聯(lián)通主義學習中知識貢獻影響因素分析模型與規(guī)律

摘 要：聯(lián)通主義強調(diào)學習者是知識的主要貢獻者，知識的產(chǎn)出源于學習者豐富廣泛的社會交互，但社會交互影響知識貢獻的具體機制尚不明晰。本研究基于聯(lián)通主義和復雜系統(tǒng)觀，從連接支持、連接機會和連接能力3個維度，選取促進者關注、反饋激勵、榜樣帶動、交互對象異質性、身份公開、社群規(guī)模、主動性、社會吸引力和利他性9個條件變量，構建了聯(lián)通主義知識貢獻影響因素分析模型（SOA模型）。收集國內(nèi)第一門cMOOC的10，598條交互數(shù)據(jù)，采用基于模糊集的定性比較方法（fsQCA），從組態(tài)的視角揭示社會交互影響聯(lián)通主義學習者知識貢獻質量的聯(lián)合作用路徑，發(fā)現(xiàn)：1）高質量的知識貢獻表現(xiàn)為三種驅動模式——自我導向型、開放利他型和促進者依賴型；2）高質量的知識貢獻離不開社會交互的反饋激勵、榜樣帶動和個體的社會吸引力；3）促進者關注或榜樣帶動、自主性或利他性是驅動高質量知識貢獻必不可少的核心條件。本研究為今后分析聯(lián)通主義知識貢獻的影響因素提供了理論框架，研究結果揭示了社會交互因素對個體知識貢獻質量的影響機制，有助于幫助研究者和課程設計者理解個體的知識貢獻行為，為激發(fā)學習者保持高質量貢獻、改進激勵機制設計和學習支持服務提供依據(jù)。

關鍵詞：聯(lián)通主義；cMOOC；社會交互；知識貢獻；知識生產(chǎn)

一、問題提出

聯(lián)通主義學習是適應“互聯(lián)網(wǎng)+”時代快速變化、動態(tài)生長、復雜境域化知識的一類學習（陳麗 等， 2019）。知識的增長和發(fā)展是所有學習者持續(xù)對話、貢獻經(jīng)驗、不斷探索碰撞的結果（Downes， 2012），起初主題和想法的簡單列表在學習者廣泛豐富的交互中碰撞、發(fā)散，生長為視角多元的復雜知識網(wǎng)絡（Cabrero & Román， 2018; Díaz & de Frutos， 2018）。學習者貢獻知識是聯(lián)通主義學習的新特征，社會交互不僅為學習者間的知識交流提供管道，而且有利于更深層次、更高質量的知識貢獻和產(chǎn)出（Downes， 2017），但是，社會交互如何影響個體知識貢獻這一問題尚未得到解答。近年來，虛擬學習社區(qū)知識貢獻的影響因素研究受到廣泛關注，但一方面這類研究多將回答數(shù)、發(fā)文數(shù)、帖子數(shù)等平臺記錄的行為數(shù)據(jù)直接作為知識貢獻的測量指標（李海峰 & 王煒， 2020），缺乏對行為數(shù)據(jù)的二次挖掘，難以準確表征知識貢獻質量（Wasko & Faraj， 2005）；另一方面，研究方法結構方程模型、泊松回歸、負二項回歸等方法，側重揭示單一條件變量的凈效應，而聯(lián)通主義知識貢獻的影響因素并不獨立（秦婷 & 鄭勤華， 2020），其因果推斷是一種復雜的、多組合的、非對稱的關系，應對變量間的聯(lián)動、非對稱關系進行建模（譚海波 等， 2019; 鄧勝利 等， 2022）。

因此，本研究重點回答兩個問題：1）哪些社會交互因素會影響聯(lián)通主義學習者的知識貢獻？2）這些影響因素如何共同作用？具體而言：一方面基于聯(lián)通主義和復雜系統(tǒng)理論，結合已有研究的理論基礎和研究假設，構建聯(lián)通主義知識貢獻影響因素分析模型；另一方面收集cMOOCs實證數(shù)據(jù)，運用基于模糊集的定性比較分析方法（fsQCA），進一步驗證揭示社會交互影響聯(lián)通主義學習者知識貢獻的因素組態(tài)，幫助研究者和課程設計者理解聯(lián)通主義學習者的知識貢獻行為，為激發(fā)學習者持續(xù)高質量貢獻、改進激勵機制設計和學習支持服務提供依據(jù)。

二、文獻綜述

聯(lián)通主義學習條件下的知識貢獻研究集中于非正式學習領域，同樣強調(diào)平臺和媒體開發(fā)者本身不生產(chǎn)內(nèi)容，每個個體既是內(nèi)容的消費者也是內(nèi)容的生產(chǎn)者，如探究虛擬學習社區(qū)、社交媒體、知識問答社區(qū)中個體知識貢獻的影響因素。這類研究呈現(xiàn)多理論視角，綜合社會資本、社會認知、社會比較、身份傳播、社會交換、動機理論等觀點，提出了一系列影響個體知識貢獻的研究假設，為本研究選取聯(lián)通主義情境中影響個體知識貢獻質量的社會交互層面的條件變量提供了重要參考。社會資本理論認為社會人際關系是一種促進組織和個體知識貢獻的重要資本，包括網(wǎng)絡連接的結構資本，責任、規(guī)范、信任、認同的關系資本，以及共同語言與愿景的認知資本等，能夠提升知識貢獻的范圍、深度和效率（Wasko & Faraj， 2000）；社會認知理論強調(diào)個人因素（自我效能、結果預期、感知相對優(yōu)勢、兼容性等）和情境因素（互惠、規(guī)范、信任等）共同作用于個體知識貢獻行為（Wasko & Faraj， 2005; Tsai & Bagozzi， 2014）；社會比較理論指出個體間的比較影響了個體的認知、情感、行為，在社會比較標準的作用下，個體為了保持和進步，往往會更努力地參與、工作和貢獻（Frey & Meier， 2004）；身份傳播理論表明自我展示（個人信息、行為記錄等）和社會曝光（用戶關系等）等因素也會影響社交媒體環(huán)境下的參與和分享行為（Wasko et al.， 2009）；社會交換理論認為人的行為受成本（知識特權喪失、時間和精力等）和收益（組織獎勵、形象激勵、互惠、愉悅等）的影響，知識貢獻同樣追求成本最小化和收益最大化（李金陽， 2013）；動機理論認為知識貢獻源于獲得感、愉悅、滿足等內(nèi)部動機，以及金錢、威望、形象等外在需求引發(fā)的外部動機（Austvoll-Dahlgren et al.， 2012）。除以上主要理論基礎之外，已有研究也將自我決定理論、使用與滿足理論、活動理論、集體行動理論、注意力經(jīng)濟、沉沒成本效應、復雜系統(tǒng)科學等納入，共同支撐知識貢獻影響因素的選取和解釋。

麥金尼斯和賈沃斯基（MachInnis & Jaworski， 1989）構建了動機（Motivation）、機會（Opportunity）、能力（Ability）3個因素作用的MOA模型，3個維度相互關聯(lián)，互為補充，共同解釋特定信息行為的發(fā)生動力。其中：動機包括行為產(chǎn)生的外部動機和內(nèi)部動機，是一種促使個體為實現(xiàn)特定目標而付出努力的驅動力；機會泛指個體感知到的、促進或抑制特定行為或目標實現(xiàn)的環(huán)境因素；能力泛指個體達成特定目標所具備的知識、技能等方面的潛力。知識貢獻屬于信息行為的范疇，MOA模型為從過程驅動的視角解釋個體層面的知識貢獻行為提供了理論框架的參考，在個體信息搜尋、知識共享的因素研究方面已有應用（譚春輝 & 任季寒， 2022）。本研究將基于MOA模型，從社會交互的視角構建聯(lián)通主義知識貢獻影響因素分析模型。

三、聯(lián)通主義知識貢獻影響因素

分析模型的構建

社會交互所建立的連接關系的質量（如頻率、強度、互惠性、多樣性、好友關系、結構特征等），會對個體的知識貢獻質量產(chǎn)生影響（陳則謙， 2013; 徐亞倩 & 陳麗， 2019; 秦婷 & 鄭勤華， 2020）。與MOA模型的3個維度相對應，社會交互所形成的關系網(wǎng)絡對特定行為的影響可以從激發(fā)動機、提供機會和反映節(jié)點的資源和勝任力3個維度概括（Adler & Kwon， 2002）。因此，本研究基于MOA模型，將社會交互對知識貢獻質量提升的影響因素概括為連接支持、連接機會和連接能力3個維度。采用“連接支持”代替原有模型的“動機”維度，是因為這類因素并非個體知識貢獻的動機本身，而是作為激發(fā)動機和支持個體提升知識貢獻質量的因素。

結合聯(lián)通主義及復雜系統(tǒng)理論，進一步論證3個維度對個體知識貢獻質量的影響。首先，社會交互為提升個體知識貢獻質量提供外部支持和激勵。聯(lián)通主義學習中的知識貢獻是一種自主決定的、非強制性的行為，聯(lián)通主義學習觀、知識觀以及復雜系統(tǒng)理論表明，相互連接的兩個實體之間存在相互影響和相互作用（Downes， 2022; Mateos-Aparicio & Rodríguez-Moreno， 2019），個體通過連接和交互能夠獲得來自他人源源不斷的反饋和激勵，從而支撐更高質量、更持久的知識貢獻行為（徐亞倩 & 陳麗， 2021）。其次，社會交互為提升個體知識貢獻質量提供機會，社會交互連接了知識貢獻者與消費者（Cross & Cummings， 2004），且聯(lián)通主義學習是一個復雜系統(tǒng)，連接的伙伴的文化背景、經(jīng)歷風格、思維策略越多樣，連接關系越豐富，則個體從連接中受益越多，對知識流動及其價值需求的感知越多維可靠（Downes， 2017），刺激個體知識貢獻質量提升的概率越高。最后，社會交互為個體知識貢獻質量提升奠定能力基礎，無論是自發(fā)類還是應求類知識貢獻，都對學習者的能力提出了一定的要求（Teng & Song， 2011）。社會交互所形成的網(wǎng)絡，能夠反映個體在自主尋徑、網(wǎng)絡導向、維持對話、領會他人等方面的能力，而這些能力不僅是連接形成、維護和發(fā)展的前提，也為個體靈活適應復雜環(huán)境、不斷更新和貢獻經(jīng)驗提供重要支撐（Bowes & Swanwick， 2018）。綜上，本研究從連接支持（Connecting Support， CS）、連接機會（Connecting Opportunity， CO）、連接能力（Connecting Ability， CA）3個維度，構建了聯(lián)通主義知識貢獻影響因素分析模型（SOA模型）（如圖1所示）。3個維度相互關聯(lián)，互為補充，共同解釋復雜開放的聯(lián)通主義學習情境中的個體知識貢獻行為。

結合以往研究理論和假設，考慮數(shù)據(jù)收集的可行性，進一步選取定義了9個條件變量。

（一）連接支持（Connecting Support， CS）因素

依據(jù)互惠理論、社會交換理論、強化理論、聯(lián)通主義學習觀和教師觀，本研究選取促進者關注、反饋激勵和榜樣帶動作為影響個體知識貢獻質量的連接支持因素。其一，促進者關注。當物質性獎勵較低時，重要他人（如社區(qū)管理者）的認可和關注便成為個體持續(xù)貢獻高質量知識的重要外部支持（Shen et al.， 2015）。聯(lián)通主義學習中促進者是多數(shù)學習者的重要他人（Dron， 2013），促進者的關注和反饋能夠幫助學習者更高效地尋徑和驅動意會（王志軍 & 陳麗， 2014），助力提升個體知識貢獻質量。其二，反饋激勵。他人反饋或幫助能夠給予個體情感激勵和滿足尊重需求，在回饋信念作用下產(chǎn)生繼續(xù)分享和回報他人的信心與意愿（Byron & Khazanchi， 2012; Liang et al.， 2018）。他人反饋也為修正原有連接與經(jīng)驗提供支持，是刺激知識貢獻質量提升的重要外在激勵（盧新元 等， 2019）。其三，榜樣帶動。聯(lián)通主義認為連接的實體之間存在相互作用（Downes， 2017），好友的知識貢獻行為將影響個體的知識貢獻行為（Burke et al.， 2009），“和誰學習”比“學習什么”更重要。社會網(wǎng)絡中高影響力的學習者能夠發(fā)揮與促進者相似的支持、示范和演示作用，聯(lián)通的高影響力個體越多，則個體收獲的分布式支持和激勵作用越大，個體受“榜樣”影響進行高質量知識貢獻的可能性越高（Jin et al.， 2015）。

（二）連接機會（Connecting Opportunity， CO）因素

依據(jù)復雜系統(tǒng)理論、身份傳播理論、社會資本理論和社會比較理論，本研究將交互對象異質性、身份公開和社群規(guī)模作為重點觀測的連接機會因素。其一，交互對象異質性。主體異質性意味著經(jīng)驗背景和社會屬性多元，看待問題和分享內(nèi)容的視角更加多樣（徐亞倩 & 陳麗， 2021），交互對象越多元，在交流過程中越可能激發(fā)認知沖突和頭腦風暴，進而促進知識涌現(xiàn)，提升知識貢獻質量（陳麗 等， 2019）。其二，身份公開。身份信息是在虛擬社區(qū)環(huán)境中向陌生人展示“我是誰”、形成身份共識的重要途徑（Ma & Agarwal， 2007）。知識共享社區(qū)中個體的身份標簽、自我介紹等標識越完整、越具體，交互過程中維護身份形象的意愿越強，收獲他人認同與信任、連接志同道合的伙伴的機會越大（Jabr et al.， 2014），有更大概率融入問題討論，進而提升知識貢獻質量。其三，社群規(guī)模。一般而言，社群規(guī)模越大，個體知識感知、社會曝光和觀眾效應的范圍越大（Barasch & Berger， 2014），收獲他人反饋、圍繞具體內(nèi)容深入討論的可能性也越高，從而刺激和推動個體知識貢獻質量的提升（Huang & Zhang， 2016）。

（三）連接能力（Connecting Ability， CA）因素

依據(jù)聯(lián)通主義知識觀和學生觀、復雜系統(tǒng)理論和社會規(guī)范理論，本研究選取主動性、社會吸引力和利他性作為個體知識貢獻質量的連接能力因素。其一，主動性。聯(lián)通主義學習中的知識貢獻是非強制性的，學習者需要主動積極地尋徑、篩選、組織、整合碎片化信息來源（Siemens， 2011; Cao， 2018），即高質量的知識貢獻行為依賴于學習者的自我導向和積極參與（Chen & Hung， 2010），社會交互過程中個體的主動自發(fā)交互行為能在一定程度上反映個體的主動性（崔智斌 & 涂艷， 2022）。其二，社會吸引力。個體社會網(wǎng)絡的入度值能夠反映其在社區(qū)中的吸引力和受歡迎程度（徐亞倩 & 陳麗， 2019），個體吸引力越高，社會曝光和信任關系的有效范圍越大，接收豐富信息流的能力越強，則個體作為理性人提升知識貢獻質量的傾向越高（Jabr et al.， 2014; Hashim & Tan， 2015）。其三，利他性。利他性是個體依據(jù)特定知識接收者的需求提供回答和幫助的行為傾向和表現(xiàn)（崔智斌 & 涂艷， 2022），是提升應求類知識貢獻質量的能力基礎（Ma & Chan， 2014; Teng & Song， 2011）。在社會交互中，個體對他人消息的積極回復行為，是利他性的典型體現(xiàn)。

四、研究設計與變量處理

（一）研究情境與數(shù)據(jù)收集

本研究以國內(nèi)cMOOC“互聯(lián)網(wǎng)+教育：理論與實踐的對話”第一期課程（cMOOC 1.0）為研究情境。該課程以聯(lián)通主義理論為指導，圍繞“互聯(lián)網(wǎng)+教育”領域的5個主題開展共計12周的課程學習。5個主題分別為“線上線下教學空間融合”“社會教育資源共建共享”“消費驅動的教育供給側改革”“精準高效的教育管理模式”“‘互聯(lián)網(wǎng)+教育’的哲學觀”。課程運行期間，包括教育管理者、產(chǎn)業(yè)從業(yè)者、一線教師、學生、研究者等在內(nèi)的425名不同身份和經(jīng)驗背景的學習者參與學習，自主決定參與哪些話題討論以及如何參與，通過微信群、新浪博客、課程平臺等分布式平臺互動交流，貢獻觀點，最終生成10，598條交互數(shù)據(jù)，包括10，070條微信討論數(shù)據(jù)、218條論壇數(shù)據(jù)（發(fā)帖和回帖）和310條新浪博客數(shù)據(jù)（發(fā)文、評論、回復）。這些交互數(shù)據(jù)與學習者身份數(shù)據(jù)共同組成本研究的數(shù)據(jù)集。

（二）研究方法

本研究主要采用基于模糊集的定性比較分析法（fsQCA），探究聯(lián)通主義學習者個體知識貢獻質量影響因素的組態(tài)效應。與強調(diào)因果關系對稱、關注相互獨立的單個自變量的凈效應的回歸分析方法相比，該方法以集合論為基礎，強調(diào)條件變量相互依賴、共同作用導致結果的發(fā)生。不同條件變量的組合能夠產(chǎn)生相同的結果，是對變量間的復雜非對稱關系進行建模的方法（杜運周 & 賈良定， 2017）。QCA方法在大樣本案例處理和復雜組態(tài)效應的分析中的應用已經(jīng)得到國內(nèi)外學者的肯定（Jiang et al.， 2018; 盧新元 等， 2019）。聯(lián)通主義學習路徑模糊，學習者自主性強，類型多樣（Xu & Du， 2021），實現(xiàn)知識創(chuàng)生的路徑不唯一（Wang et al.， 2014），影響知識貢獻的因素組合更加復雜多樣，因此適合采用該方法解釋個體知識貢獻質量的多重并發(fā)動因組合，但該方法在應用時需注意變量選取及校準，明確一致性和頻數(shù)閾值以及穩(wěn)健性檢驗。除此之外，在條件變量測算時，研究采用社會網(wǎng)絡分析法計算榜樣帶動（特征向量中心度）和社會吸引力（入度），采用Louvain算法識別并計算個體所屬社群規(guī)模，采用描述統(tǒng)計測算促進者關注、反饋激勵、交互對象異質性、身份公開、主動性、利他性等條件變量對應的行為頻次。

（三）變量設置、測量與校準

1. 結果變量設置與測量

在知識貢獻的測量與定義方面，已有研究多選用回答數(shù)、發(fā)文數(shù)、帖子數(shù)等平臺直接記錄的行為數(shù)據(jù)（李海峰 & 王煒， 2020; Guan et al.， 2018），但行為頻次難以準確表征知識貢獻質量。對聯(lián)通主義學習而言，個體在觀點碰撞過程中孕育新概念、在特定情境中開展意會的過程尤為重要（陳麗 & 王志軍， 2016），即相比行為計數(shù)，應更加關注內(nèi)容本身。因此，本研究將個體貢獻的關鍵概念的數(shù)量作為衡量其知識貢獻質量的重要指標，采用徐亞倩和陳麗（2019）定義的指標計算方法，即概念數(shù)量貢獻度（K），挖掘并統(tǒng)計個體貢獻內(nèi)容中與主題相關的概念的數(shù)量。概念的提取須對10，598條交互內(nèi)容數(shù)據(jù)進行預處理，包括將圖片、視頻、語音等非文本數(shù)據(jù)編碼為文本數(shù)據(jù)，刪除表情符號等。之后基于課程組提供的專家詞典（1，096個關鍵詞）和停用詞列表（1，208個常用停用詞和195個課程組自定義停用詞），利用結巴分詞算法從內(nèi)容文本中提取概念，最終，主題一提取1，075個概念，主題二提取607個概念，主題三提取693個概念，主題四提取630個概念，主題五提取530個概念，以上提取的概念即本期課程的關鍵概念庫。計算個體發(fā)布內(nèi)容中囊括關鍵概念的個數(shù)，即可得出個體的概念數(shù)量貢獻度，即知識貢獻質量。經(jīng)統(tǒng)計，個體知識貢獻質量最高為214，最低為0。

2. 條件變量設置與測量

如表1所示，9個條件變量的測算以對應交互行為計次、社會網(wǎng)絡分析以及身份數(shù)據(jù)統(tǒng)計為依據(jù)。不同平臺的交互數(shù)據(jù)，以姓名、單位、郵箱、電話等基本信息以及學習者填寫的各平臺ID及鏈接為依據(jù)進行匹配整合。

3. 變量校準

在fsQCA分析前，須將各變量原始數(shù)據(jù)轉換為0至1的模糊集隸屬度，“1”代表案例完全隸屬于該集合，“0”代表完全不隸屬于該集合。本研究采用直接校準法（Ragin & Fiss， 2008），以95%、50%、5%作為校準分位點。其中促進者關注的50%和5%分位點均為0，因此以“被促進者回復1次”作為中間點劃分是否隸屬。數(shù)據(jù)校準后，為避免隸屬度為0.5的案例被fsQCA軟件剔除，將“促進者關注（FA）”和“身份公開（ID）”中隸屬度為0.5的值修改為0.501，原因為“FA”隸屬度為0.5的原始值為1，表明得到過促進者關注，歸為隸屬集，“ID”隸屬度為0.5的原始值為2，表明公開了大部分個人信息，歸為隸屬集（Campbell et al.， 2016），其余變量中隸屬度為0.5的值修改為0.499（Crilly et al.， 2012）。校準后的部分結果見表2。

五、結果分析

（一）單個條件的必要性分析

條件組態(tài)分析之前需對各條件變量的“必要性”進行逐一單獨檢驗。必要條件意味著在結果發(fā)生時該條件始終存在（Ragin & Fiss， 2008）。通過fsQCA 3.0軟件輸出個體知識貢獻質量的必要條件檢驗結果，其中“～”代表條件變量缺失。如表3所示，所有條件變量的一致性都小于0.9，即不存在影響個體知識貢獻質量的必要條件。

（二）條件組態(tài)的充分性分析

利用fsQCA軟件析出知識貢獻質量的真值表集合，存在29（=512）種因果組合。將一致性閾值設置為0.8，案例閾值設置為2，PRI一致性閾值設置為0.75（Ragin & Fiss， 2008），對數(shù)據(jù)進行構型分析，輸出簡單解和中間解，確定各組態(tài)的核心條件和邊緣條件。核心條件與結果有強烈的因果關系，而邊緣條件的因果關系較弱。如表4所示，最終生成4種組態(tài)，4種組態(tài)的一致性水平均高于0.9，總覆蓋率為0.6467，總一致性為0.9309，表明4種組態(tài)可以作為個體貢獻更多概念的充分條件組合。4種組態(tài)可以歸納為3種驅動模式，即自我導向型（組態(tài)1）、開放利他型（組態(tài)2、3）、促進者依賴型（組態(tài)4），呈現(xiàn)因素構型“殊途同歸”的特點。

自我導向型（組態(tài)1）以榜樣帶動、交互對象異質性以及主動性為核心條件，以反饋激勵、社會吸引力和利他性為輔助條件，說明當學習者交互主動積極，具有極高的自主性，能通過積極的自我表達與不同經(jīng)驗身份、高影響力的個體建立廣泛深入互動時，便能從中受益，從而產(chǎn)出更多關鍵概念。自我導向型組態(tài)能夠解釋約62.44%的高質量知識貢獻行為，約26.39%的高質量知識貢獻行為僅能被該組態(tài)解釋。

開放利他型（組態(tài)2、3）表明當不考慮學習者主動性水平時，高質量的知識貢獻以促進者關注、交互對象異質性、利他性為核心條件，說明該類學習者樂于為社區(qū)中其他成員提供幫助和反饋，積極地與多樣個體建立聯(lián)系，收獲了促進者的關注和激勵，從而促進了高質量的知識貢獻行為。該類驅動模式因邊緣條件的差異而表現(xiàn)出兩種路徑。除反饋激勵、榜樣帶動和社會吸引力3個條件必須發(fā)揮輔助作用外，組態(tài)2另需社群規(guī)模作為邊緣條件加持，即依托較大規(guī)模的社群促進更廣泛的開放式尋徑，拓展知識響應和感知的范圍，增加個體社會曝光和收獲他人反饋的機會。該組態(tài)能夠解釋27.14%的高質量知識貢獻行為，且0.63%的高質量知識貢獻僅能被該組態(tài)解釋。而組態(tài)3以身份公開作為額外輔助條件，需要向其他成員更完整地展示個人信息，身份信息的公開促進了網(wǎng)絡環(huán)境中認同和信任關系的建立，提升了知識交換的可靠性，利于尋求更多志同道合的伙伴，更順利地融入問題討論，從而促進關鍵概念的傳播和產(chǎn)出。該組態(tài)能夠解釋31.67%的高質量知識貢獻，僅0.38%的高質量知識貢獻行為能被該構型解釋。

促進者依賴型（組態(tài)4）表明在連接機會均缺失的情況下，高質量的知識貢獻需要促進者關注和學習者自主性發(fā)揮核心作用，反饋激勵、榜樣帶動和社會吸引力發(fā)揮輔助作用。即當學習者傾向以匿名身份參與、自組織形成的社群規(guī)模較小、與異質性個體聯(lián)系較弱時，促進者需給予其主動積極的表達行為更多的激勵和關注以促進其高質量的知識貢獻行為，在這個過程中，來自更多學習者（包括高影響力學習者）的關注和回應也能發(fā)揮積極的輔助作用。該構型能夠解釋14.59%的高質量知識貢獻數(shù)量行為，僅0.42%的高質量知識貢獻數(shù)量行為能被該構型解釋。

（三）穩(wěn)健性檢驗

為保證fsQCA研究結果的準確性，降低敏感性和隨機性，通過調(diào)整案例頻數(shù)閾值和一致性閾值，對知識貢獻質量的條件組態(tài)進行穩(wěn)健性檢驗。倘若調(diào)整后未產(chǎn)生有意義且不同的實質性解釋，或前后組態(tài)具有清晰的子集關系，則結果是穩(wěn)健的（Schneider & Wagemann， 2012）。將案例頻數(shù)閾值調(diào)整為3，一致性閾值調(diào)整為0.85，發(fā)現(xiàn)總覆蓋率降低為0.6387，總一致性提升為0.9316，輸出的兩種組態(tài)仍為原有4種組態(tài)的子集（組態(tài)1和組態(tài)2），因此原有研究結果是穩(wěn)健的。

六、結論與展望

（一）研究結論

本研究從連接支持、連接機會和連接能力3個維度，構建了聯(lián)通主義知識貢獻影響因素的分析模型（SOA模型），并從組態(tài)視角揭示了聯(lián)通主義學習中連接支持、連接機會、連接能力與個體知識貢獻質量之間多樣、復雜的因果關系。研究結論如下。

1. 高質量的知識貢獻表現(xiàn)為3種驅動模式：自我導向型、開放利他型和促進者依賴型

高質量的知識貢獻行為的4種條件組態(tài)可以歸納為自我導向型、開放利他型和促進者依賴型3種驅動模式（見圖2）。自我導向型學習者表現(xiàn)出較高的主動性，善于通過積極的自我表達與不同經(jīng)驗身份、高影響力的個體建立聯(lián)系，從而促進高質量的知識貢獻行為（Chen & Hung， 2010）。開放利他型不考慮學習者的主動水平，強調(diào)在促進者激勵的情況下通過積極地回復和幫助他人，利用身份公開或大規(guī)模社群拓展主動尋徑的范圍并從中受益，與網(wǎng)絡中異質性、高影響力的個體建立互惠關系，占據(jù)高質量內(nèi)容獲取和傳播的有利地位（Jin et al.， 2015），利用個體間的相互影響助推高質量的知識產(chǎn)出（Downes， 2017）。而當連接機會均缺失，即學習者傾向以匿名身份參與、自組織形成的社群規(guī)模較小、與異質性個體聯(lián)系較弱時，則只能依靠促進者依賴型的驅動模式實現(xiàn)高質量的知識貢獻，學習者自身須保持極高的主動性爭取更多學習者（包括高影響力學習者）的關注和回應，促進者須給予其主動積極的表達行為更多的激勵和回復。

2. 高質量的知識貢獻離不開社會交互的反饋激勵、榜樣帶動和個體的社會吸引力

4種條件組態(tài)均需反饋激勵、榜樣帶動以及學習者自身的社會吸引力發(fā)揮輔助作用。這3個條件均強調(diào)他人對個體學習的影響，反饋激勵意味著收獲他人更多的回復和評論，榜樣帶動意味著與高影響力他人建立聯(lián)系，社會吸引力意味著受到更多不同個體的關注和回應。這表明在聯(lián)通主義學習中，個體高質量的知識貢獻行為，即大量的關鍵性概念的產(chǎn)出，需要依托社會交互過程中不同成員、高影響力個體的持續(xù)回應和反饋，印證了聯(lián)通主義學習中知識是群體交流的產(chǎn)物（Downes， 2012），是社區(qū)成員之間相互影響的結果（Jin et al.， 2015），知識需要通過連接的刺激實現(xiàn)增長、發(fā)展，而不僅僅是個體頭腦內(nèi)部的反映。學習也不是教師組織傳播、學習者簡單復制記憶的過程，對話和討論變得更加重要，概念和觀點分布于整個社區(qū)網(wǎng)絡中，需要通過交互不斷地發(fā)展和維護連接，不斷地汲取碎片化信息和思想形成新的理解（Downes， 2017）。

3. 促進者關注或榜樣帶動、自主性或利他性是實現(xiàn)高質量知識貢獻必不可少的核心條件

分析4種條件組態(tài)的核心條件可以看出，聯(lián)通動機中促進者關注或榜樣帶動是必不可少的核心條件，即高質量的知識貢獻要么依托高頻次的促進者激勵和回復（組態(tài)2、3、4），要么源于其他核心學習者潛移默化的榜樣影響（組態(tài)1），印證了聯(lián)通主義學習中課程團隊不是唯一的支持服務主體，學習支持分布于社區(qū)中（Downes， 2017），核心學習者同樣能夠發(fā)揮示范和演示的作用，引導和促進其他個體的知識貢獻（Burke et al.， 2009）。聯(lián)通能力中自主性或利他性是必不可少的核心條件，即高質量的知識貢獻要么以個體的主動性、自我導向能力為基礎（組態(tài)1、4），能夠主動地尋徑和整合碎片化信息，積極地自我表達（Siemens， 2011; Cao， 2018），要么以個體的利他性為基礎（組態(tài)2、3），樂于為社區(qū)中其他成員提供幫助和反饋，積極思考他人觀點并進行評論（崔智斌 & 涂艷， 2022; Ma & Chan， 2014）。

（二）研究展望

在理論層面，本研究從連接支持、連接機會和連接能力3個維度構建了SOA模型，為分析社會交互對知識貢獻的影響研究提供了分析框架，并且基于實證數(shù)據(jù)解釋了聯(lián)通主義學習中社會交互影響個體知識貢獻質量的多樣組態(tài)。在實踐層面，研究結論有利于幫助研究者和課程設計者理解個體的知識貢獻行為，為優(yōu)化cMOOCs學習支持服務、激發(fā)學習者持續(xù)貢獻的機制設計提供依據(jù)，如：他人的反饋激勵能夠輔助促進高質量的知識貢獻，因此，可在評價設計中提升評論和回復他人的比重（Jabr et al.， 2014），激勵個體間的相互回饋和支持，提升勝任感和獲得感，降低個體長期自發(fā)性內(nèi)容輸出產(chǎn)生的懈怠感（Sun et al.， 2019）；榜樣帶動在3種驅動模式中均表現(xiàn)出積極作用，交互對象異質性是自我導向和開放利他型知識貢獻的核心條件，因此，可考慮加強推薦高影響力、不同身份個體的內(nèi)容與動態(tài)（秦婷 & 鄭勤華， 2020），促進學習者與其建立連接，從而激發(fā)榜樣效應和多樣觀點刺激作用促進高質量知識產(chǎn)出；促進者依賴型個體往往表現(xiàn)為交互對象單一、所屬社群規(guī)模小、匿名參與但經(jīng)常表達分享，其知識產(chǎn)出質量更加依賴于促進者的激勵和關注，因此，可以增設幫助促進者識別和推送這類個體的智能機制，以便提供更多及時的、針對性的引導激勵。

本研究主要存在兩點局限。首先，條件變量測定依托課程平臺能夠收集到的客觀數(shù)據(jù)，變量選取有限，其他隱性行為數(shù)據(jù)、學習者自我報告的主觀數(shù)據(jù)未能納入；其次，本研究采用前期研究提出的關鍵概念數(shù)量作為知識貢獻質量的測評指標，實際上知識貢獻質量的評估更加復雜多維。未來可通過研究情境遷移、豐富條件變量和知識貢獻質量測評維度進一步驗證研究結論。

未來研究可在此基礎上從以下三個方面著力：第一，在不同的研究情境中遷移和應用SOA模型，綜合多渠道、多維度的主客觀數(shù)據(jù)，進一步豐富和完善對三維影響因素和知識貢獻質量的表征和測量，進一步驗證研究結論的適用性和可信度，比較不同教學情境中個體知識貢獻質量的因素組態(tài)差異；第二，研究采用的fsQCA方法適用于識別結果發(fā)生的關鍵條件和探究存在多元組合路徑的因果關系（杜運周 & 賈良定， 2017），為揭示聯(lián)通主義學習中的復雜因果規(guī)律提供了一種新思路，未來可考慮從時序的視角揭示條件組態(tài)隨時間演化的規(guī)律，整合QCA與經(jīng)典統(tǒng)計方法以提升解釋力和預測力；第三，本研究提出了cMOOCs設計優(yōu)化的建議，未來可在聯(lián)通主義課程實踐中檢驗對應策略對促進知識貢獻質量的有效性。

參考文獻

陳麗，逯行，& 鄭勤華. （2019）. “互聯(lián)網(wǎng)+教育”的知識觀：知識回歸與知識進化. 中國遠程教育（7），10-18，92.

陳麗，& 王志軍. （2016）. 三代遠程學習中的教學交互原理. 中國遠程教育（10），30-37.

陳則謙. （2013）. MOA模型的而形成、發(fā)展與核心構念. 圖書館學研究（13），53-57.

崔智斌，& 涂艷. （2022）. 社會化問答社區(qū)在線學習者知識貢獻績效影響因素研究. 中國遠程教育（2），57-64，75.

鄧勝利，夏蘇迪，許家輝，& 付少雄. （2022）. 組態(tài)視角下在線健康社區(qū)醫(yī)生知識貢獻影響因素研究. 情報理論與實踐，45（7），132-139.

杜運周，& 賈良定. （2017）. 組態(tài)視角與定性比較分析（QCA）：管理學研究的一條新道路. 管理世界（6），155-167.

李海峰，& 王煒. （2020）. 在線問答學習社區(qū)的群體知識貢獻影響因素——基于WebGIS知乎學習社區(qū)的功能模塊分析. 開放教育研究，26（1），111-120.

李金陽. （2013）. 社會交換理論視角下虛擬社區(qū)知識共享行為研究. 情報科學，31（4），119-123.

盧新元，王雪霖，& 代巧鋒. （2019）. 基于fsQCA的競賽式眾包社區(qū)知識共享行為構型研究. 數(shù)據(jù)分析與知識發(fā)現(xiàn)，3（11），60-69.

秦婷，& 鄭勤華. （2020）. 聯(lián)通主義學習社區(qū)個體知識貢獻影響因素研究. 現(xiàn)代遠距離教育（5），52-61.

譚春輝，& 任季寒. （2022）. 虛擬學術社區(qū)中用戶信息搜尋行為的影響因素組合研究——基于模糊集定性比較分析方法. 現(xiàn)代情報，42（4），39-51.

譚海波，范梓騰，& 杜運周. （2019）. 技術管理能力、注意力分配與地方政府網(wǎng)站建設——一項基于TOE框架的組態(tài)分析. 管理世界，35（9），81-94.

王志軍，& 陳麗. （2014）. 聯(lián)通主義學習理論及其最新進展. 開放教育研究，20（5），11-28.

徐亞倩，& 陳麗. （2019）. 聯(lián)通主義學習中個體網(wǎng)絡地位與其概念網(wǎng)絡特征的關系探究——基于cMOOC第1期課程部分交互內(nèi)容的分析. 中國遠程教育（10），9-19，51，92.

徐亞倩，& 陳麗. （2021）. 生生交互為主的在線學習復雜性規(guī)律探究. 中國遠程教育（10），12-18，38.

Adler， P. S.， & Kwon， S. W. （2002）. Social capital： Prospects for a new concept. Academy of Management Review， 27（1）， 17-40.

Austvoll-Dahlgren， A.， Falk， R. S.， & Helseth， S. （2012）. Cognitive factors predicting intentions to search for health information： An application of the theory of planned behavior. Health Information & Libraries Journal， 29（4）， 296-308.

Barasch， A.， & Berger， J. （2014）. Perceived self-efficacy in cognitive development and functioning. Educational Psychologist， 28（2）， 117-148.

Bowes， M.， & Swanwick， C. （2018）. Using connectivism to theorise developments in digital technology in physical education in Aotearoa/New Zealand. In J. Koekoek， & I. van Hilvoorde（Eds.）， Digital technology in physical education： Global perspectives（pp. 204-222）. Routledge.

Burke， M.， Marlow， C.， & Lento， T. （2009， April 04）. Feed me： Motivating newcomer contribution in social network sites. ACM Digital Library. https：//dl.acm.org/doi/10.1145/1518701.1518847

Byron， K.， & Khazanchi， S. （2012）. Rewards and creative performance： A meta-analytic test of theoretically derived hypotheses. Psychological Bulletin， 138（4）， 809.

Cabrero， R. S.， & Román， O. C. （2018）. Psychopedagogical predecessors of connectivism as a new paradigm of learning. International Journal of Educational Excellence， 4（2）， 29-45.

Campbell， J. T.， Sirmon， D. G.， & Schijven， M. （2016）. Fuzzy logic and the market： A configurational approach to investor perceptions of acquisition announcements. Academy of Management Journal， 59（1）， 163-187.

Cao， L. （2018）. Study on college English teaching interaction and teaching practice based on connectivism from the neurocognitive perspective. Educational Sciences： Theory & Practice， 18（5）， 2338-2346.

Chen， C. J.， & Hung， S. W. （2010）. To give or to receive？ Factors influencing members’ knowledge sharing and community promotion in professional virtual communities. Information & Management， 47（4）， 226-236.

Crilly， D.， Zollo， M.， & Hansen， M. T. （2012）. Faking it or muddling through？ Understanding decoupling in response to stakeholder pressures. Academy of Management Journal， 55（6）， 1429-1448.

Cross， R.， & Cummings， J. N. （2004）. Tie and network correlates of individual performance in knowledge-intensive work. Academy of Management Journal， 47（6）， 928-937.

Díaz， J. A.， & de Frutos， T. H. （2018）. Connectivism in the network society. the coming of social capital knowledge. Tendencias Sociales. Revista de Sociología， 1， 21-37.

Downes， S. （2012， May 19）. Connectivism and Connective Knowledge： essays on meaning and learning networks. My eBooks～Stephen Downes. https：//www.downes.ca/files/books/Connective_Know

ledge-19May2012.pdf

Downes， S. （2017， July 14）. Towards Personal Learning： Reclaiming a role for humanity in a world of commercialism and automation. My eBooks～Stephen Downes. https：//www.downes.ca/files/books/Toward%20Personal%20Learning%20v09.pdf

Downes， S. （2022， February 19）. Connectivism. Asian Journal of Distance Education. http：//www.asianjde.com/ojs/index.php/AsianJDE/article/view/623

Dron， J. （2013）. Soft is hard and hard is easy： Learning technologies and social media. Open Journal （13）， 32-43.

Frey， B. S.， & Meier， S. （2004）. Social comparisons and pre-social behavior： Testing “conditional cooperation” in a field experiment. American Economic Review， 1717-1722.

Guan， T.， Wang， L.， Jin， J.， & Song， X. （2018）. Knowledge contribution behavior in online Q&A communities： An empirical investigation. Computers in Human Behavior， 81， 137-147.

Hashim， K. F.， & Tan， F. B. （2015）. The mediating role of trust and commitment on members’ continuous knowledge sharing intention： A commitment-trust theory perspective. International Journal of Information Management， 35（2）， 145-151.

Huang， P.， & Zhang， Z. J. （2016）. Participation in open knowledge communities and job-hopping： Evidence from enterprise software. Mis Quarterly， 40（3）， 785-806.

Jabr， W.， Mookerjee， R.， Tan， Y.， & Mookerjee， V. S. （2014）. Leveraging philanthropic behavior for customer support： The case of user support forums. Mis Quarterly， 38（1）， 187-208.

Jiang， D.， Fischer， M.， Huang， Z.， & Kunz， N. （2018）. Identifying drivers of China’s provincial wastewater reuse outcomes using qualitative comparative analysis. Journal of Industrial Ecology， 22（2）， 369-376.

Jin， J.， Li， Y.， Zhong， X.， & Li， Z. （2015）. Why users contribute knowledge to online communities： An empirical study of an online social Q＆A community. Information & Management， 52（7）， 840- 849.

Liang， H.， Wang， M. M.， Wang， J. J.， & Xue， Y. （2018）. How intrinsic motivation and extrinsic incentives affect task effort in crowdsourcing contests： A mediated moderation model. Computers in Human Behavior， 81， 168-176.

Ma， M.， & Agarwal， R. （2007）. Through a glass darkly： Information technology design， identity verification， and knowledge contribution in online communities. Information Systems Research， 18（1）， 42-67.

Ma， W. W.， & Chan， A. （2014）. Knowledge sharing and social media： Altruism， perceived online attachment motivation， and perceived online relationship commitment. Computers in Human Behavior， 39， 51-58.

MacInnis， D. J.， & Jaworski， B. J. （1989）. Information Processing from Advertisements： Toward an Integrative Framework. Journal of Marketing， 53（4）， 1-23.

Mateos-Aparicio， P.， & Rodríguez-Moreno， A. （2019， February 27）. The impact of studying brain plasticity. Frontiers. https：//doi.org/10.3389/fncel.2019.00066

Ragin， C. C.， & Fiss， P. C. （2008）. Net effects analysis versus configurational analysis： An empirical demonstration. In C. C. Ragin（Ed.）， Redesigning social inquiry： Fuzzy sets and beyond（pp. 190-212）. University of Chicago Press.

Schneider C. Q.， & Wagemann， C. （2012）. Set-theoretic methods for the social sciences： A guide to qualitative comparative analysis. Cambridge University Press.

Shen， W. Q.， Hu， Y. J.， & Ulmer， J. R. （2015）. Competing for attention： An empirical study of online reviewers’ strategic behavior. Mis Quarterly， 39（3）， 683-696.

Siemens， G. （2011）. Orientation： Sensemaking and wayfinding in complex distributed online information environments. University of Aberdeen.

Sun， H.， Zhang， L.， & Meng， J. （2019）. Alleviating knowledge contribution loafing among engineering designers by ethical leadership： The role of knowledge-based psychological ownership and emotion regulation strategies. Journal of Knowledge Management， 24（2）， 235-257.

Teng， J. T.， & Song， S. （2011）. An exploratory examination of knowledge sharing behaviors： Solicited and voluntary. Journal of Knowledge Management， 15（1）， 104-117.

Tsai， H. T.， & Bagozzi， R. P. （2014）. Contribution behavior in virtual communities： Cognitive， emotional and social influences. Mis Quarterly， 38（1）， 143.

Wang， Z. J.， Chen， L.， & Anderson， T. （2014）. A framework for interaction and cognitive engagement in connectivist learning contexts. The International Review of Research in Open and Distance Learning， 15（2）， 121-141.

Wasko， M. M.， & Faraj， S. （2000）. “It is what one does”： Why people participate and help others in electronic communities of practice. The Journal of Strategic Information System， 9（2）， 155-173.

Wasko， M. M.， & Faraj， S. （2005）. Why should I share？ Examining social capital and knowledge contribution in electronic networks of practice. MIS Quarterly， 29（1）， 35-57.

Wasko， M. M.， Teigland， R.， & Faraj， S. （2009）. The provision of online public goods： Examining social structure in an electronic network of practice. Decision Support Systems， 47（3）， 254-265.

Xu， Y.， & Du， J. （2021， December 1）. What participation types of learners are there in connectivist learning： an analysis of a cMOOC from the dual perspectives of social network and concept network characteristics. Interactive Learning Environments. https：//doi.org/10.1080/10494820.2021.2007137

The Model and Law of Factors Affecting Knowledge Contribution Quality in Connectivist Learning： A Study on Combined Effect Based on fsQCA

Abstract： Connectivism holds that the learners are the knowledge producers and the knowledge production depends on learners’ social interactions， but its specific affecting mechanism remains unclear. Based on the connectivism and complex system theory， this study builds a model of factors affecting knowledge contribution in connectivist learning （SOA model） from three dimensions of connecting support， connecting opportunity and connecting ability， and selects nine conditional variables including facilitators’ attention， feedback， role model， interaction objects’ heterogeneity， identity disclosure， community size， initiative， social attraction and altruism. Furthermore， to reveal the combined effects of social interaction factors on the quality of individual knowledge contribution in connectivist learning， 10，598 interactive data from the first Chinese cMOOC are collected and analyzed through the fuzzy qualitative comparative analysis method （fsQCA）. The findings are as follows： 1） There are three driving patterns of high-quality knowledge contribution， self-oriented， open altruistic and facilitator dependent; 2） High-quality knowledge contribution needs feedback incentive， role model and individual social attraction; 3） Facilitators’ attention or role model， initiative or altruism are the core conditions for high-quality knowledge contribution. This study not only provides an analysis model of factors affecting knowledge contribution in connectivist learning， but also further reveals the specific effect mechanism of the social interactions to knowledge contribution， which can help the researchers and cMOOCs designers understand the knowledge contribution behavior of learners， and give references to design the incentive mechanism and learning support to stimulate the learners’ high-quality knowledge contribution.

Keywords： Connetivism; cMOOC; social interaction; knowledge contribution; knowledge production