更改

=背景=

=背景=

随着信息爆炸时代的到来，信息本身存在着贬值、泛滥的可能性，相反，用户注意力逐渐成为稀缺资源，直接影响到流量的大小，对它的有效引导和利用具有重要的社会和商业价值代<ref name=":0">WeAreSocial;Meltwater. Digital 2024: Global Overview Report[EB/OL]. 2024[2025-10-07]. https://datareportal.com/reports/digital-2024-global-overview-report.</ref><ref name=":1">PewResearchCenter.Social MediaUsein2024[EB/OL]. 2024-01[2025-10-07]. https://www.pewresearch.org/internet/.</ref><ref name=":2">国家互联网信息办公室.中国互联网发展报告（2023/2024）[R/OL].2024[2025-10-07]. https://www.cac.gov.cn.</ref><ref name=":3">胡正荣、周亭：传播学概论⸺全媒体时代新闻传播学系列教材，⾼等教育出版社，2017-6.</ref>。其流动模式与经济发展、社会运行及国家安全密切相关。如果只关注单一用户或网站（如电商），就会缺乏对整个互联网尺度上注意力流动的系统性分析，而系统性分析，恰是能提高整体分析效率，从更宏观角度关注互联网现象的关键。而用网络建模系统是一应用广泛且有效的方法。

随着信息爆炸时代的到来，信息本身存在着贬值、泛滥的可能性，相反，用户注意力逐渐成为稀缺资源，直接影响到流量的大小，对它的有效引导和利用具有重要的社会和商业价值代<ref name=":0">WeAreSocial;Meltwater. Digital 2024: Global Overview Report[EB/OL]. 2024[2025-10-07]. https://datareportal.com/reports/digital-2024-global-overview-report.</ref><ref name=":1">PewResearchCenter.Social MediaUsein2024[EB/OL]. 2024-01[2025-10-07]. https://www.pewresearch.org/internet/.</ref><ref name=":2">国家互联网信息办公室.中国互联网发展报告（2023/2024）[R/OL].2024[2025-10-07]. https://www.cac.gov.cn.</ref><ref name=":3">胡正荣、周亭：传播学概论⸺全媒体时代新闻传播学系列教材，⾼等教育出版社，2017-6.</ref>。其流动模式与经济发展、社会运行及国家安全密切相关。如果只关注单一用户或网站（如电商），就会缺乏对整个互联网尺度上注意力流动的系统性分析，而系统性分析，恰是能提高整体分析效率，从更宏观角度关注互联网现象的关键。而用网络建模系统是一应用广泛且有效的方法。

== 社会背景==

== 社会背景==

===社会网络===

===[[社会网络]]===

社会网络本质上是一类以“人—人关系”为节点和连边的复杂网络<ref name=":4">F. Wu,& B.A. Huberman,Novelty and collective attention, ''Proc. Natl. Acad. Sci. U.S.A.'' 104 (45) 17599-17601, <nowiki>https://doi.org/10.1073/pnas.0704916104</nowiki> (2007)</ref>，通常具有关系异质、结构分层、社群显著和强弱连接并存等性质：一方面，不同个体在网络中的连接数、影响力和中介作用差异很大，往往会形成少数高连接度核心节点与大量普通节点并存的结构；另一方面，网络内部又会自然涌现出社群、圈层和层级，使信息传播呈现出局部聚集与跨群扩散并存的特点。传统社会网络分析主要关注“以人为节点的信息传播关系”，因此更适合刻画意见领袖、群体划分、互动结构和传播路径，但也容易受到信息复制、丢失和内容相关性弱刻画等限制。

社会网络本质上是一类以“人—人关系”为节点和连边的[[复杂网络]]<ref name=":4">F. Wu,& B.A. Huberman,Novelty and collective attention, ''Proc. Natl. Acad. Sci. U.S.A.'' 104 (45) 17599-17601, <nowiki>https://doi.org/10.1073/pnas.0704916104</nowiki> (2007)</ref>，通常具有关系异质、结构分层、社群显著和强弱连接并存等性质：一方面，不同个体在网络中的连接数、影响力和中介作用差异很大，往往会形成少数高连接度核心节点与大量普通节点并存的结构；另一方面，网络内部又会自然[[涌现]]出社群、圈层和层级，使信息传播呈现出局部聚集与跨群扩散并存的特点。传统[[社会网络分析]]主要关注“以人为节点的信息传播关系”，因此更适合刻画意见领袖、群体划分、互动结构和传播[[路径]]，但也容易受到信息复制、丢失和内容相关性弱刻画等限制。

[[文件:社会网络与信息网络.png|缩略图|注意力流网络与社会网络]]

[[文件:社会网络与信息网络.png|缩略图|注意力流网络与社会网络]]

===信息流===

===信息流===

在社会网络框架里<ref name=":4" />，信息流指的是内容在用户之间的传播过程，比如转发、评论、引用、扩散等。它强调的是“消息如何在人群中传递”，所以天然依附于人与人之间的关系网络。

在社会网络框架里<ref name=":4" />，信息流指的是内容在用户之间的传播过程，比如转发、评论、引用、扩散等。它强调的是“消息如何在人群中传递”，所以天然依附于人与人之间的关系网络。

==理论背景==

==理论背景==

===点击流分析===

===[[点击流]]分析===

点击流可以看成是从“信息传播”转向“用户行为轨迹”的关键一步<ref name=":5">Lingfei Wu, Jiang Zhang. The decentralized flow structure of clickstreams on the web[J]. European Physical Journal  B, 2013, 86(6): 266. DOI: 10.1140/epjb/e2013-40132-2. </ref>。它关注的不是信息被谁转发了，而是用户实际如何在不同内容资源之间浏览、消费和跳转，例如从一个网页跳到另一个网页、从一条新闻切到一个视频、从一个帖子进入另一类内容。文中把这些浏览与跳转行为视为后续建模的原始依据。

点击流可以看成是从“信息传播”转向“用户行为轨迹”的关键一步<ref name=":5">Lingfei Wu, Jiang Zhang. The decentralized flow structure of clickstreams on the web[J]. European Physical Journal  B, 2013, 86(6): 266. DOI: 10.1140/epjb/e2013-40132-2. </ref>。它关注的不是信息被谁转发了，而是用户实际如何在不同内容资源之间浏览、消费和跳转，例如从一个网页跳到另一个网页、从一条新闻切到一个视频、从一个帖子进入另一类内容。文中把这些浏览与跳转行为视为后续建模的原始依据。

也就是说，点击流描述的是“用户走过的路径”，比信息流更贴近可观测的数据记录。正因为这些行为足迹可以被大规模采集和保存，它就成为把传播问题转化为数据驱动建模问题的重要中间层。

也就是说，点击流描述的是“用户走过的路径”，比信息流更贴近可观测的数据记录。正因为这些行为足迹可以被大规模采集和保存，它就成为把传播问题转化为数据驱动建模问题的重要中间层。

===开放流网络===

===[[开放流网络]]===

当我们把大量点击流进一步抽象成网络时，就得到开放流网络<ref>Zhang J., Lou X.D., Guo L.Z. (2016). Universal patterns and constructal law in open flow networks, International Journal of Heat and Technology, Vol. 34, No. S1, pp. S75-S82. <nowiki>https://dx.doi.org/10.18280/ijht.34S109</nowiki></ref>。它把系统看成一个可与外部环境交换流量的动态网络：节点代表状态或内容资源，边代表状态转移或跳转概率；同时网络中还包含“源”和“汇”，分别表示用户从外部进入系统、以及从系统退出。

当我们把大量点击流进一步抽象成网络时，就得到开放[[流网络]]<ref>Zhang J., Lou X.D., Guo L.Z. (2016). Universal patterns and constructal law in open flow networks, International Journal of Heat and Technology, Vol. 34, No. S1, pp. S75-S82. <nowiki>https://dx.doi.org/10.18280/ijht.34S109</nowiki></ref>。它把系统看成一个可与外部环境交换流量的动态网络：节点代表状态或内容资源，边代表状态转移或跳转概率；同时网络中还包含“源”和“汇”，分别表示用户从外部进入系统、以及从系统退出。

===集体注意力===

===[[集体注意力]]===

集体注意力是这条逻辑链的核心对象。它不再把“信息”本身当作最稀缺资源，而是把海量用户在不同内容资源上分配、转移和消耗的注意力看成真正需要刻画的量<ref name=":5" />。在信息爆炸背景下，信息可能泛滥，但注意力是稀缺的，因此分析注意力如何积聚、流动和演化，往往比单纯分析信息扩散更有解释力。

集体注意力是这条逻辑链的核心对象。它不再把“信息”本身当作最稀缺资源，而是把海量用户在不同内容资源上分配、转移和消耗的注意力看成真正需要刻画的量<ref name=":5" />。在信息爆炸背景下，信息可能泛滥，但注意力是稀缺的，因此分析注意力如何积聚、流动和演化，往往比单纯分析信息扩散更有解释力。

[[文件:流网络结构.png|缩略图]]

[[文件:流网络结构.png|缩略图]]

===集体注意力流网络===

===集体注意力流网络===

集体注意力流网络是以内容资源为节点、以用户在不同内容资源之间的浏览与跳转行为为边所构成的一类开放流网络<ref>Lou X, Li Y, Gu W, Zhang J (2016) The Atlas of Chinese World Wide Web Ecosystem Shaped by the Collective Attention Flows. PLoS ONE 11(11): e0165240. <nowiki>https://doi.org/10.1371/journal.pone.0165240</nowiki></ref>。与传统以“人—人关系”为核心的社会网络不同，集体注意力流网络关注的不是信息在人际关系中的扩散，而是用户注意力在内容资源之间的分配、转移与消耗过程。由于注意力是一种稀缺资源，这种网络能够更直接地刻画全媒体环境中用户行为背后的传播动力学机制。基于这一理论框架<ref name=":6">Guo L, Lou X, Shi P, et al. Flow distances on open flow networks[J]. Physica A: Statistical Mechanics and its Applications, 2015, 437: 235-248.</ref><ref name=":7">Shi P, Huang X, Wang J, et al. A geometric representation of collective attention flows[J]. PloS one, 2015, 10(9): e0136243.</ref><ref name=":8">Wu L, Zhang J, Zhao M. The metabolism and growth of web forums[J]. PloS one, 2014, 9(8): e102646.</ref><ref name=":9">Zhang J, Lou X, Zhang H, et al. Modeling collective attention in online and flexible learning environments[J]. Distance Education, 2019, 40(2): 278-301.</ref><ref name=":10">Gu W, Gong L, Lou X, et al. The hidden flow structure and metric space of network embedding algorithms based on random walks[J]. Scientific reports, 2017, 7(1): 13114.</ref><ref name=":11">Wang C J, Wu L, Zhang J, et al. The collective direction of attention diffusion[J]. Scientific reports, 2016, 6(1): 34059.</ref>，本项目拟构建以内容资源为节点、以用户行为为边的集体注意力流网络，从宏观层面分析集体心智的分布特征，揭示注意力流动的结构性规律，并为舆情管理、传播优化与资源配置提供理论支持。

集体注意力流网络是以内容资源为节点、以用户在不同内容资源之间的浏览与跳转行为为边所构成的一类开放流网络<ref>Lou X, Li Y, Gu W, Zhang J (2016) The Atlas of Chinese World Wide Web Ecosystem Shaped by the Collective Attention Flows. PLoS ONE 11(11): e0165240. <nowiki>https://doi.org/10.1371/journal.pone.0165240</nowiki></ref>。与传统以“人—人关系”为核心的社会网络不同，集体注意力流网络关注的不是信息在人际关系中的扩散，而是用户注意力在内容资源之间的分配、转移与消耗过程。由于注意力是一种稀缺资源，这种网络能够更直接地刻画全媒体环境中用户行为背后的传播动力学机制。基于这一理论框架<ref name=":6">Guo L, Lou X, Shi P, et al. Flow distances on open flow networks[J]. Physica A: Statistical Mechanics and its Applications, 2015, 437: 235-248.</ref><ref name=":7">Shi P, Huang X, Wang J, et al. A geometric representation of collective attention flows[J]. PloS one, 2015, 10(9): e0136243.</ref><ref name=":8">Wu L, Zhang J, Zhao M. The metabolism and growth of web forums[J]. PloS one, 2014, 9(8): e102646.</ref><ref name=":9">Zhang J, Lou X, Zhang H, et al. Modeling collective attention in online and flexible learning environments[J]. Distance Education, 2019, 40(2): 278-301.</ref><ref name=":10">Gu W, Gong L, Lou X, et al. The hidden flow structure and metric space of network embedding algorithms based on random walks[J]. Scientific reports, 2017, 7(1): 13114.</ref><ref name=":11">Wang C J, Wu L, Zhang J, et al. The collective direction of attention diffusion[J]. Scientific reports, 2016, 6(1): 34059.</ref>，本项目拟构建以内容资源为节点、以用户行为为边的集体注意力流网络，从宏观层面分析[[集体心智]]的分布特征，揭示注意力流动的结构性规律，并为舆情管理、传播优化与资源配置提供理论支持。

集体注意力流网络具有两个关键特征，即守恒性与耗散性。守恒性体现在用户浏览行为的时序分配上：对于单个用户而言，在同一时刻其注意力通常只能主要集中于某一内容资源；而在不同时刻，这部分注意力会随着浏览、点击、切换等行为从一个资源转移到另一个资源。因而，从系统整体视角看，海量用户的行为轨迹汇聚成一种可统计的注意力流动过程，表现为网络中流量的整体平衡：对任一节点而言，其流入总量（包括外部进入形成的积聚流）与流出总量（包括向其他节点转移的流量及离开系统的耗散流）之间满足平衡关系。正是这种守恒性，使得内容平台可以被视为一个可进行流量分析与结构刻画的复杂系统。

集体注意力流网络具有两个关键特征，即守恒性与耗散性。守恒性体现在用户浏览行为的时序分配上：对于单个用户而言，在同一时刻其注意力通常只能主要集中于某一内容资源；而在不同时刻，这部分注意力会随着浏览、点击、切换等行为从一个资源转移到另一个资源。因而，从系统整体视角看，海量用户的行为轨迹汇聚成一种可统计的注意力流动过程，表现为网络中流量的整体平衡：对任一节点而言，其流入总量（包括外部进入形成的积聚流）与流出总量（包括向其他节点转移的流量及离开系统的耗散流）之间满足平衡关系。正是这种守恒性，使得内容平台可以被视为一个可进行流量分析与结构刻画的复杂系统。

与守恒性并存的是注意力流的耗散性。用户在内容资源之间不断跳转时，其认知投入、搜索成本和心理能量会逐步消耗，因此注意力并不会在网络中无限循环，而会以退出、终止浏览等形式不断流失。具体而言，一个节点的耗散流可理解为用户从该资源退出系统的概率或流量比例，并且这种退出倾向通常会随着跳转次数增加而增强。耗散性的存在使得内容资源的访问量分布往往呈现出类似生态系统营养级结构的“金字塔”形态：能够直接吸引大量用户注意力的核心资源位于底部，类似生态系统中的“生产者”；而需要经过多次跳转才能触达、仅获得少量注意力的资源则位于上层，类似“消费者”。因此，一个内容资源在网络中的结构位置，不仅影响其自身获得的关注规模，也影响其在整个传播生态中的功能角色。正因如此，集体注意力流网络可以被视为一种复杂的内容生态系统，而注意力流则是维系该系统运转并推动其演化的核心动力。

与守恒性并存的是注意力流的耗散性。用户在内容资源之间不断跳转时，其认知投入、搜索成本和心理能量会逐步消耗，因此注意力并不会在网络中无限循环，而会以退出、终止浏览等形式不断流失。具体而言，一个节点的耗散流可理解为用户从该资源退出系统的概率或流量比例，并且这种退出倾向通常会随着跳转次数增加而增强。耗散性的存在使得内容资源的访问量分布往往呈现出类似生态系统营养级结构的“金字塔”形态：能够直接吸引大量用户注意力的核心资源位于底部，类似生态系统中的“生产者”；而需要经过多次跳转才能触达、仅获得少量注意力的资源则位于上层，类似“消费者”。因此，一个内容资源在网络中的结构位置，不仅影响其自身获得的关注规模，也影响其在整个传播生态中的功能角色。正因如此，集体注意力流网络可以被视为一种复杂的内容生态系统，而注意力流则是维系该系统运转并推动其演化的核心动力。

====自由选择====

====[[自由选择]]====

集体注意力流网络模型的理论价值，不仅在于它提供了一种描述用户行为流动的新方法，更在于它试图刻画个体在传播环境中的自由选择过程。在全媒体平台中，用户通常并不是被动接受信息，而是会根据自身兴趣、需求、认知偏好与情绪状态，在海量内容资源中主动进行浏览、停留、跳转与退出。表面上看，这种选择是分散且个体化的，类似顾客在商场中自由选择店铺、货架和商品；但在更深层次上，个体选择并非完全孤立，而是会受到平台推荐机制、内容结构、社会热点与群体心理的共同影响。因此，大量个体的“自由选择”在宏观上会汇聚成稳定而可识别的集体行为模式

集体注意力流网络模型的理论价值，不仅在于它提供了一种描述用户行为流动的新方法，更在于它试图刻画个体在传播环境中的自由选择过程。在全媒体平台中，用户通常并不是被动接受信息，而是会根据自身兴趣、需求、认知偏好与情绪状态，在海量内容资源中主动进行浏览、停留、跳转与退出。表面上看，这种选择是分散且个体化的，类似顾客在商场中自由选择店铺、货架和商品；但在更深层次上，个体选择并非完全孤立，而是会受到平台推荐机制、内容结构、社会热点与群体心理的共同影响。因此，大量个体的“自由选择”在宏观上会汇聚成稳定而可识别的集体行为模式

====集体心智====

====集体心智====

结合论文里的具体实现，原始行为记录可表示为类似 (time stamp, referrer, host, path) 的结构，其中 referrer 是用户从哪里来，host 是当前访问的内容资源，path 是访问位置。建模时，先把内容资源抽取出来作为节点，再统计任意两个节点之间的转移次数<math>f_{ij}</math>，从而得到一个带方向和权重的流量矩阵<math>F={f_{ij}}</math>。

结合论文里的具体实现，原始行为记录可表示为类似 (time stamp, referrer, host, path) 的结构，其中 referrer 是用户从哪里来，host 是当前访问的内容资源，path 是访问位置。建模时，先把内容资源抽取出来作为节点，再统计任意两个节点之间的转移次数<math>f_{ij}</math>，从而得到一个带方向和权重的流量矩阵<math>F={f_{ij}}</math>。

已有研究<ref name=":6" /><ref name=":7" /><ref name=":8" /><ref name=":9" /><ref name=":10" /><ref name=":11" />结合了网站链接拓扑与真实用户点击行为，提出了“流距离”概念，它能更真实地反映注意力流动的距离。在模型上，它引入了“源”和“汇”来构建开放流网络，以更全面地刻画用户行为的起止。此外，该研究通过将网站嵌入高维欧几里得空间，实现了对注意力流动的几何映射与可视化分析，并以印第安纳大学<ref name=":7" />的网络为例进行了展示。在数据层面，后续研究（如针对新闻网站Digg和百度贴吧的分析）<ref name=":10" /><ref name=":11" />基于用户的实际点击流数据，构建了大规模点击流网络，为此类研究提供了实证基础。并且通过流距离中心性度量与随机游走图嵌入方法的对比，验证了模型在识别关键节点（如百度、QQ）的一致性<ref name=":10" /><ref name=":11" />，证明其兼具结构重要性与流量表征能力。特别是在线学习<ref name=":9" />，现在相关内容已经被发表在了好几个顶刊。这个领域的顶看注意力的有效管理是影响学习成效的关键因素。在线学习资源虽然“免费”，但学习者需要付出注意力的代价，因此教学设计应考虑如何降低注意力成本，提升学习效率。

已有研究<ref name=":6" /><ref name=":7" /><ref name=":8" /><ref name=":9" /><ref name=":10" /><ref name=":11" />结合了网站链接拓扑与真实用户点击行为，提出了“[[流距离]]”概念，它能更真实地反映注意力流动的距离。在模型上，它引入了“源”和“汇”来构建开放流网络，以更全面地刻画用户行为的起止。此外，该研究通过将网站嵌入高维欧几里得空间，实现了对注意力流动的几何映射与可视化分析，并以印第安纳大学<ref name=":7" />的网络为例进行了展示。在数据层面，后续研究（如针对新闻网站Digg和百度贴吧的分析）<ref name=":10" /><ref name=":11" />基于用户的实际点击流数据，构建了大规模点击流网络，为此类研究提供了实证基础。并且通过流距离[[中心性]]度量与随机游走图嵌入方法的对比，验证了模型在识别关键节点（如百度、QQ）的一致性<ref name=":10" /><ref name=":11" />，证明其兼具结构重要性与流量表征能力。特别是在线学习<ref name=":9" />，现在相关内容已经被发表在了好几个顶刊。这个领域的顶看注意力的有效管理是影响学习成效的关键因素。在线学习资源虽然“免费”，但学习者需要付出注意力的代价，因此教学设计应考虑如何降低注意力成本，提升学习效率。

而现在，我们就要将类似的注意力流网络框架应用到央视的舆论周数据上，构建注意力流网络并探索其相关性质。

而现在，我们就要将类似的注意力流网络框架应用到央视的舆论周数据上，构建注意力流网络并探索其相关性质。

===TST===

===TST===

系统总流量，即 Total System Throughflow，记为 TST，定义为所有内部节点总流量之和：

[[系统总流量]]，即 Total System Throughflow，记为 TST，定义为所有内部节点总流量之和：

<math>

<math>

===定量规律===

===定量规律===

====引力定律====

====[[引力定律]]====

[[文件:集体注意力流网络引力定律.png|缩略图|替代=|在注意力流网络中，引力定律是指任意一条注意力转移边上的注意力流量，与该边两端节点的总体注意力规模之间存在幂律关系。则把流网络中任意两个节点<math>i,j</math>之间的注意力流<math>f_{ij} \propto (T_i T_j)^\gamma</math>，图中刚好反应这一关系。]]

[[文件:集体注意力流网络引力定律.png|缩略图|替代=|在注意力流网络中，引力定律是指任意一条注意力转移边上的注意力流量，与该边两端节点的总体注意力规模之间存在幂律关系。则把流网络中任意两个节点<math>i,j</math>之间的注意力流<math>f_{ij} \propto (T_i T_j)^\gamma</math>，图中刚好反应这一关系。]]

在注意力流网络中，引力定律是指任意一条注意力转移边上的注意力流量<ref>Jiang Zhang, Yuanjing Feng, Common patterns of energy flow and biomass distribution on weighted food webs, Physica A: Statistical Mechanics and its Applications, Volume 405, 2014, Pages 278-288, ISSN 0378-4371, <nowiki>https://doi.org/10.1016/j.physa.2014.03.040</nowiki>.</ref>，与该边两端节点的总体注意力规模之间存在幂律关系。设注意力流网络中的节点表示页面、帖子、内容单元、用户群体或功能模块，边表示注意力从一个节点转移到另一个节点。则把流网络中任意两个节点<math>i,j</math>之间的注意力流写成：

在注意力流网络中，引力定律是指任意一条注意力转移边上的注意力流量<ref>Jiang Zhang, Yuanjing Feng, Common patterns of energy flow and biomass distribution on weighted food webs, Physica A: Statistical Mechanics and its Applications, Volume 405, 2014, Pages 278-288, ISSN 0378-4371, <nowiki>https://doi.org/10.1016/j.physa.2014.03.040</nowiki>.</ref>，与该边两端节点的总体注意力规模之间存在幂律关系。设注意力流网络中的节点表示页面、帖子、内容单元、用户群体或功能模块，边表示注意力从一个节点转移到另一个节点。则把流网络中任意两个节点<math>i,j</math>之间的注意力流写成：

其中，<math>\gamma_1</math>和<math>\gamma_2</math>分别刻画注意力流出方与注意力流入方对边流量的影响强度。相比单一乘积形式，双变量形式可以更细致地区分“供给注意力的节点”和“吸收注意力的节点”在注意力转移过程中的不同作用。

其中，<math>\gamma_1</math>和<math>\gamma_2</math>分别刻画注意力流出方与注意力流入方对边流量的影响强度。相比单一乘积形式，双变量形式可以更细致地区分“供给注意力的节点”和“吸收注意力的节点”在注意力转移过程中的不同作用。

====异速标度律====

====[[异速标度律]]====

[[文件:注意力流 异速标度律.png|缩略图|替代=|异速标度律刻画的是注意力流网络中，节点的局部注意力规模与其系统性影响之间的幂律关系。图中展示了<math>C_i \sim A_i^\eta</math>这一幂律关系。]]

[[文件:注意力流 异速标度律.png|缩略图|替代=|异速标度律刻画的是注意力流网络中，节点的局部注意力规模与其系统性影响之间的幂律关系。图中展示了<math>C_i \sim A_i^\eta</math>这一幂律关系。]]

异速标度律刻画的是注意力流网络中<ref>Jiang Zhang, Liangpeng Guo, Scaling behaviors of weighted food webs as energy transportation networks, Journal of Theoretical Biology, Volume 264, Issue 3, 2010, Pages 760-770, ISSN 0022-5193, <nowiki>https://doi.org/10.1016/j.jtbi.2010.03.024</nowiki>.</ref>，节点的局部注意力规模与其系统性影响之间的幂律关系。

异速标度律刻画的是注意力流网络中<ref>Jiang Zhang, Liangpeng Guo, Scaling behaviors of weighted food webs as energy transportation networks, Journal of Theoretical Biology, Volume 264, Issue 3, 2010, Pages 760-770, ISSN 0022-5193, <nowiki>https://doi.org/10.1016/j.jtbi.2010.03.024</nowiki>.</ref>，节点的局部注意力规模与其系统性影响之间的幂律关系。

可以简单理解为：一个节点承载的注意力越大，它通常越可能产生更大的系统性影响，并带来更强的后续注意力传播效应。

可以简单理解为：一个节点承载的注意力越大，它通常越可能产生更大的系统性影响，并带来更强的后续注意力传播效应。

====异速生长律====

====[[异速生长律]]====

[[文件:集体注意力流 异速生长.png|缩略图|替代=|在注意力流网络的时间演化过程中，整个系统的总体注意力规模与参与用户规模之间也可能存在幂律关系，即<math>L_t = \frac{PV_t}{UV_t} \propto PV_t^{1-1/h}</math>，如图所示。]]

[[文件:集体注意力流 异速生长.png|缩略图|替代=|在注意力流网络的时间演化过程中，整个系统的总体注意力规模与参与用户规模之间也可能存在幂律关系，即<math>L_t = \frac{PV_t}{UV_t} \propto PV_t^{1-1/h}</math>，如图所示。]]

在注意力流网络的时间演化过程中，整个系统的总体注意力规模与参与用户规模之间也可能存在幂律关系<ref>Wu L, Zhang J, Zhao M (2014) The Metabolism and Growth of Web Forums. PLoS ONE 9(8): e102646. <nowiki>https://doi.org/10.1371/journal.pone.0102646</nowiki></ref>。以网站或论坛为例，可以将其看作一个持续消耗、分配和转移用户注意力的流网络。

在注意力流网络的时间演化过程中，整个系统的总体注意力规模与参与用户规模之间也可能存在幂律关系<ref>Wu L, Zhang J, Zhao M (2014) The Metabolism and Growth of Web Forums. PLoS ONE 9(8): e102646. <nowiki>https://doi.org/10.1371/journal.pone.0102646</nowiki></ref>。以网站或论坛为例，可以将其看作一个持续消耗、分配和转移用户注意力的流网络。

所以，<math>h>1</math>时，随着系统规模扩大，用户平均浏览长度也会提高。这意味着注意力流网络不仅吸引了更多用户，还增强了单个用户在系统中的注意力投入。因此<math>h</math>可以被视为衡量平台长期粘性、注意力转化效率和增长质量的重要指标。

所以，<math>h>1</math>时，随着系统规模扩大，用户平均浏览长度也会提高。这意味着注意力流网络不仅吸引了更多用户，还增强了单个用户在系统中的注意力投入。因此<math>h</math>可以被视为衡量平台长期粘性、注意力转化效率和增长质量的重要指标。

====耗散律====

====[[耗散律]]====

[[文件:注意力流 耗散律1.png|缩略图|替代=|注意力流网络中，耗散律刻画的是节点总注意力流量与注意力损失之间的标度关系<math>D_i \sim A_i^\gamma</math>，点的总注意力流量越大，它所产生的注意力耗散通常也越大，但这种增长并不是任意的，而是服从一个相对稳定的标度关系。]]

[[文件:注意力流 耗散律1.png|缩略图|替代=|注意力流网络中，耗散律刻画的是节点总注意力流量与注意力损失之间的标度关系<math>D_i \sim A_i^\gamma</math>，点的总注意力流量越大，它所产生的注意力耗散通常也越大，但这种增长并不是任意的，而是服从一个相对稳定的标度关系。]]

在注意力流网络中，耗散律刻画的是节点总注意力流量与注意力损失之间的标度关系<ref>Zhang J, Wu L (2013) Allometry and Dissipation of Ecological Flow Networks. PLoS ONE 8(9): e72525. <nowiki>https://doi.org/10.1371/journal.pone.0072525</nowiki></ref>。

在注意力流网络中，耗散律刻画的是节点总注意力流量与注意力损失之间的标度关系<ref>Zhang J, Wu L (2013) Allometry and Dissipation of Ecological Flow Networks. PLoS ONE 8(9): e72525. <nowiki>https://doi.org/10.1371/journal.pone.0072525</nowiki></ref>。

其中，矩阵维度 N+2包含了全部N个真实网站节点，以及两个虚拟节点：源（source） 与 汇（sink）。元素<math>f_{ij}</math>表示从节点<math>i</math>到节点<math>j</math>的实际观测流量。该矩阵完整记录了注意力在网络中有向流动的强度，是后续计算的基础。

其中，矩阵维度 N+2包含了全部N个真实网站节点，以及两个虚拟节点：源（source） 与 汇（sink）。元素<math>f_{ij}</math>表示从节点<math>i</math>到节点<math>j</math>的实际观测流量。该矩阵完整记录了注意力在网络中有向流动的强度，是后续计算的基础。

为了得到流距离，我们需要根据原始流矩阵计算一个马尔可夫矩阵，我们首先将流矩阵<math>F_{(N+2)\times(N+2)}</math>按行归一化，得到一个马尔可夫概率转移矩阵<math>M=\{m_{ij}\}_{(N+2)\times(N+2)}</math>，<math>m_{ij}</math>表示节点<math>i</math>到节点<math>j</math>的跳转概率，由流量归一化

为了得到流距离，我们需要根据原始流矩阵计算一个马尔可夫矩阵，我们首先将流矩阵<math>F_{(N+2)\times(N+2)}</math>按行[[归一化]]，得到一个马尔可夫概率转移矩阵<math>M=\{m_{ij}\}_{(N+2)\times(N+2)}</math>，<math>m_{ij}</math>表示节点<math>i</math>到节点<math>j</math>的跳转概率，由流量归一化

<math>m_{ij}=\frac{f_{ij}}{\sum_{k=1}^{N+1}f_{ij}}</math>

<math>m_{ij}=\frac{f_{ij}}{\sum_{k=1}^{N+1}f_{ij}}</math>

在此基础上，我们定义两个网站<math>i</math>与<math>j</math>之间的流距离<math>l_{ij}</math>为：一个随机游走者从节点<math>i</math>出发，首次到达节点<math>j</math>所需经过的期望步数（平均跳转次数）。该定义直观反映了用户在实际浏览中从一个网站触及另一个网站的“便捷性”：距离越短，意味着用户在自然浏览中越容易从<math>i</math>跳转至<math>j</math>；距离越长，则说明两者在用户行为路径中相对隔离。通过定义流距离<math>l_{ij}</math>表示用户首次从网站<math>i</math>跳转到网站$$j$$所经过的平均步数，的到图5C中的流距离矩阵。计算公式为：

在此基础上，我们定义两个网站<math>i</math>与<math>j</math>之间的流距离<math>l_{ij}</math>为：一个随机游走者从节点<math>i</math>出发，首次到达节点<math>j</math>所需经过的期望步数（平均跳转次数）。该定义直观反映了用户在实际浏览中从一个网站触及另一个网站的“便捷性”：距离越短，意味着用户在自然浏览中越容易从<math>i</math>跳转至<math>j</math>；距离越长，则说明两者在用户行为路径中相对隔离。通过定义流距离<math>l_{ij}</math>表示用户首次从网站<math>i</math>跳转到网站$$j$$所经过的平均步数，的到图5C中的流距离矩阵。计算公式为：

<math>l_{ij}=\frac{(MU^2)_{ij}}{U_{ij}}−\frac{(MU^2)_{jj}}{U_{jj}}</math>

<math>l_{ij}=\frac{(MU^2)_{ij}}{U_{ij}}−\frac{(MU^2)_{jj}}{U_{jj}}</math>

其中计算公式可借助马尔可夫链的基本矩阵<math>U=I+M+M^2+\cdots=(I−M)^{−1}</math>，<math>U_{ij}</math>表示从<math>i</math>出发，在所有时间步（包括零步及无穷步）内访问到$$j$$的期望总访问次数（含首次及后续重复访问）。该公式的推导源于马尔可夫链中“首次到达时间”的理论。计算结果最终构成一个流距离矩阵（如图C所示），它对称、非负，且满足三角不等式，从而可被视为一种合理的度量，能够用于后续的多维尺度分析（MDS），将节点嵌入到欧几里得空间进行可视化。

其中计算公式可借助[[马尔可夫链]]的基本矩阵<math>U=I+M+M^2+\cdots=(I−M)^{−1}</math>，<math>U_{ij}</math>表示从<math>i</math>出发，在所有时间步（包括零步及无穷步）内访问到$$j$$的期望总访问次数（含首次及后续重复访问）。该公式的推导源于马尔可夫链中“首次到达时间”的理论。计算结果最终构成一个流距离矩阵（如图C所示），它对称、非负，且满足三角不等式，从而可被视为一种合理的度量，能够用于后续的[[多维尺度分析]]（MDS），将节点嵌入到欧几里得空间进行可视化。

总结而言，流距离的提出与计算，实现了从原始流量数据到概率模型，再到具有行为解释意义的距离度量的转化。它不仅纳入了网络链接结构，更重要的是融合了用户实际流动的偏好与强度，从而为揭示注意力网络中网站间的“认知邻近性”提供了更贴合真实用户心理的量化标尺。

总结而言，流距离的提出与计算，实现了从原始流量数据到概率模型，再到具有行为解释意义的距离度量的转化。它不仅纳入了网络链接结构，更重要的是融合了用户实际流动的偏好与强度，从而为揭示注意力网络中网站间的“认知邻近性”提供了更贴合真实用户心理的量化标尺。

从可视化结果来看，节点并未均匀填充整个空间，而是围绕中心形成高密度区域，并向外逐渐稀疏，呈现出典型的中心—边缘结构。进一步结合基于流距离的聚类分析，网络中的节点通常可以被划分为若干功能性板块。这些板块在空间中表现为相对清晰但并非完全割裂的团簇结构，说明不同类型的注意力内容在整体流动过程中既形成了相对稳定的“认知分区”，又通过关键节点保持着持续的连接与重组。

从可视化结果来看，节点并未均匀填充整个空间，而是围绕中心形成高密度区域，并向外逐渐稀疏，呈现出典型的中心—边缘结构。进一步结合基于流距离的聚类分析，网络中的节点通常可以被划分为若干功能性板块。这些板块在空间中表现为相对清晰但并非完全割裂的团簇结构，说明不同类型的注意力内容在整体流动过程中既形成了相对稳定的“认知分区”，又通过关键节点保持着持续的连接与重组。

为了更系统地分析注意力空间的层级结构，可以依据节点在认知空间中的相对位置对其进行分层。具体而言，以节点到注意力重心的距离作为半径，分别选取覆盖前 20% 与前 80% 节点的两个阈值，构建同心结构，从而将整个空间划分为核心层、中间层与边缘层三个区域。

为了更系统地分析注意力空间的层级结构，可以依据节点在认知空间中的相对位置对其进行分层。具体而言，以节点到注意力重心的距离作为半径，分别选取覆盖前 20% 与前 80% 节点的两个阈值，构建同心结构，从而将整个空间划分为核心层、中间层与边缘层三个区域。

这一空间结构反映出注意力系统普遍存在的中心化特征：越靠近中心的节点，在整体认知结构中的可达性与整合能力越强；而距离中心较远的节点，则更容易在信息流动过程中被边缘化。需要强调的是，这种中心性并不简单等同于节点的规模或历史重要性。某些节点即使具有较高的局部流量，也可能因缺乏跨路径连接能力而位于结构边缘；相反，一些承担路径衔接与流动组织功能的节点，则更有可能稳定地占据认知空间的核心位置。

这一空间结构反映出注意力系统普遍存在的中心化特征：越靠近中心的节点，在整体认知结构中的可达性与整合能力越强；而距离中心较远的节点，则更容易在信息流动过程中被边缘化。需要强调的是，这种中心性并不简单等同于节点的规模或历史重要性。某些节点即使具有较高的局部流量，也可能因缺乏跨路径连接能力而位于结构边缘；相反，一些承担路径衔接与流动组织功能的节点，则更有可能稳定地占据认知空间的核心位置。

====累积分布与马太效应====

====累积分布与[[马太效应]]====

[[文件:马太效应.png|缩略图|替代=|马太效应示意图，图中曲线表明，在节点数量累计分布（绿色曲线）在前20%的时候，流量累积（红色曲线）分布已经达到80%，这就是明显的20%的集体注意力流网络节点占据了80%的集体注意力，反映出注意力资源在网络中的高度不均衡配置。]]

[[文件:马太效应.png|缩略图|替代=|马太效应示意图，图中曲线表明，在节点数量累计分布（绿色曲线）在前20%的时候，流量累积（红色曲线）分布已经达到80%，这就是明显的20%的集体注意力流网络节点占据了80%的集体注意力，反映出注意力资源在网络中的高度不均衡配置。]]

在空间分布的基础上，可以进一步沿半径方向对节点数量与流量进行累积分布分析，并对其进行归一化处理，发现注意力流在空间中的分布呈现出显著的圈层不均衡结构：少量位于核心区域的节点吸纳了绝大部分流量，而大量处于外围的节点仅占据较小份额<ref name=":7" />。

在空间分布的基础上，可以进一步沿半径方向对节点数量与流量进行累积分布分析，并对其进行归一化处理，发现注意力流在空间中的分布呈现出显著的圈层不均衡结构：少量位于核心区域的节点吸纳了绝大部分流量，而大量处于外围的节点仅占据较小份额<ref name=":7" />。

这一分布特征与典型的幂律或“二八型”结构相一致，尤其是在流量节点的累计分布上，实验结果表明，在节点数量累计分布在前20%的时候，流量累积分布已经达到80%，这就是明显的20%的集体注意力流网络节点占据了80%的集体注意力，反映出注意力资源在网络中的高度不均衡配置。为进一步量化这种不均衡性，可以引入基尼系数对节点数量与流量分布进行刻画。结果通常显著偏离均匀状态，表明无论在节点层面还是空间圈层层面，注意力均表现出明显的集中趋势。

这一分布特征与典型的幂律或“二八型”结构相一致，尤其是在流量节点的累计分布上，实验结果表明，在节点数量累计分布在前20%的时候，流量累积分布已经达到80%，这就是明显的20%的集体注意力流网络节点占据了80%的集体注意力，反映出注意力资源在网络中的高度不均衡配置。为进一步量化这种不均衡性，可以引入[[基尼系数]]对节点数量与流量分布进行刻画。结果通常显著偏离均匀状态，表明无论在节点层面还是空间圈层层面，注意力均表现出明显的集中趋势。

总体而言，注意力流网络往往呈现出一种由结构位置所驱动的累积优势机制：少数节点通过占据认知空间的关键位置，持续吸纳并再分配注意力，从而在整体结构中形成稳定的主导作用。不难发现即使实在集体注意力的分布上，一样会存在资源分布的马太效应。

总体而言，注意力流网络往往呈现出一种由结构位置所驱动的累积优势机制：少数节点通过占据认知空间的关键位置，持续吸纳并再分配注意力，从而在整体结构中形成稳定的主导作用。不难发现即使实在集体注意力的分布上，一样会存在资源分布的马太效应。

为了进行可视化与分析，我们使用多维尺度变换（MDS）<ref>Carroll J D, Arabie P. Multidimensional scaling[J]. Measurement, judgment and decision making, 1998: 179-250.</ref> 方法，将此高维几何结构降维投影到一个二维平面上。MDS的核心是尽可能保持投影后二维点之间的欧几里得距离，与原始高维空间中的距离（即<math>c_{ij}</math>）一致。这样，我们在二维平面上观察节点的分布，就能近似地洞察它们在原始流动网络中的相对距离、聚类状况以及中心性：距离表现为平面上两点靠近，表示它们在流动网络中互动紧密、流距离小；中心性表现为处于投影图中心区域的节点，通常是网络中的枢纽，与众多其他节点保持较近的流距离，即具有较高的中介中心性或接近中心性。

为了进行可视化与分析，我们使用多维尺度变换（MDS）<ref>Carroll J D, Arabie P. Multidimensional scaling[J]. Measurement, judgment and decision making, 1998: 179-250.</ref> 方法，将此高维几何结构降维投影到一个二维平面上。MDS的核心是尽可能保持投影后二维点之间的欧几里得距离，与原始高维空间中的距离（即<math>c_{ij}</math>）一致。这样，我们在二维平面上观察节点的分布，就能近似地洞察它们在原始流动网络中的相对距离、聚类状况以及中心性：距离表现为平面上两点靠近，表示它们在流动网络中互动紧密、流距离小；中心性表现为处于投影图中心区域的节点，通常是网络中的枢纽，与众多其他节点保持较近的流距离，即具有较高的中介中心性或接近中心性。

因此，将流网络转化为几何体并进行MDS投影，本质上是一种将复杂的、非线性的流动关系数据，转换为直观、可度量的空间结构，从而实现对网络宏观拓扑与节点微观地位的视觉化解析。下图中给出了可视化的简单操作过程。

因此，将流网络转化为几何体并进行MDS投影，本质上是一种将复杂的、非线性的流动关系数据，转换为直观、可度量的空间结构，从而实现对网络宏观拓扑与节点微观地位的视觉化解析。下图中给出了可视化的简单操作过程。

* '''计算内积矩阵'''

* '''计算内积矩阵'''

中心化后，距离关系可通过内积（即点积）来重新表征。我们根据中心化后的距离矩阵，计算出一个内积矩阵（或称格拉姆矩阵）。该矩阵的每个元素对应一对数据点向量的内积，它本质上刻画了数据点之间的夹角与投影关系，蕴含着数据结构的全部几何信息，是将距离转换为坐标表示的关键桥梁。

中心化后，距离关系可通过内积（即点积）来重新表征。我们根据中心化后的距离矩阵，计算出一个内积矩阵（或称格拉姆矩阵）。该矩阵的每个元素对应一对数据点向量的内积，它本质上刻画了数据点之间的夹角与投影关系，蕴含着数据结构的全部几何信息，是将距离转换为坐标表示的关键桥梁。

* '''计算特征值与特征向量'''

* '''计算[[特征值]]与[[特征向量]]'''

* '''计算降维后的坐标'''

* '''计算降维后的坐标'''

最后，将原始数据投影到选定的k维新基上，即可得到降维后的坐标。具体计算方法是：将特征向量矩阵（以选定的k个特征向量为列）与由对应特征值平方根构成的对角矩阵相乘。得到的新坐标矩阵中，每一行代表一个数据点在k维空间中的位置。这样，我们就完成了从抽象距离到直观几何布局的映射，从而能够在低维空间（例如k=2）中直接观察和分析数据的聚类、顺序与相对距离关系。

最后，将原始数据投影到选定的k维新基上，即可得到降维后的坐标。具体计算方法是：将特征向量矩阵（以选定的k个特征向量为列）与由对应特征值平方根构成的对角矩阵相乘。得到的新坐标矩阵中，每一行代表一个数据点在k维空间中的位置。这样，我们就完成了从抽象距离到直观几何布局的映射，从而能够在低维空间（例如k=2）中直接观察和分析数据的聚类、顺序与相对距离关系。

====主要结论====

====主要结论====

百度贴吧的研究主要解决的问题是注意力如何在“新内容/关键节点”与“旧内容/次要节点”之间发生迁移？迁移为何呈现稳定结构并随时间产生衰减生命周期？

百度贴吧的研究主要解决的问题是注意力如何在“新内容/关键节点”与“旧内容/次要节点”之间发生迁移？迁移为何呈现稳定结构并随时间产生衰减生命周期？

换成学习分析：哪些资源在课程里能成为“持续入口”（低 L类位置），哪些资源会因为新旧交替或导航机制而进入“可见性下降—耗散上升”的状态（高 L类位置）。

换成[[学习分析]]：哪些资源在课程里能成为“持续入口”（低 L类位置），哪些资源会因为新旧交替或导航机制而进入“可见性下降—耗散上升”的状态（高 L类位置）。

可以把贴吧树状扩散结构理解为一条“推进链”：接近“根”的节点≈能让学习者更容易持续推进的内容/活动（低迁移阻力）,越往“叶”≈注意力越容易耗散或停留（推进阻力更大）,当新内容进入（类似课程中新的单元/章节被引导），旧内容的位置会被系统“挤出”，导致学习者路径出现可预期的衰减与替代。

可以把贴吧树状扩散结构理解为一条“推进链”：接近“根”的节点≈能让学习者更容易持续推进的内容/活动（低迁移阻力）,越往“叶”≈注意力越容易耗散或停留（推进阻力更大）,当新内容进入（类似课程中新的单元/章节被引导），旧内容的位置会被系统“挤出”，导致学习者路径出现可预期的衰减与替代。

==在线学习==

==在线学习==

在教育学领域，集体注意力流网络主要应用于在线课程资源优化、学习路径分析、辍学行为理解、联通主义学习交互分析和差异化教学设计等方面。相关研究表明，它不仅能够分析高活跃学习者，也能够解释浏览型、低参与型和辍学学习者的真实学习行为。我们先构建“学习资源的流网络”（集体注意力流网络的基础图），把学习资源/活动表示为节点，把学习者在资源之间的连续转移表示为有向边。为刻画开放学习中的源-汇特征，流网络引入虚拟节点：源（source）与汇（sink）（对应学习入口与流失/离开位置）。

在教育学领域，集体注意力流网络主要应用于在线课程资源优化、学习路径分析、辍学行为理解、[[联通主义]]学习交互分析和差异化教学设计等方面。相关研究表明，它不仅能够分析高活跃学习者，也能够解释浏览型、低参与型和辍学学习者的真实学习行为。我们先构建“学习资源的流网络”（集体注意力流网络的基础图），把学习资源/活动表示为节点，把学习者在资源之间的连续转移表示为有向边。为刻画开放学习中的源-汇特征，流网络引入虚拟节点：源（source）与汇（sink）（对应学习入口与流失/离开位置）。

由真实学习行为日志得到流矩阵：

由真实学习行为日志得到流矩阵：

这些结果可以用于解释不同学习者群体如何使用课程资源，也可以用于判断哪些资源适合作为学习入口、过渡节点或复习节点。

这些结果可以用于解释不同学习者群体如何使用课程资源，也可以用于判断哪些资源适合作为学习入口、过渡节点或复习节点。

====主要结论====

====主要结论====

它解决的是“课程资源是否真正支持学习过程”的问题，而不仅仅是判断某个资源是否被访问过。通过该方法，教师和平台可以发现资源排序、课程导航和学习任务设计中的潜在问题。

它解决的是“课程资源是否真正支持学习过程”的问题，而不仅仅是判断某个资源是否被访问过。通过该方法，教师和平台可以发现资源排序、课程导航和学习任务设计中的潜在问题。

===辍学行为分析与干预===

===辍学行为分析与[[干预]]===

集体注意力流网络可用于分析 MOOC 辍学者的学习行为<ref>Jingjing Zhang, Ming Gao, Jiang Zhang, The learning behaviours of dropouts in MOOCs: A collective attention network perspective,Computers & Education, Volume 167, 2021, 104189, ISSN 0360-1315, <nowiki>https://doi.org/10.1016/j.compedu.2021.104189</nowiki>.</ref>。相关研究表明，辍学者并不一定完全没有学习，而是可能具有短暂、分散但真实的学习路径。

集体注意力流网络可用于分析 MOOC 辍学者的学习行为<ref>Jingjing Zhang, Ming Gao, Jiang Zhang, The learning behaviours of dropouts in MOOCs: A collective attention network perspective,Computers & Education, Volume 167, 2021, 104189, ISSN 0360-1315, <nowiki>https://doi.org/10.1016/j.compedu.2021.104189</nowiki>.</ref>。相关研究表明，辍学者并不一定完全没有学习，而是可能具有短暂、分散但真实的学习路径。

===联通主义学习中的多群体交互分析===

===联通主义学习中的多群体交互分析===

在联通主义课程和 cMOOC 环境中<ref name=":12">Gao, M., Zhang, J. & Zhang, J. Diversity of interactions within connectivist learning context: insights from flow of collective attention. ''Int J Educ Technol High Educ'' 22, 76 (2025). <nowiki>https://doi.org/10.1186/s41239-025-00575-5</nowiki></ref><ref name=":13">高明;张婧婧;张江;陈丽;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[J];远程教育杂志;2023年04期</ref>，集体注意力流网络可用于分析不同类型学习者与学习资源之间的交互关系。相关研究通常根据浏览、点赞、评论、分享等行为，将学习者划分为浏览型、点赞型、均衡型、评论型和分享型等群体。

在联通主义课程和 [[cMOOC]] 环境中<ref name=":12">Gao, M., Zhang, J. & Zhang, J. Diversity of interactions within connectivist learning context: insights from flow of collective attention. ''Int J Educ Technol High Educ'' 22, 76 (2025). <nowiki>https://doi.org/10.1186/s41239-025-00575-5</nowiki></ref><ref name=":13">高明;张婧婧;张江;陈丽;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[J];远程教育杂志;2023年04期</ref>，集体注意力流网络可用于分析不同类型学习者与学习资源之间的交互关系。相关研究通常根据浏览、点赞、评论、分享等行为，将学习者划分为浏览型、点赞型、均衡型、评论型和分享型等群体。

该应用强调，学习交互不仅包括人与人之间的讨论和回应，也包括学习者与课程内容、案例、博客、论坛、活动和周报等资源之间的连接。通过不同群体的注意力流网络，可以观察各类学习者在资源使用上的偏好和差异。

该应用强调，学习交互不仅包括人与人之间的讨论和回应，也包括学习者与课程内容、案例、博客、论坛、活动和周报等资源之间的连接。通过不同群体的注意力流网络，可以观察各类学习者在资源使用上的偏好和差异。

传统联通主义学习研究常常强调社交互动，容易忽视只浏览、不评论或少发帖的学习者。集体注意力流网络可以证明，低显性交互学习者也可能通过资源浏览和内容连接参与学习。

传统联通主义学习研究常常强调社交互动，容易忽视只浏览、不评论或少发帖的学习者。集体注意力流网络可以证明，低显性交互学习者也可能通过资源浏览和内容连接参与学习。

这些结果能够展示不同学习者如何以不同方式参与课程，也能说明不同资源对不同群体的吸引力和支持作用。

这些结果能够展示不同学习者如何以不同方式参与课程，也能说明不同资源对不同群体的吸引力和支持作用。