教師學(xué)習(xí)共同體中信息資源增長的仿真研究

何向陽

(湖南第一師范學(xué)院 信息科學(xué)與工程學(xué)院，湖南 長沙 410205)

Web2.0的發(fā)展促進了網(wǎng)絡(luò)中用戶生成內(nèi)容(User Generated Content)的豐富，用戶生成內(nèi)容成為互聯(lián)網(wǎng)信息的重要組成部分，其所占網(wǎng)絡(luò)流量甚至達(dá)到整個互聯(lián)網(wǎng)流量的一半以上［1］，用戶生成的內(nèi)容已超過網(wǎng)站專業(yè)制作的內(nèi)容流量，成為網(wǎng)絡(luò)信息資源來源的重要途徑。用戶生成內(nèi)容是Web2.0的精髓，資源使用者在獲取網(wǎng)絡(luò)信息資源的同時，可以通過Web2.0 平臺對該資源進行評論和補充，形成新的再生資源［2］。教師專業(yè)發(fā)展的過程中需要大量的緘默知識，在教師網(wǎng)絡(luò)學(xué)習(xí)共同體中，教師可以通過發(fā)帖、回帖的方式來分享自己的經(jīng)驗，對教學(xué)問題進行研討。教師的這些發(fā)帖與回帖是一個資源共享的過程，是一個教師專業(yè)發(fā)展的問題解決的過程，教師網(wǎng)絡(luò)學(xué)習(xí)共同體實現(xiàn)了教師專業(yè)發(fā)展所需要的網(wǎng)絡(luò)信息資源的增長與完善，也實現(xiàn)了專業(yè)發(fā)展所需要的信息資源的動態(tài)建設(shè)。

圣菲研究所Holland 提出的復(fù)雜適應(yīng)系統(tǒng)理論強調(diào)“適應(yīng)性造就復(fù)雜性”［3］，前期的研究結(jié)果顯示，還原論方法、歸納推理方法等傳統(tǒng)建模方法并不能很好地刻畫復(fù)雜適應(yīng)系統(tǒng)［4］;多代理系統(tǒng)因為具有主動性、層次性、動態(tài)性、可操作性等優(yōu)點，成為研究復(fù)雜適應(yīng)系統(tǒng)的有效手段［5］。復(fù)雜適應(yīng)系統(tǒng)理論在社會研究中具有廣泛的應(yīng)用，人類社會、螞蟻群體、免疫系統(tǒng)、大腦等都被視為復(fù)雜適應(yīng)系統(tǒng)的應(yīng)用范例。教師網(wǎng)絡(luò)學(xué)習(xí)共同體系統(tǒng)由具有主觀能動性的教師組成，教師與教師之間也是相互作用，共同進化的。按照Holland 提出的復(fù)雜適應(yīng)系統(tǒng)適應(yīng)和演化的4個特性和3個機制，我們可以發(fā)現(xiàn)，教師網(wǎng)絡(luò)學(xué)習(xí)共同體系統(tǒng)就是一個復(fù)雜適應(yīng)系統(tǒng)。

利用NetLogo等仿真系統(tǒng)平臺進行多代理仿真研究成為研究復(fù)雜適應(yīng)系統(tǒng)的重要手段。以調(diào)查和統(tǒng)計的辦法對現(xiàn)有教師網(wǎng)絡(luò)學(xué)習(xí)共同體中的資源再生過程進行統(tǒng)計分析存在取樣時間長、數(shù)據(jù)獲取困難、干擾變量難以控制等問題。利用多代理仿真技術(shù)我們可以設(shè)置不同情景模型模擬教師網(wǎng)絡(luò)研討過程，克服調(diào)查統(tǒng)計所存在的障礙，對教師學(xué)習(xí)共同體中信息資源增長情況進行量化分析，為探討教師網(wǎng)絡(luò)學(xué)習(xí)共同體中信息資源再生規(guī)律提供依據(jù)。

1 模型設(shè)計

結(jié)合已有成果，本文擬用Netlogo 軟件建立計算機仿真系統(tǒng)，模擬網(wǎng)絡(luò)共同體中信息資源增長過程，仿真系統(tǒng)強調(diào)教師研討活動促進了網(wǎng)絡(luò)共同體中信息資源的再生，教師在瀏覽信息資源的過程中碰到自己熟悉的不完整內(nèi)容就可以豐富該信息資源，如果教師所遇到的是不熟悉的內(nèi)容將不能完善補充該內(nèi)容。

在Netlogo 系統(tǒng)運行過程中，運行環(huán)境是由51 ×51個小方塊(瓦片)組成，代表了一定的問題，是各種代理海龜?shù)幕顒訄鏊?程序運行時會隨機產(chǎn)生su個代理，代理以一定的步伐按照隨機方向向前移動st 步;代理在移動的過程中會按照一定的行為規(guī)則執(zhí)行規(guī)定的動作。不同顏色的瓦片代表了問題被解決的程度，藍(lán)色瓦片代表沒有回答過的問題，綠色瓦片代表已回答過的問題。問題的解決過程意味著信息資源的再生過程，問題的解決率體現(xiàn)了信息資源的完整情況。在模擬的過程中，系統(tǒng)每運行一步，各代理就執(zhí)行1次自己的操作。在默認(rèn)情境下每個情景模擬運行6 000 步，以使系統(tǒng)達(dá)到平衡狀態(tài)。規(guī)定每100 步取樣1次以減少數(shù)據(jù)處理的壓力。在系統(tǒng)模擬的過程中，我們以瓦片代表問題，海龜代表教師，并將瓦片和海龜隨機分布到不同的問題類別中。代理的各種行為、行為規(guī)則和模擬意義如表1所示。

表1 代理行為及對行為的解釋

復(fù)雜適應(yīng)系統(tǒng)強調(diào)代理的能動性，系統(tǒng)的開放性和組織的不斷演化重構(gòu)。本文在利用Netlogo 模擬教師網(wǎng)絡(luò)共同體中信息資源增長過程，體現(xiàn)了復(fù)雜適應(yīng)系統(tǒng)的這些特點，又與現(xiàn)實狀態(tài)密切契合。在系統(tǒng)仿真的過程中代理具有能動性，且在仿真過程中引入了隨機因素，既體現(xiàn)了問題情景的多樣性，又表現(xiàn)出一定的穩(wěn)定性，具有較好的科學(xué)性。

在教師網(wǎng)絡(luò)學(xué)習(xí)共同體系統(tǒng)中，信息資源(帖子)是教師之間交互作用的產(chǎn)物，是由教師生成的。在系統(tǒng)運行的過程中，設(shè)置默認(rèn)起始教師數(shù)目su=100，問題類別N=30，教師每一次移動st=5。對在不同情境下教師和問題發(fā)展情況進行模擬分析。

2 教師人數(shù)與問題數(shù)均衡分布情境下的計算機仿真

2.1 教師人數(shù)對信息資源增加仿真研究

教師人數(shù)越多，那么問題能夠被解決的概率越大，在一個51* 51的問題空間中，共有N個類別的問題，只有教師類別與問題類別相同時，教師才能解決問題。為了簡化問題，我們假設(shè)每一個問題一次就能夠被教師解決。為了解教師對于信息資源增加的影響，設(shè)教師數(shù)su分別取值50、100和150，并且教師數(shù)目不再進行變化。最后得到被解決問題數(shù)的比較如圖1所示。

從圖1可以發(fā)現(xiàn)，首先，網(wǎng)絡(luò)信息資源增長過程并不是一個直線發(fā)展的過程，在信息資源發(fā)展的過程中，已解決問題數(shù)在系統(tǒng)運行不久就有一個明顯的涌現(xiàn)的過程，然后其發(fā)展速度逐漸變緩，直至達(dá)到平衡狀態(tài);其次，不同教師人數(shù)對于問題的解答具有明顯的影響，教師人數(shù)su=50的已解決問題曲線低于su=100的已解決問題曲線，su=100的已解決問題曲線低于su=150的已解決問題曲線;第三，教師人數(shù)對已解決問題數(shù)無論是平衡狀態(tài)前，達(dá)到平衡狀態(tài)所需要的時間，還是在平衡狀態(tài)的過程中都具有顯著的影響，教師人數(shù)越大，已解決問題數(shù)越多，曲線越快達(dá)到平衡狀態(tài);最后，教師人數(shù)與已解決問題數(shù)之間并不是簡單的線性關(guān)系，教師人數(shù)加倍并不能引發(fā)已解決問題數(shù)的加倍。

2.2 問題類別數(shù)對信息資源增加的仿真研究

在一個問題域中，問題的類別數(shù)越多，在總教師數(shù)相等的情況下該類別的教師數(shù)就越少，在問題總數(shù)不變的情況下該類別的問題數(shù)也就越少。這在現(xiàn)實生活中體現(xiàn)在信息資源的專業(yè)性上，信息資源對專業(yè)性的要求越高，那么教師對信息資源進行編輯的匹配就越難，信息資源對教師的要求也就越高。為了解問題類別數(shù)對于信息資源增加的影響，設(shè)問題類別數(shù)n分別取值15、30和45，最后得到不同問題類別數(shù)的已回答問題數(shù)曲線，如圖2所示。

圖1 不同數(shù)量教師的已解決問題數(shù)曲線

圖2 不同問題類別數(shù)的已回答問題數(shù)曲線

從圖2可以看到，雖然問題總數(shù)和教師總數(shù)并沒有發(fā)生改變，但是由于問題類別的變化導(dǎo)致了已解決問題數(shù)的變化，問題類別數(shù)越多，那么已解決問題數(shù)就越少;這說明隨著類別的增多，知識專業(yè)化程度越大，那么在相同教師人數(shù)平均存在的情況下，該信息資源獲得增加的概率就越低。究其原因，可能在于信息資源的專業(yè)化程度越高，那么在實際的應(yīng)用過程中，在相同的教師總數(shù)的情況下，該信息資源遇到相應(yīng)專業(yè)教師的概率就越低，并進而影響了信息資源被教師添加的概率。

2.3 教師人數(shù)與問題類別數(shù)的仿真研究

為了進一步分析教師人數(shù)與問題類別數(shù)之間的互動關(guān)系，設(shè)教師數(shù)su分別取值100和200，問題類別數(shù)n分別取值15和30，最后得到一個2* 2的組合，4種狀態(tài)，相應(yīng)的被解決問題數(shù)目的比較如圖3所示:

3 不同教師人數(shù)和問題類別數(shù)的已回答問題數(shù)目曲線

從圖3可以看到，在不同的教師人數(shù)與問題類別數(shù)的組合中，教師數(shù)su 為200、問題類別數(shù)N 為15時，問題回答速度最快，并在很快的時間內(nèi)就達(dá)到了平衡狀態(tài)，完成了所有問題的回答;教師數(shù)su 為100、問題類別數(shù)n 為30時，問題回答速度最慢，在運行了6 000 步后依然有許多的問題沒有回答完成;教師數(shù)su 為200、問題類別數(shù)n 為30和教師數(shù)su 為100、問題類別數(shù)n 為15時，問題回答速度幾乎沒有差別。由于回答速度相似的兩組組合在每類問題中教師人數(shù)相同，而每類問題中的問題數(shù)不同，因此我們可以得出結(jié)論，影響問題回答的主要是該類問題中的教師人數(shù)，而與每一類別中的問題數(shù)沒有太大的關(guān)系。

3 教師人數(shù)與問題數(shù)非均衡分布情境下的計算機仿真

3.1 教師人數(shù)非均衡分布情境下的仿真研究

為了研究當(dāng)問題數(shù)均衡分布而教師人數(shù)非均衡分布時的問題回答情況，對上述的仿真條件進行了修改，將問題種類數(shù)N 設(shè)為5;在51* 51的問題空間中，不同類型的問題隨機分布;系統(tǒng)模擬運行2 000步;教師數(shù)su 設(shè)為50，但是讓教師非均衡分布，設(shè)置教師的種類時首先在1到eN的連續(xù)空間中隨機選取一個數(shù)字，然后對所取得的結(jié)果取對數(shù)并將其取整，最終獲得類別為2的教師人數(shù)為5，類別為3的教師人數(shù)為13，類別為4的教師人數(shù)為28，而類別為2的問題數(shù)為515，類別為3的問題數(shù)為474，類別為4的問題數(shù)為532。基本可以看成不同問題類型教師人數(shù)呈非均衡分布而不同問題類型問題數(shù)呈均衡分布。系統(tǒng)運行2 000 步，系統(tǒng)仿真得到的已解決的各類型問題數(shù)占該類型問題總數(shù)的百分比如圖4所示。

從圖4可以看到，類型2的問題解決率明顯低于類型3的問題解決率，類型3的問題解決率明顯低于類型4的問題解決率。我們可以斷定，在問題均衡分布的情景下，該類型的教師人數(shù)越多，那么該類型問題就有更大的可能性而被解決，而如果該類型的教師人數(shù)越少，那么該類型問題被解決的可能性就越小。

3.2 問題數(shù)非均衡分布情境下的仿真研究

為了研究當(dāng)教師人數(shù)均衡分布而問題數(shù)非均衡分布時的問題回答情況，對上述的仿真條件進行了修改，將問題種類數(shù)n 設(shè)為5;教師人數(shù)su 設(shè)為150，不同類型教師人數(shù)隨機分布;系統(tǒng)模擬運行2 000步;在51* 51的問題空間中，不同類型的問題非均衡分布，設(shè)置問題的類型時首先在1到eN的連續(xù)空間中隨機選取一個數(shù)字，然后對所取得的結(jié)果取對數(shù)并將其取整，最終獲得類別為2的教師人數(shù)為29，類別為3的教師人數(shù)為32，類別為4的教師人數(shù)為27，而類別為2的問題數(shù)為220，類別為3的問題數(shù)為610，類別為4的問題數(shù)為1 624。基本可以看成不同類型問題數(shù)呈非均衡分布而不同類型教師人數(shù)均衡分布。系統(tǒng)運行2 000 步，系統(tǒng)仿真得到的已解決的各類型問題數(shù)占該類型問題總數(shù)的百分比如圖5所示。

圖4 教師非均衡分布情境下的已解決問題百分比圖

圖5 問題非均衡分布情境下的已解決問題百分比圖

從圖5可以看到，不同類型的問題數(shù)存在較大差異，但是不同類型的教師數(shù)基本處于平衡分布的狀態(tài)，由此形成的已解決問題的百分比并沒有太大的差別，結(jié)合前面的相關(guān)論述，我們可以得出結(jié)論，在教師網(wǎng)絡(luò)研討的過程中，影響信息資源再生的因素并不是問題域的大小，也不是該問題域中相關(guān)問題數(shù)的多少，而是該類型問題中的有效教師人數(shù)的多少。教師人數(shù)越大，那么該問題被解決的概率也就越大。

4 對模擬結(jié)果的討論

4.1 教師參與可以促進學(xué)習(xí)共同體中信息資源的快速增長

從仿真的結(jié)果我們可以看到，教師參與網(wǎng)絡(luò)共同體中的研討活動，可以實現(xiàn)教師專業(yè)發(fā)展信息資源的快速增長。在仿真環(huán)境中，我們對每一個問題和每一個教師都設(shè)置了相應(yīng)的類別，只有類別相同的教師才可以解決該類型，而不同類型的教師則不能解決該問題，實現(xiàn)教師專業(yè)發(fā)展信息資源的再生和發(fā)展，而且教師的移動方向是隨機的。通過仿真我們可以看到，在教師的隨機運動中可以快速實現(xiàn)教師專業(yè)發(fā)展信息資源的增長，在經(jīng)歷過一定的時間后問題空間中的所有問題都可以得到解決，這進一步證明了利用教師網(wǎng)絡(luò)學(xué)習(xí)共同體來實現(xiàn)教師專業(yè)發(fā)展信息資源增長的可能性，只要教師專業(yè)發(fā)展信息資源具有相關(guān)的教師，而且教師能夠有機會接觸到該類信息資源，那么就可以實現(xiàn)教師專業(yè)發(fā)展信息資源的再生。

當(dāng)然在仿真的過程中我們對于現(xiàn)實問題進行了簡化，一是我們將問題的類別劃分較少，這主要是考慮到在計算機仿真的過程中，由于計算機處理能力的限制，如果類別數(shù)較大而教師數(shù)較小時不能保證每一個類別都有相應(yīng)的教師，而如果教師數(shù)過大，那么對計算機的處理能力就提出了更高的要求。而在現(xiàn)實生活中由于教師數(shù)量非常龐大，因此我們可以保證每類問題都有可能遇到相應(yīng)的教師并實現(xiàn)問題的解決與教師專業(yè)發(fā)展信息資源的發(fā)展。二是在仿真的過程中我們設(shè)定教師每人只能解決一類問題，限制了問題的解決速度。實際生活中一個教師可能對幾個領(lǐng)域都有關(guān)注，能夠回答出該領(lǐng)域內(nèi)的相關(guān)問題，雖然將教師設(shè)置在一個領(lǐng)域，簡化了程序，影響了系統(tǒng)的進化效率，但是對于體現(xiàn)仿真的目的，模擬教師專業(yè)發(fā)展信息資源的再生過程并沒有太大的影響。

4.2 教師數(shù)是影響問題解決概率的重要因素

在教師參與網(wǎng)絡(luò)學(xué)習(xí)共同體研討的過程中，每個類型問題的解決速度與該類型中教師數(shù)的多少和該類型問題數(shù)有關(guān)，仿真的結(jié)果表明，影響教師網(wǎng)絡(luò)研討與問題解決的關(guān)鍵因素是該類型中教師數(shù)的大小，而不是問題數(shù)量的多少。在仿真的過程中無論各類型問題數(shù)量是均衡分布還是非均衡分布，只要各類型教師的數(shù)量相同，那么問題被解決的概率也基本相同;而當(dāng)不同類型問題的教師數(shù)不同時，教師數(shù)多的問題更有可能被解決。因此通過仿真我們可以發(fā)現(xiàn)，教師數(shù)才是影響問題解決概率的最重要的因素。

因此我們斷言，在教師參與網(wǎng)絡(luò)學(xué)習(xí)共同體的研討過程中，為了加快信息資源的再生速率，擴展?jié)撛诘摹⒛軌騾⑴c教師網(wǎng)絡(luò)研討中的教師才是關(guān)鍵。教師數(shù)的多少決定了資源的發(fā)展速率，教師數(shù)越多，那么教師專業(yè)發(fā)展信息資源被解決的可能性就越大。而該領(lǐng)域中需要添加的內(nèi)容的多少，即問題領(lǐng)域中該類型數(shù)量的多少，并沒有太大的影響，這些并不會影響問題被解決的概率，也不能影響信息資源被增加的概率。

［1］用戶產(chǎn)生內(nèi)容流量首超專業(yè)制作Web2.0 仍受困盈利模式不清晰［DB/OL］.(2010－07－28)［2010－11－02］http://finance.sina.com.cn/roll/20100728/07588376339.Shtml.

［2］熊才平，何向陽，吳瑞華.論信息技術(shù)對教育發(fā)展的革命性影響［J］.教育研究，2012(6):22－29.

［3］WenYau Liang.Agent－based Demand Forecast in Multiechelon Supply Chain［J］.Decision Support Systems，2006(42):390－407.

［4］陳禹.復(fù)雜性研究的新動向——基于代理的建模方法及其啟迪［J］.系統(tǒng)辯證學(xué)學(xué)報，2003，11(1):43－50.

［5］鄧宏鐘.基于多智能體的整體建模仿真方法及其應(yīng)用研究［D］.長沙:國防科技大學(xué)，2002.