度的指标，知识种群强度通常是指在同一个时间窗口中某个知识种群的知识单元个体总数及其凝聚程度。个体总数越多，意味着该种群的强度值越大。知识种群强度的计算是为了在知识种群演化的家族树的基础上进一步提炼演化路径，从而挖掘网络化知识演化规律。我们认为通过计算不同时间窗口下各知识种群的强度，能够很好地呈现出那些凝聚在一起、被重点关注的知识种群在时间脉络上的变化。由此看出，在知识种群强度中，除了包含知识规模之外，还包含知识种群的凝聚程度。所谓凝聚度，是指知识种群中知识单元距离质心的距离，能够很好地衡量知识种群中知识单元凝聚的程度。因此，网络化知识种群强度值计算包含主题内各知识单元距离质心的平均距离，以及该主题下包含知识单元的比例。知识种群强度值计算公式为：
其中，N表示当前时间窗口下网络化知识单元的总数；d(i)表示种群i下所有知识单元到聚类质心K的距离，在K-means聚类中可以直接得出每一个知识单元到聚类中心点的距离；N(i)表示当前主题i下包含的知识单元个数，也即主题i类的大小，i≤N。
2.3 种群家族树构建
在知识工程中，关于知识演化的研究，通常将知识表征为概念、主题和内容，并借助自然语言的语义相似度计算，探究不同时间窗口下概念、术语的变迁。知识种群的演化路径本质上也是相邻时间窗口下知识种群的语义相似关系。常见的做法是通过计算相邻时间窗口下种群间的语义相似度以及设定阈值等方法，构建知识演化路径，实现演化分析。本文在此思路上通过设定相似度的阈值，构建相邻时间窗口下知识种群之间的关联关系。若相似性高于阈值，表示当前种群为前一个时间窗口种群的延续；若低于阈值，则表示当前种群与前一个时间窗口下的种群并无直接关联
[17]。为了从宏观视角展示知识种群演化的层次、分支特征，本文参考Li等
[2]建立知识种群的家族树，以树的形成呈现出知识种群家庭成员之间的相互关系（
图2）。知识种群家族树，包括知识种群的相似度计算和家族树的构建两个部分。
1） 知识种群相似度计算
与常规通过计算相邻时间窗口下知识单元语义相似度不同，知识种群本质上由空间距离相近的知识单元聚集在一起，是知识单元的集合。不能仅依赖某一个知识单元中知识基因的相似性构建整个知识种群的相似度。为此，本文将知识种群相似度计算分成两个部分，分别为种群的基因相似度和知识单元相似度。种群的基因相似度的计算如下式：
其中，Ki ={K1,K2,K3,…,KM }，Kj ={K1,K2,K3,…,KN }。
种群基因相似度实质上是知识种群下所有知识单在知识基因上的相似度的均值。Cluster1和Cluster2分别为相邻时间窗口下两个知识种群，知识种群1（Cluster1）包含M个知识单元，知识种群2（Cluster2）包含N个知识单元。本文分别计算知识种群1中M个知识单元与知识种群2中N个知识单元在知识基因上的相似性，并通过最终的均值计算，形成两个种群之间的种群基因相似值。
种群的知识单元相似度计算如下：
种群知识单元相似度实质上是指知识种群中包含的知识单元之间的共同出现个数占知识种群的比例。共同出现的知识单元越多，表明两个知识种群之间越相似。
最终将种群的基因相似度和知识单元相似度进行归一化处理，采用均值计算方法，形成知识种群相似度值，如下式：
2） 知识家族树构建
在Cobo等
[18]和Li等
[2]研究的基础上，依据种群相似度的分布构建知识种群家族树，将演化的关联值设定为0.5，即Topic-Sim>0.5，它表示知识种群在两个连续的时间窗口下具有一定的关联。
图2为本文构建的知识种群家族树示意图，图中圆形节点代表知识种群，节点大小表示种群的规模的大小；节点之间的连线代表种群之间存在的演化发展关系。
3 基于cMOOC的网络化知识种群演化分析
3.1 数据基础与种群识别
3.1.1 数据基础
本文以国内首门基于联通主义理论开发的cMOOC“互联网+教育：理论与实践的对话”作为基础数据源。课程重点关注互联网推动教育创新的实践策略和创新理论，课程内容由课程参与者共同构建，学习者在对话、反思等互动中生成属于各自的学习产出。本文选择课程中“消费驱动的教育供给侧改革”主题内容，获取周报4篇、博客138篇、案例42篇、资源54篇以及1 416条评论信息等。
在时间窗口（Windows）划分上，以等距时间窗口和教育领域关键事件为划分依据，划分出25个时间窗口。其中，主题萌芽期（3月27日―5月6日）单独作为一个时间窗口；主题快速增长期（5月7日―5月21日）每天一个时间窗口，切分为15个时间窗口；主题衰落期（5月22日―6月6日）每两天为一个时间窗口，切分为8个时间窗口；最后主题休眠期（6月7日―6月20日）切分成一个时间窗口。
在网络化知识抽取上，采用自主设计的网络化知识抽取机制，从“数据采集与处理、分词与实体抽取、实体过滤与统一”三个环节对每个时间窗口下的原始数据进行网络化知识的抽取
[16]。即首先针对时间窗口下原始数据进行分类形成一些具有独立语境的话题文档，随后借助分词和实体抽取形成网络化知识实体的候选库，最后借助实体的过滤和统一形成最终的网络化知识实体。抽取结果如
表1所示。从
表1中可以看出，话题文档的数量和所抽取的知识单元数量整体呈正相关，并且在课程结束周前后达到顶峰。
3.1.2 网络化知识种群识别
考虑到本文中每个时间窗口下存在多个知识种群，仅凭人工标注知识种群效率低下，为此采用聚类与主题识别相结合的方法，对每一个时间窗口的网络化知识进行聚类分析。
K-means最难之处在于最优
K值的选取，常规的
K值选择有手肘法，即通过观测曲线下降趋势的临界点，确定
K值。但此类方法通常需要人为判断，若直接迁移，本文存在多个时间窗口，
K值的判断也需人工干预。也有研究采用Gap statistic方法选取
K值
[19]。考虑到在实际问题中，样本数据是离散的，仅靠Gap statistic方法很难找到最佳的
K值。因此，在操作上，本文采用动态话题模型（Dynamic Topic Model），固定
K值（
K=10），完成对每个时间窗口下知识单元的降维
[20]。
知识种群规模是指知识种群中所包含知识单元的数目。借助时间窗口可以清晰看出知识种群规模的演化情况。
表2呈现了不同时间窗口下知识种群规模分布。
3.2 从种群规模变化分析演化
为了清晰呈现知识种群规模的演化，本文将知识种群规模划分为三类，分别是：小规模、中等规模和大规模。然而通过对数据的描述性统计发现，知识种群规模数据呈偏态分布，因此无法通过标准差分布进行等级划分。为此本文采用聚类方法，通过10次迭代，形成包含165个小规模、64个中等规模和21个大规模的知识种群。
图3呈现了不同知识种群规模在时间窗口上的演化。从
图3中可以看出，在前6个时间窗口中（
W1-
W6），样本数据中的知识主要由小规模知识种群构成，间或有为数不多的中等知识种群出现，此阶段属于课程刚起步的第一周，探讨的知识话题相对分散，形成一个个相对独立的、分散的小规模知识种群。第二阶段（
W7-
W11），中等规模知识种群开始与小规模种群数量不相上下，此阶段处于课程主题推进的一周后，大量的案例和博客的分享让课程探讨的内容开始聚焦，特定话题的知识开始聚集，大量用户进行相关内容的探讨与创生。第三阶段（
W12-
W17），中大规模知识种群占据主导，这一阶段涵盖了课程的结束时间。由于前期大量内容的积累以及课程结束的双重压力，平台出现了知识的涌现，中小规模知识种群开始迅速演化到中大规模。最后阶段（
W18-
W25），小规模知识种群再次占据主导地位，并随着时间推移逐渐出现新的中等规模知识种群；经历前一阶段的中大规模知识爆炸式增长之后，知识增长再度进入缓慢发展阶段，大规模的种群衍生出新的话题，并分裂成相对独立的小的种群；随着小规模知识种群的逐步演化，新一轮从小规模到中等规模再到大规模的循环发展开始。
小规模知识种群的涌现成为知识种群规模演化的起点。从种群规模演化分析中可以看出，中大规模知识演化离不开前期大量涌现的小规模知识种群。小规模的知识种群更像是后续知识种群发展的种子。作为种子的小规模知识种群经历发展形成中等规模并成熟至大规模知识种群，在成熟之后长出新一轮知识种群规模发展的种子，如此形成一个循环反复的动态发展过程。然而，这种从小规模到大规模的发展，并非一蹴而就。任何中大规模知识种群的形成都是一个不断累积的过程。这个过程中有消亡也有新生，符合用户需求、经得住实践检验的知识种群得以发展，并在用户的不断参与中逐步壮大形成中大规模种群；反之，无法满足需求、得不到生长土壤的知识种群会在发展过程中分解，并被其他种群兼并。由此看来，知识种群规模演化并非简单的线性过程，而是一个周而复始的复杂的动态发展过程。中大规模知识种群并非知识种群规模演化的终点，而是下一轮知识种群规模演化的根基。这是一个从小规模知识种群到中等规模再发展至大规模，又从大规模种群逐步分解成中等规模以及小规模的循环反复的阶段。
3.3 从种群强度变化分析演化
参考丰米宁等
[21]针对产业链中高强度值的设定，将高强度知识种群设定为所有知识种群强度值的前25%。
图4呈现了知识高强度种群在时间窗口上的演化。
从
图4中可以看出，高强度知识种群分布呈不规则上下波动的发展趋势。高强度知识种群随着时间的推进，出现强度的稀释、再次凝聚、继而再次稀释，如此反复前进。从整个时间窗口来看，样本数据的高强度知识种群相对稳定在每个时间窗口下2~3个。这也说明在整个课程进程中，虽然课程没有设置较为明确的课程框架，但学员在探讨时总会有意识地聚焦在一些重点的话题；而其他非高强度知识种群或是成为后续时间窗口下知识种群发展的种子，又或者是成为逐渐消亡而淡出视野的衰落种群。
与知识规模以及知识单元在时间轴上的分布不同，尽管某些时间窗口下知识单元数量较少，但依然存在相对高强度的知识种群。例如在时间窗口早期，课程中以小规模知识种群为主，但小规模并不代表知识种群之间凝聚度不高。而这也是本门课程所具有的特色，前期的课程引导，例如主题学习的课程视频、课程周报的设置等都会让学生在探讨一个相对宽泛的话题时，具有一些更为聚焦的抓手，因此也能够有效保证即便是小规模的知识种群也能存在连接紧密的状态。
反之，当大量知识单元涌现时，高强度的知识种群并没有出现大规模的爆发。例如在课程第一、二周结束时，知识单元呈现出数倍的爆发式增长，而高强度知识种群却处于相对稳定的状态，分别为2个和4个。究其原因，大规模知识爆发在扩充知识种群规模的同时也在一定程度上降低了种群内部知识的关联程度。当不同观点碰撞在一起必然会带来分歧，并且如果网络中缺少对分歧的协调，知识会在各分歧观点中进一步拓展，其结果就是知识种群的分解。
3.4 从种群家族树变化分析演化
为了深入分析不同知识种群之间的相互延续与发展的演化关系，本文在已有知识种群相似度计算的基础上，设定当前时间窗口下知识种群与相邻时间窗口下知识种群相似度最高的连接为知识种群的延续，并在此基础上绘制简略的知识种群家族树（见
图5）。
Ci-j 表示时间窗口i下类别为j的知识种群，例如C6-5表示时间窗口6（W6）下类别为5的知识种群。
从知识种群规模演化来看，不同规模知识种群存在着同等规模的种群延续，也即中等规模种群延续到中等规模、大规模延续到大规模。例如中等规模的C6-5→C7-4→C8-3以及大规模知识种群的C14-9→C15-9→C16-9。种群规模越大，在种群凝聚上越不稳定，并容易出现种群的分解。总体来说，大规模种群相对中等规模种群更容易出现分裂；种群之间的演化是一个从小规模到大规模的积累过程，同时也是一个种群内部知识单元分分合合的过程。
从高强度知识种群演化来看，仅有少部分高强度知识种群能在多个时间窗口下得以继承，例如C13-6→C14-5→C15-1→C16-2，以及C21-2/C21-7→C22-1→C23-1→C24-2→C5-7；更多的高强度知识种群仅能维持一到两个时间窗口。从时间脉络上可以看出，中后期高强度知识种群更能得以继承。这是因为在一个开放知识社区中针对某一个主题的探讨，存在一个从发散到收拢的过程。知识创生也是一样，“消费驱动的教育供给侧改革”本身也是一个相对宽泛的主题，学员在前期课程中讨论的点较为广泛，但随着时间的推移，在一段时间内出现相对聚焦。
从知识种群发展来看，存在知识种群的相互兼容。例如
C2-2→
C3-2，
C2-9→
C3-2，中等规模的知识种群
C2-2与小规模的
C2-9在演化上共同继承并整合到小规模知识种群
C3-2中，通过计算可知，Cosim（
C2-2→
C3-2）为0.419，Cosim（
C2-9→
C3-2）为0.105（如
表3）。
从内容上看，知识种群C2-2着重在探讨从“教育需求”到“教育供给”再到“教育供给改革”以及如何借助“互联网”在不同“教育体系”中推动教育变革、提升“教育质量”、促进“教育公平”等。可以说探讨的内容涉及教育供给的许多方面。反观知识种群C2-9更多是从实际案例的角度探讨教育供给的具体案例——通过各类技术手段“AR英语”“阅读评测”以及各种策略“分级阅读”等形式从教育供给的角度促进“英文阅读”。从知识基因相似度上看，知识种群C3-2在知识基因上很大程度上继承了种群C2-2中所涉及的“教育供给”“教育供给改革”，从而提升“教育质量”、促进“教育公平”等内容（0.419）；但同时也在一定程度上继承了种群C2-9中通过实施“分级阅读”解决当下教育供给问题（0.105）。这是一种知识种群之间的相互继承和发展，在新的种群中那些当前用户不需要的知识单元会迁出知识种群，而那些能够对知识种群起到补充作用的知识单元会迁入知识种群中。那些迁出的知识单元或进入休眠阶段等待下一次的唤醒，或迁入其他知识种群中，例如“英语学习”在后续C11-4、C13-1、C14-7以及C15-5中出现，而“互联网教育”则“迁入”到知识种群C3-3中。
除了知识种群之间的相互兼并之外，也存在新种群的生成。以时间窗口2为例，在当前窗口下
C2-8属于新知识种群。
图6呈现了相邻时间窗口变化下（
Wi-i+1表示时间窗口
i和相邻时间窗口
i+1）新增知识种群的分布。
整个新增知识种群分布呈现不规则的发展趋势。这些新的知识种群创生，一方面源于新的知识单元的产生和聚集；另一方面是通过对已有的游离知识单元的吸收或对休眠知识单元的激活，并重新组合而成。
4 结 语
本文从知识生态学视角出发，以宏观尺度探索互联网知识社区中知识演化规律：一方面，能帮助人们更全面地理解互联网时代知识发展的整体态势；另一方面，也能为互联网时代教育中“教什么”“怎么教”等实际问题，提供基础层面的支持。在理论上本文从知识生态学视角构建知识种群的演化理论模型，为从种群角度分析知识演化提供理论支撑。在实践探索上，通过引入“凝聚度”指标，结合知识单元分布密度与语义关联性，建立高强度种群识别模型及家族树演化，为互联网教育实践提供了识别知识种群演化的量化指标和操作方法；此外依托cMOOC中网络化知识演化特征的挖掘和规律的凝练，对在线教育的组织实施和未来发展提供了规律性的支持。
总体而言，知识演化并非简单的线性过程，也不完全是连续的过程，而是一个复杂的、非线性的过程，更是一个循环往复持续发展的过程。这个过程中环境成为至关重要的决定因素，当然用户的选择、领域专家的判断以及知识内容本身等因素也对知识的演化路径具有一定的影响。从知识种群的发展来看，知识的演化更像是一个周而复始、循环往复的过程。从整个时间窗口上可以看出知识种群的发展经历相似的生命周期——形成阶段、发展阶段、稳定阶段、衰退阶段。形成阶段，意味着知识是一种从无到有的状态，此时的知识种群主要由小规模的种群构成；发展阶段，意味着知识创生数量快速上升、小规模知识种群开始聚集，中等规模的知识种群开始出现；稳定阶段，意味着知识的发展相对成熟，大量知识单元开始涌现，小规模、中等规模种群逐步形成中大规模种群；衰退阶段，意味着知识的分解，知识种群从中大规模开始分解成小规模种群。从稳定进入衰退并非知识种群演化的终点，而是下一轮知识种群演化的起点。随时间的变化，大量的小规模知识种群，因更多知识单元的加入而再次从小规模到中等规模直至大规模。在这个过程中出现小规模知识种群逐渐融合形成大规模知识种群、大规模知识种群逐渐分解形成新一轮演化所需的小规模知识种群。在融合与分解的交替过程中完成社区中知识单元与知识种群的积累。
本文虽然从宏观尺度探讨了知识种群的演化规律，但本文所选择cMOOC下的一个主题作为分析的样本数据，样本数据的时间跨度短、体量小，使得规律具有一定的局限性。虽然小规模的数据一样可以分析演化的特征、提炼演化的规律，但这些规律是否适用于互联网这个完全开放、共享的环境，还需进一步验证。为此，在未来研究中，期待通过对不同类型、不同领域、不同形式的网络平台开展相应的知识演化规律分析，从而更大程度地丰富网络化知识演化规律。
国家青年科学基金C类(62207005)
京公网安备11010202008535号
PDF
(2911KB)
