以社会网络分析法为主题的论文

2 008年10月北京邮电大学学报(社会科学版)Journal of BUPT ( Social Sciences Edition)Vol110, No15Oct1 2008收稿日期: 2008 - 07 - 23作者简介: 杨学成(1977 - ) , 山东平度人, 北京邮电大学经济管理学院讲师、管理学博士。·管理科学·客户的关系属性及其对沟通行为的影响———以移动通信的集团客户为例杨学成, 张晓航, 石文华(北京邮电大学经济管理学院, 北京 100876)摘 要: 预测客户行为是客户关系管理的中心命题。采用客户的人口特征信息、消费数据等指标来预测客户行为, 忽视了客户之间的互动, 尤其是客户的关系属性。文章研究关系属性对移动集团客户沟通行为的影响。为突破以往研究的局限性, 将集团客户看作是相互连接的社会网络, 客户在这个社会网络中通过语音通话、短信、彩信等方式进行互动和沟通。研究结果显示, 关系属性是客户沟通行为的重要预测变量, 但在不同的沟通水平上存在着一些差异。结论对移动运营商的营销实践具有重要的借鉴意义。关键词: 关系属性; 社会网络分析; 客户关系管理; 集团客户一、引 言由于政府管制的放开, 更为激烈的竞争环境以及新技术和市场的发展, “流失率”成为电信运营商非常关心的问题, 他们比以往任何时候都更重视客户关系管理。然而, 客户关系管理也有其自身的局限性。其中最大的局限是客户关系管理普遍将客户视为相互独立的, 认为他们的购买决策独立于其他任何人。实际上, 客户是有意识或无意识地相互连接在一起的[ 1 ] , 也就是说客户是处在自身的社会网络之中的。造成这一局限的一大原因是分析人员通常缺乏有关客户互动的信息, 因而就无法理解客户的社会网络属性及其结构。幸运的是, 随着移动通信行业信息化水平的提升, 大量的通话记录保留了下来, 因此通过移动运营商的信息系统平台很容易获得客户相互之间进行沟通和互动的数据, 这为基于社会网络的营销机会分析和活动推广提供了良好的基础。本文阐述客户的关系属性对其沟通行为的影响力。以中国移动某省分公司的一个集团客户作为研究对象, 首先描述集团客户内部成员之间的互动特征; 进而计算各个成员的关系属性; 最后研究这些关系属性对其沟通行为(语音通话) 的影响程度。二、作为社会网络的移动通信网伴随着新技术的发展, 类似于手机、电子邮件、即时通信这样的沟通模式和沟通设备已经把人们带到了一个“随时随地交往”的时代。[ 2 - 3 ]移动通信为人们的日常沟通打开了方便之门。通过语音通话、短信等形式, 客户可以很方便地咨询产品信息和消费建议, 诉说自己的消费经历和提供购买参考。从这个角度上来讲, 客户实际上是连接在一起的, 他们的购买决策通常受到家人、朋友、熟人、业务伙伴等的强烈影响。根据社会网络分析的观点, 一个社会网系统是由大量的行动者(或称节点) 和将他们连接在一起·43·的关系模式构成。[ 4 ]社会网络分析就是一套基于网络系统中的关系来研究社会结构的方法。[ 5 ]网络分析的目的是检验行动者委身于什么样的关系系统, 并进而分析关系结构的属性如何影响行为。因而研究的焦点是行动者之间的相互依赖, 以及他们在社会网的位置如何影响他们的机会、约束和行为。[ 6 ]基于此, 社会网视行动者是镶嵌在关系系统之中的, 他们的特征由其所处的结构环境决定。社会网分析在宏观和微观之间架起了一座桥梁, 既可以考察宏观效应(如网络结构、网络演化等) , 也允许考察微观效应(如个体的目标) , 还允许研究宏观和微观两个层面的混合效应(如网络结构对个体推荐动机的影响)。近年来的研究已经显现出了客—客互动( customer - to - customer interaction) 对客户行为愈益重要的影响力。例如, 有的学者研究了客—客互动对顾客推荐行为的研究[ 7 ] ; 有的研究了交易关系在社会网络中的镶嵌性[ 8 ] ; 还有学者研究了客户互动对销售终端系统( POS, point of sale) 使用行为的影响[ 9 ] 。此外, 大量有关社会网络分析的文献也探讨了顾客在各种各样的组织中的行为问题, 从而推动社会网络分析理论发展到了一个相对成熟的阶段。然而, 这一领域的实证研究没有跟上理论的发展,鲜见考虑客户之间的相互连接性所带来的行为结果的研究出现。文献[ 10 ] 认为, 作为一种研究方法, 社会网络分析可以用于研究通信网络中的客户关系管理问题。最近, 很多研究人员开始利用社会网络分析的方法研究移动通信网络。对这些研究人员来说, 移动通信网络并非单纯的产业背景, 而是一种新出现的社会网络渠道。手机用户就是社会行动者, 而他们的沟通行为代表了一种关系结构或社会连带。从这种意义上讲, 移动通信网是由相互缠绕在一起的社会连带构成的, 由此大量的信息得以传递。在这个过程中, 手机用户作为网络的节点传递信息, 根据对通话对象的挑选决定他们的通信联系。目前, 已经有一些学者研究了移动通信网络中的手机用户。例如, 文献[ 11 ] 根据社会网络分析方法研究了如何在客户关系管理中利用社会网络效应, 发现客户的短信使用行为依赖于他所处的社会网络的短信使用行为; 文献[ 12 ] 研究了手机使用时网络效应的重要性, 以及社会网络结构对用户采用决策的影响。但这些文献大多探讨移动通信网的网络效应问题, 很少考虑客户的互动特性。三、研究方法与数据收集1. 研究程序首先, 笔者对拟采集数据的移动公司高层管理者和集团客户的客服经理分别进行了两次深度座谈,访谈的目的是了解哪些关系属性可能对集团客户的通话行为产生比较大的影响。对访谈结果的详细梳理形成了本研究关系属性的构成维度, 并为各个维度的具体测量方法选择奠定了基础。然后, 深入检查了该公司集团客户的名单目录, 初步分析了各个集团客户的关系网络特征和关系属性, 以便选择一个恰当的数据集。最后, 通过运行UC INET610和SPSS1210进行相关的数据分析和模型检验。2. 数据收集① 中心度是指某集团客户成员在该集团中所拥有的关系数量的总和。② 捷径距离是指捷径距离矩阵中列的捷径距离之和。③ 中介性衡量的是一个人作为媒介者的能力,也就是占据在其他两人快捷方式上重要位置的人。占据这样位置越多,就越代表他具有很高的中介性。 第一步, 从某地市移动公司的2 000个集团客户中选择一个集团客户作为分析对象, 这个集团客户必须满足两个条件: ①集团规模适中, 即集团用户数在100～150之间, 这样的用户规模最具代表性;②集团内成员之间的联系较为紧密, 即平均度在所有集团平均度的均值以上。在满足这两个条件的集团中通过简单随机抽样选出一个集团客户作为分析对象, 所抽取的集团客户拥有139名成员, 即社会网络中有139个节点。第二步, 基于集团内成员的通话记录详单, 构造集团成员间的关系矩阵A139 ×139 , A 中的项aij表示节点i和节点j之间的联系强度。对联系强度的处理, 采用简单二元对称关系矩阵, 即aij ∈aji , aij = aji。如果节点i和j之间产生过通话, 那么aij = 1; 否则aij = 0。第三步, 基于成员间的关系矩阵A139 ×139 , 计算各成员的中心度( degree) ①、捷径距离( farness) ②、中介性( betweenness) ③等指标。统计集团内各个成员网络内通话量, 记为通话总时长( dur) 。·44·北京邮电大学学报(社会科学版) 2008年第5期最后, 以成员的通话总时长为因变量, 中心度、捷径距离、中介性等指标为自变量构造回归模型,并估计回归模型的各个参数, 进而研究变量之间的关系。为了保护用户的隐私, 没有任何有关识别个体用户的信息, 如姓名、地址、性别、年龄等。为了防止逆向工程, 用户的呼入呼出号码、用户号码等信息由运营商编码后分两步传送过来。此外, 运营商的员工在个体层面上无法接触到本文的研究结果, 且所有通话内容都不在分析范围之内。3. 数据分析本研究的目标是通过实证研究深入理解关系属性如何影响集团客户的沟通行为。为此, 选择了三个网络指标测量手机集团客户的关系属性。与此同时, 选择某一特定时间段的通话时长作为因变量(通话行为) 。然后, 通过回归分析检验这些关系属性对沟通行为的影响程度。构建的回归模型如下Y =α +β1 X1 +β2 X2 +β3 X3 +ε式中, Y表示对沟通行为的测量, 定义为在选定的1个月时间里(2008年7月1日至7月31日) 某用户呼入呼出电话的通话分钟数的总和; X1、X2、X3 分别表示客户的社会网络指标中心度、捷径距离、中介性; α、β1 、β2 、β3 是待估计的参数; ε表示系统误差。四、研究结果在整理完毕的网络数据集中, 共有139个节点(个体客户) , 这些节点共形成了1 306条网内联系。实际联系数量与理论上最大联系数量的比例(网络密度) 为01066 2, 网络的中心度为17119% , 网络的平均距离为21786。表1归纳了研究模型中主要变量的均值(mean) 、标准差( s1e1) 和变量( varia2ble) 之间的Pearson相关系数。由表1可以看出, 所有相关系数均显著小于1, 而且膨胀系数均小于15, 因此不存在明显的共线性问题。表1 描述性统计和相关矩阵variable mean s. e. range 1 2 3dur 112179 99176 605degree 9134 8134 32 01713 3farness 389174 75153 464 - 01573 3 - 01793 3betweenness 253116 405117 2 528 01673 3 01783 3 - 01563 3 注: 3 3 p < 0101。然后分析自变量( degree、farness和betweenness) 与因变量通话时长的关系。通过运行SPSS1310的回归( regression) 模块, 得出如表2所示的结果。T值检验的结果显示有两条路径( degree到dur和betweenness到dur) 是显著的( p < 0101) 。表2 回归分析结果variable standardized coefficients t - Value Sig.degree 014443 3 3 31444 01001farness - 01054 - 01554 01581betweenness 012903 3 31075 01003R - Square = 01540; F = 521911 (P < 01001) 注: 3 3 p < 0101; 3 3 3 p < 01001。如表2所示, 在对用户通话总时长的影响方面, 中心度比中介性更具解释能力。中心度指标代表了一个用户与其他用户之间的社会联系。如果一个用户具有更高的中心度, 那么他可能拥有更多与其他人沟通的机会, 并因此获得更多的利益。由此可以看出, 具有较高中心度的用户是需要运营商重点·45·杨学成等: 客户的关系属性及其对沟通行为的影响关注的, 因为他们往往能为运营商带来更多的收入。中介性指标是能够解释通话总时长的另一个重要指标, 具有较高中介性的人是指那些在社会网络中占据有利位置或处在其他人联络的捷径距离中间的人。也就是说, 这些人担当了其他用户之间的中间人( broker) 角色, 并居间平衡, 成为其他人相互联络的媒介者。因此, 这样的用户也会频繁通话。捷径距离指的是一名用户联系到网络中另一名用户所要经过的最短路径。然而, 结果显示, 捷径距离对通话时长的回归系数没有通过t检验。造成这一现象的原因可能是捷径距离只能解释成员在组织中的社会影响力, 而这种社会影响力可以通过其他一些渠道得以传达, 不一定表现为通话时长。为了进一步研究这些指标对不同类型用户的影响, 要对回归结果进行深入分析。实际上, 通过表1的数据可以得到这样一个印象: 通话总时长数据的分布范围非常大( range为605) , 而且通过计算发现偏度指标也超过了1100的临界值( skewness为11856) 。这说明通话总时长数据并不服从标准的正态分布, 而是向低水平的通话总时长偏离(mean为112179, s1e1为99176) 。因此, 中位数(88) 是对中心趋势的一个更好的判断指标。为了更深入的研究, 按照通话总时长的中位数进一步将样本区分为两个样本数接近但更有意义的小样本。在区分出来的两个小样本中, 分别对回归模型进行估计, 结果如表3所示。表3 分样本回归结果variable 低分组( dur≤88) 高分组( dur > 88) 整体模型(overallmodel)dependent durdegree 0146633 01012 11015333farness - 01065 01001 01019333betweenness 01161 01633333 0102333R - Square 01376 01412 01797F - Value 131484333 141964333 177183333 注: 33 p < 0101; 333 p < 01001。从表3可以看出, 两个回归模型均通过了统计检验, 说明具有较好的解释能力。对于不同水平的因变量, 回归模型表现出了显著的不同。在低分组( dur≤88) 中, 中心度指标是最具解释能力的预测变量; 而在高水平组( dur > 88) 中, 中介性指标的解释能力最大。下面讨论这些分析结果对于运营商营销和管理的实践意义。五、实践建议过去运营商仅通过个体用户的属性理解用户的行为, 忽视用户的网络属性, 而网络属性对于理解用户的行为至关重要。运营商有必要从网络的角度来看待客户。由于中心度、中介性等网络属性能在一个组织的范围内很好地解释用户的行为, 因此为运营商提供了了解客户的另一窗口。在营销实践过程中, 运营商除了关注客户人口特征、消费特征指标外, 还应该重视客户的关系属性。首先, 运营商在向集团客户推广新产品和开展促销活动时, 应该将集团客户看作是一个相互连接的社会网络, 而非一群相互独立的客户; 其次, 借助社会网络分析等手段, 分析集团客户的社会网络结构, 从中找出集团客户中那些占据有利网络位置的个体客户; 最后, 重点向这些占据有利网络位置的个体客户开展营销活动, 以使营销信息能借助客户自身的社会网络传播, 从而达到节约营销费用的目的。预测客户的行为是顾客关系管理中的核心命题。传统的预测模型仅仅包含了个体的信息, 而没有顾及客户的互动特征, 也就是关系属性, 这大大限制了预测的准确性。本文在论述关系属性的重要性的同时, 建立了运用关系属性预测顾客行为的模型, 并运用实证数据进行了检验。研究结果表明, 客户的关系属性能对用户的沟通行为产生显著的影响, 这对于运营商提高营销效率具有重要的实践意义。·46·北京邮电大学学报(社会科学版) 2008年第5期参考文献:[ 1 ] Algesheimer R, Florian V M. A network based app roach to customer equity management[ J ]. Journal of Relationship Marke2ting, 2006, 5 (1) : 39～57.[ 2 ] Katz J E, AakhusM A. Perpetual contact: mobile communication, p rivate talk, public performance [M ]. Cambridge: Cam2bridge University Press, 2002.[ 3 ] Wellman B. Computer networks as social networks[ J ]. Science, 2001, 293 (14) : 2031～2034.[ 4 ] IacobucciD. Interactive marketing and the megaNet: networks of networks[ J ]. Journal of InteractiveMarketing, 1998, 12: 5～16.[ 5 ] Rogers EM, Kincaid D L. Communication networks: toward a new paradigm for research[M ]. New York: Free Press, 1981.[ 6 ] Wasserman S, Galaskiewicz J. Advances in social network analysis[M ]. London: Sage, 1994.[ 7 ] Wangenheim F, Bayon T. The impact ofword ofmouth on service switching: measurement and moderating variables[ J ]. Eu2ropean Journal ofMarketing, 2004, 38 (9 /10) : 1173～1185.[ 8 ] Grove S J, Fisk R P. The impact of other customers on service experiences: a critical incident examination of“GettingAlong”[ J ]. Journal of Retailing, 1997, 73 (1) : 63～85.[ 9 ] Wathne K H, Biong H, Heide J B. Choice of supp lier in embedded markets: relationship and marketing p rogram effects[ J ].Journal ofMarketing, 2001, 65: 54～66.[ 10 ] Algesheimer R, Wangenheim F. A network based app roach to customer equitymanagement[ J ]. Journal of RelationshipMar2keting, 2005, 5 (1) : 39～57.[ 11 ] Kiss C, BichlerM. Leveraging network effects for p redictive modeling in customer relationship management[ C ] / / Proceed2ings of the 15 th AnnualWorkshop on Information Technologies & System (W ITS). LasVegas: [ s. n. ] , 2005.[ 12 ] Birke D, Swann GM P. Network effects and the choice of mobile phone operator[ J ]. Journal of Evolutionary Economics,2006, 16 (1～2) : 65～84.The impact of rela tiona l a ttr ibutes on mob ile phone user’commun ica tion behav iorYANG Xue - cheng, ZHANG Xiao - hang, SH IWen - hua( School of Economics andManagement, BUPT, Beijing 100876, China)Abstract: Predicting customers’behavior is a major analytical task in Customer Relationship Management(CRM). While the CRM analysts takes a large number of customer attributes such as demography information,consump tion characteristics into account, the customers’interaction with each other, and in particular relationalattributes have been ignored, although it iswell known that customers are consciously or unconsciously connectedto each other. This article focuses on the impact of relational attributes on mobile phone users’communication be2havior. Instead of viewing a market as a set of independent entities, we view it as a social network in which thecustomer interact with each other via mobile communication app lications such as voice calling, SMS, MMS, blue- tooth, etc. The results show that relational attributes are powerful p redictors of customers’ voice calling, butthere exists differences between relatively higher calling level and lower calling level. The article concludes bydiscussing marketing imp lications for the mobile telecommunications industry.Key words: relational attributes; social network analysis; customer relationship management; enterp rise cus2tomer·47·杨学成等: 客户的关系属性及其对沟通行为的影响

类似Blog社会性软件的发展，使得网络逐渐由内容互联走向社会互联，网络学习成效越来越取决于学习者自身的选择判断能力，面对这样一种情况，笔者提出了网络化社会互联学习能力进阶的三阶段模型，即基于社会性网络工具学习的线性思维进阶、基于知识管理的系统思维进阶、学习社会网络的自适应进化进阶三阶段。三进阶的划分，目的是为了揭示网络化社会互联学习中学习发生的进展规律，以期对更多想利用网络学习的学习者有所帮助和启发。 【关键词】社会互联；线性思维；知识管理；系统思维；自组织进化 一、从内容互联到社会互联 网络互联技术引入教育应用领域之初，对学习者来说，其有别于传统学习情境最大特点之一是互联所带来的信息内容海洋。近年，类似Blog这样社会性软件的出现和发展，则打造了另外一番完全不同的网络学习情境，这就是由原先基于内容的互联越来越转向人的互联、思想的互联，由基于资源内容的学习越来越转向基于知识管理、基于学习者不断优化内外知识结构网络的互联学习，对此笔者用下图(图1)来做形象表示，图中不同颜色的节点在网络教育应用发展的不同阶段其所代表的意义不一样。在网络教育应用初期，代表不同信息源的任一节点对学习者来说，仅仅是一个个信息资源的内容源。但是，到基于人的社会互联阶段，各个资源内容节点对学习者来说不再仅仅是学习内容层面上的单个节点，而是属于一定学习社群的主题内容，代表了群体所拥有和沉淀的知识水平。图1 从内容互联到社会互联 网络教育应用初期，人与互联网络并未融为一体，网络对学习者来说，只是一个若大的内容信息仓库，不同的学习者并没有通过网络建立直接或间接的协作分享互联的学习方式，但是基于人的互联、思想互联的网络教育应用，学习者不再是置身于互联网络之外的个体，藉由Blog这样具有很强身份标识作用的网络节点，把不同的学习者在网络中互联在一起，并且通过“自链、他链”以及其它如“tag”等方式进行学习群体类聚，形成以人为中心的不同主题内容的学习社群。在学习社群中学习者之间可以分享信息源、切磋学习心得，提升信息获取效率，促进隐性知识传播转化，深化主题挖掘功能，增进知识创新可能。 二、社会互联网络学习能力发展动因——自主选择 以人为中心的网络化社会互联学习不同于以往任何时候学习的最大特点是所有学习行为都是学习者自主选择的过程和结果。 就从我们自身成长的学习经历可以进行体会，无论我们是在校读书学习，还是走向工作岗位接受继续教育在职培训等，我们除能够选择自己回应环境的内心态度，我们无法选择周围一切的“给予”，我们无法选择学习课程内容、无法选择学习时间、无法选择学习方式、无法选择老师和同学……，我们的学习能力是被限定在规定的框架中。 但是，网络化社会互联学习却需要学习者必须不断作出选择，完全自主的选择，投入多少时间、学习什么内容、选择怎么的学伴，包括经常阅读哪些Blog……，这些都是选择，学习者所有的一切都是其选择的结果，学习过程就是不断作出选择的过程，学习路径沉淀就是选择的过程和结果的见证。 社会互联网络学习，可以从选择简单网络工具的学习开始，每一种社会互联网络工具的掌握，对学习者来说，都会进一步扩大选择范围、提高选择可能性、提升选择复杂度，而选择的复杂程度的增加反之又会促进学习者选择能力的不断生成、促进学习者网络学习能力的增强。 学习者选择的过程是学习者与环境互动的过程，是学习者内部发生“同化、顺应”的过程。虽然，我们目前还无法度量学习者内部“同化、顺应”发生过程的能力状态水平，但是我们可以通过学习者与环境互动中所表现出的选择行为的变化来度量学习者网络学习能力水平及其发展的进阶规律。 为了清晰形象说明体现在选择判断中学习者网络学习能力水平的发展进阶，我们用孩子搭积木的过程来做引入类比说明。 我们为一个从没有搭过积木的孩子，提供一堆有正方形、长方形、三角形、半圆形、拱门形等五颜六色、大小各异的积木元件，这些积木元件将会随着孩子动手能力和想象能力的提升被选择组合成越来越复杂、越来越别致的积木作品，它可能是张小桌子，也可能是栋小房子，还可能是座城池。 同样，对于一位从没有接触过网络的学习者来说，当环境条件允许他能够利用网络展开交流和学习，那么对网络中存在着的各种有助于学习的工具和资源的应用，将会随着学习者对工具的驾驭能力、对资源的管理能力的不断提升，产生出越来越大的学习应用效应，使得学习者获得不断的发展和成长。 选择，创造了可能，拓展了范围，发展了需求，早就了复杂，提出了进一步发展要求，据此，我们把选择认为是社会互联网络学习能力发展的动因，并将网络化社会互联学习能力发展分为三进阶，即网络学习的线性思维进阶、网络学习系统思维进阶、网络学习自适应进化进阶。 三、网络学习线性思维进阶 前面我们提及用孩子搭积木过程作为引入，来分析体现在学习者不断自主选择判断过程中的网络学习能力水平的发展进阶。对孩子搭积木来说，无论是依据可能提供的积木组合图案样本说明书进行按图索骥，还是由孩子自己去创造性地思考完成某件有一定复杂度的积木作品，孩子都需要经历对单个积木元件以及单个积木元件之间可能的简单组合的了解这个过程。在这个过程中，孩子了解到积木元件的不同大小、不同颜色和不同形状，甚至能将之与现实世界中的物体进行联想，如红色圆积木块像太阳，大三角形橙色积木像尖尖的屋顶，等等。另外，孩子在对单个积木元件了解过程中，还发展出把几个积木元件进行简单组合的能力，也就是在某几类元件之间建立关联，组合出简单的作品。 对于网络学习者来说，初期也会经历类似这样认识了解“积木元件“的学习阶段，即逐一认识网络学习工具元件以及进行工具之间简单组合应用的阶段。比如学习使用即时交流工具，如QQ、MSN等；学习使用邮件收发工具，如foxmail、gmail等；学习使用RSS新闻订阅工具，如bloglines、topim等；学习使用收藏夹分享工具，如delicious、365key等；学习使用社群交流的工具，如BBS、maillist等；学习建立个人网志的工具，如BLOG。另外还有很多社会性互联的网络交流的平台，其服务功能各有特色，如LinkedIn、Orkut等。还有一种以媒体类型为实体对象进行社会互联的软件服务平台，如以图片收藏为互联服务的flickr平台。这些工具的学习和掌握，一开始是逐一进行的，但是这些单个独立的工具学习运用，在学习进展到一定阶段就会涌现出构建多维复杂学习空间的可能。 发展在不同学习工具之间建立联系的能力，也是一个渐进过程，用最简单和常用的工具word和google来举例说明。比如学会用word编写文案和用google搜索资料的学习者，在用word写文章时，遇到需要查一段资料时，他首先想到的不再是原先的参考书不在身边，而是立刻到网上去查询相关内容，于是我们说这位学习者建立了word和google之间应用线性关联。 这种工具元件及其简单组合的了解学习，对学习者来说，比儿童初学搭积木认识积木元件要动困难得多。因为对学习者来说，每掌握一种工具，其获得的认知范围不仅仅是工具本身的使用，而且还藉由此工具的使用，为学习者进一步拓展学习的机会、激发学习的兴趣、扩大学习的潜能创造了可能性、创造了可选择的空间。一言蔽之，工具不断延伸学习者的认知能力。比如学习者会用google，今后在搜索资料的过程中就会存在触及到更多吸引学习者、激发学习兴趣、进一步拓展学习空间的信息的可能；再比如学习者会使用电子邮件、会使用Blog，为进一步拓展交流范围提供可能，拓展交流的结果则又为进一步学习发生提供可能性。 对学习者来说，网络学习工具增进学习发生的可能。当工具掌握得越来越多，学习者所须应对加工的信息也会越来越多，但是，如果学习者还仅仅只是依据“用word写文章、在需要的时候去google查资料”这种简单线性关联模式来学习，则学习者就会无法应对伴随工具掌握所带来信息量的递增和需要处理问题的复杂性的递增的局面。学习者需要突破原先基于单个工具以及工具之间简单组合使用的线性思维学习模式，发展出一种能够处理大量信息和复杂问题的学习能力，即不断优化组合学习者内外知识节点网络的能力、发展出基于知识管理系统思维的学习能力。 四、网络学习系统思维进阶 1.基于知识管理的系统思维学习能力的提出 如果说网络学习线性思维进阶，是学习者为构建多维学习空间积累和准备“积木元件”材料的过程，那么网络学习系统思维进阶主要功能就是基于“积木元件库”的学习管理和优化。 在网络学习线性思维进阶中，当学习者的“积木元件库”积累到一定阶段，学习者就需要对其“积木元件库”不断地进行整理和优化。比如，还是用前面曾经提到过的word和google的例子，当学习者再使用word碰到问题时，这时除了采用google查资料的方式外，还有更多更高效解决问题的选择途径，在对某具体问题的解决时，假设学习者曾经碰到过，并对其信息做了相关的管理，这时学习者就直接到自己相应的管理信息库中去提取解决问题的答案，而不需要依赖google又从头开始查询解决之道，不需要把前一次解决问题的过程又重复执行一遍。反之，如果学习者没有去有意识积累、没有去有意识沉淀、没有去有意识管理，就会大大降低学习的效率，或者说学习者的整体学习效能没有提升，还是停留在简单的、应对的、原始积累的水平上。由此我们看到，学习者需要发展出能够根据具体问题、在多项选择可能性基础上作出综合判断和决策的能力。 学习者如何才能对越来越复杂情境和问题作出优化决策？这就是习得和发展面对复杂情况基于知识管理的系统思维学习能力。但是有一点值得注意，如果没有前期网络学习线性思维模式学习的积累，没有学习者的“积木元件库”的丰富程度，学习者是不会产生基于知识管理的学习需求，也不会发展出进行系统思维的能力。 2.理解知识管理的三要点 为了问题阐述的清晰性，这里先把理解知识管理的三个要点做一下介绍。 第一是关于显性知识与隐性知识的分类，这一分类最初是迈克尔.波兰尼提出，也就是把个人知识分为能够表达出来易于传播的那部分和只可意会难以言传的不易显性化传播的部分。比如个人出版书籍、文章等都认为属于个人的显性知识范畴，个人的那种经验沉淀下来却难以用类似文字来表达的东西则属于隐性知识的范畴，比如特级教师，他的那种“特级技能”中无法用文字表达的那部分内容就是个人的隐性知识。 第二是关于什么是知识管理，不同的流派对此有不同的具体界定，比较通俗化的可以借用著名的安达信管理咨询公司(Arthur Anderson，2000)知识管理界定公式来表述，如下图(图2)所示：图2 安达信管理咨询公司知识管理公式 根据公式原先所表达的意思了解到，知识管理是在信息技术将人与知识充分结合的过程中，透过分享，知识的积累和沉淀会呈现指数倍的效应，即如果分享深度、广度、速度越大，知识管理所成就的价值就越大。 第三是关于知识管理转化理论，即野中郁次郎(Nonaka)和竹内光隆(Tadeuchi)在迈克尔.波兰尼关于显性知识与隐性知识分类基础上，发展出的关于隐性知识与显性知识相互转换的理论，如下图(图3)所示：图3 知识转化理论知识管理转化理论为我们个人、群体如何进行挖掘隐性知识使其显性化传播分享、如何将显性知识内化生成隐性知识形成能力提供了在个体与群体之间进行显性知识与隐性知识不断转化的理论过程模型。 3.发展基于知识管理的系统思维学习能力 学习者在经由线性思维进阶学习工具的习得和使用，拓展了交往范围，造就了学习的复杂局面，需运用知识管理来提升学习效能。由上述关于知识管理三个要点可以看出，学习者需要参与在群体中的分享，整理总结个人学习的心得和成果，形成显性知识，促进整个群体知识的积累和沉淀，同时充分吸纳群体的知识，内化成个人的隐性知识。学习者面对复杂情境的学习能力表现在与环境互动中所体现的知识转化能力。 网络学习者在发展知识管理技能的同时，也是增加对环境信息的吸纳能力、增进隐性知识的过程。学习者知识管理的能力越强，进行自主选择的空间和范围就越大，获得的学习自由度就越大。 学习者如何针对复杂情境的具体问题作出优化选择的知识本身就是隐性知识，这种隐性知识如何习得？网络空间学习是个性化的学习，难以存在固化的学习模式，因为每个学习者的成长背景、学习期待、学习目标都不一样，每个学习者的选择行为也不一样。但是，网络发展由内容互联走向社会互联、走向人的互联、思想的互联，因此，对每一个学习者来说，藉由社会性软件，个体学习的发生不是孤立的，通过建立一些学习伙伴关系，或加入到一定主题的学习社群中，学习者总是能够将自身置于一定的学习交流的群体中，在这样或那样的学习交流群体中，那些蕴藏在每个学习者身上的隐性知识就能够通过“社会化”交流活动得到传播，为其他学习者习得和继承，这样一种开放的“言传身教”为学习者发展隐性知识提供了良好的学习情境。 另外，针对复杂情境的具体问题作出优化选择，还需要掌握思维的“软工具”，这就是学会系统思考、系统看世界的“思维工具”。对此，一方面我们在知识结构上要拓展系统论方面的知识，另一方面我们在意识中要逐步运用系统思想指导学习实践，进行系统思维模式的有意识转变。 网络互联，在为学习者提供充分选择自由的背后，就是它的不确定性、它的复杂性，对每一位学习者来说，驾驭知识管理技能和系统思维模式，就可能充分利用网络空间的优势进行进一步的自主学习，发现自我、实现自我。 五、网络学习自适应进化进阶 网络学习的自适应进化进阶，是建立在前两个进阶基础上的网络学习能力的飞跃。没有“积木元件库”基于社会工具的“积木元件”的积累学习，是不可能跃入对“积木元件库”基于知识管理系统思维的学习。同样，没有前两个阶段的基础，学习者是不会跃入自适应进化的学习进阶。不同的进阶代表了学习者不同的判断选择水平、不同的网络学习能力水平。 1.构建更庞大的学习网络关系 自适应进化的学习，表现出怎样的特点呢？学习者在前两个进阶基础上所构建的学习网络关系能够以类似“全息”方式不停地拓展，形成了更加庞大但却有序的个人学习空间网络关系，学习关系网络的不同序列层次代表学习网络关系结构自适应发展进程中的一种状态。 何以断言自适应进化阶段的学习会形成更加庞大但却有序的关系网络结构呢？我们来分析一下其可能性。 第一，学习者继续利用在第一阶段习得社会工具的技能，不断拓展学习边界。如果用进化的术语，我们可以把网络上这样的每一个新学习工具的掌握看作是个人网络学习系统中的“变异基因”，这样的变异基因为学习者变革和改进学习带来了可能性。 第二，学习者的知识管理能力和系统思维的方式，在拓展其它领域知识时可以“复制”，避免不同领域“积木元件库”优化管理对学习者知识管理和系统思维能力从头培养的要求。这种知识管理能力和系统思维能力的“复制”结果，就大大拓展和丰富了学习者的学习空间的网络结构。 对于上述“复制”的概念，这里在稍作解释。我们在前面提到，经由第一进阶网络学习工具的掌握造就了网络学习的选择的复杂局面，而学习者如何在复杂情境中针对具体问题进行选择的知识则是隐性知识，这种知识已经内化成学习者个人网络学习基于知识管理的个人能力，作为已经内化的个人能力，当学习者在向不同知识领域拓展和深化的时候，其知识管理技能和系统思维方式，是可以为学习者自身复制，也就是在面对不同领域知识学习的过程中，学习者所需要的知识管理的技能和系统思维能力不需要重头开始习得，而是可以把最初习得的这方面能力在应对不同领域知识学习是进行直接的复制。这一点非常重要，即使不是学习者有意识拓展自身知识结构，那么从终身学习能力来说，我们知道，现代变化的社会中，一个人难以一生只从事一件工作、只涉及一个领域的某一方面知识，何况知识本身也在不断的新旧更替的变化中，所以这种面对新情境知识管理能力和系统思维能力直接复制迁移，就大大提升了学习者的学习效能。 2.自适应进化学习网络关系结构 系统结构决定系统功能。如果把网络学习者所逐步构建的学习社会关系网络看作一个系统，那么这个网络关系中的结构就决定了学习者当前学习状态、学习者选择判断的行为状态。 当学习者跃入第三进阶之后的初期在不同领域社群中依赖知识管理和系统思维能力的不断“复制”所形成的多个学习社群子网，通过学习者直接彼此相互关联。 但是，随着学习社群子网的拓展，学习者需要发展出管理参与多个不同学习社群子网的能力，亦即各个学习社群成为了“积木元件库”中大小不同颜色各异的积木元件了。至此，学习者在知识管理水平能力上也上升一个台阶，获得了对基于不同学习社群“积木元件库”的优化管理能力。那么对于网络学习系统来说，就出现了分层，即在关系和结构上出现了突变形成具有两个层次的网络学习关系系统。这一过程将随着学习者学习能力的提升不断地重复着，形成了自组织进化的系统和学习序列。 在系统自适应进化学习阶段，对于学习者自身来说，学习者那种建构知识的能力、知识管理的能力等，能够自适应地发展。学习者在如何进行知识管理方面的隐性知识开始变得非常的丰富。不仅知识管理的能力开始自适应地进化发展生成，而且学习者与环境互动的能力也表现出不断进化地发展。 六、小结 网络学习完全不同于传统学习，特别是社会性软件的应用和发展，能够不断有助于学习者建立或融入一定的交流社群中。三进阶的划分，目的是为了揭示网络化社会互联学习中学习发生的进展规律，以期对更多想利用网络学习的学习者有所帮助和启发。伴随网络学习三进阶的发展，不仅拓展了学习社会网络、学习者知识结构，而且，学习者的思维能力也相应地发生了跃迁。

1、        点：行动者、节点（actors, nodes）

即为社会网络中的一个功能个体（包括个人、单位、团体（看成一个整体）），在虚拟网络中表现为一个注册用户，ID等。

在社会网络研究领域，任何一个社会单位、社会实体或功能个体都可以看成是“节点”，或者行动者。

一个图中： 节点集合N={n1,n2,、、、n3}

2、        线,关系（relationship）：

用来刻画关系数据，关于接触、联络、关联、群体依附和聚会等方面的数据，这类数据把一个能动者与另外一个能动者联系在一起，因而不能还原为单个行动者本身的属性。如上图表示的线arc。

一般称由一条线连着的点是相互“邻接的（adjacent）”,邻接是对由两个点代表的两个行动者之间直接相关这个事实的图论表达。

一般有无向线、有向线、多值线、有向多值线。

由线构成的图无向图、有向图、有向多值、无向多值图。

3、        邻域（neighborhood）:

与某个特定点相邻的那些点成为该点的“邻域”。

4、        度数（degree）:

邻域中的总点数成为度数。（严格的说应该是“关联度”，（degree of connection））,一个点的度数就是对其“邻域”规模大小的一种数值侧度。

一个点（无向图）的度数，在邻接矩阵中，一个点的度数用该点所对应的行或者列的各项中的非0值总数来表示。如果是二值（有项）的，那么一个点的度数就是该点所在行和所在列的总合。

在有向图中，“度数”包括两个不同方面，表达社会关系的线的方向。分别称为“点入度（in-degree）”：直接指向该点的点数总合；和“点出度（out-degree）”：该点所直接指向的其它点的总数。因此，对应在有向图的矩阵上，点的入度：对应该点所在列的地总和上。出度：该点所在行的总和上。

所有点的度数总合：无向图的总度数查线（关系）即可，有项图的总度数查线的2倍。

5、        线路（walk）：

各个点可以通过一条线直接相连，也可以通过一系列线间接相连，在一个图中的这一系列线叫做一条“线路”。

6、        途经(path)：

线路中每个点和每条线都各不相同，则称该线路为“途经”，“途经”的“长度”，用构成该途经的线的条数来测量。

7、        距离(distance):

一个重要的概念，指连接两个点的最短路径（即捷径，geodesic）的长度。在图论中一般称作最短路经。要与“途经”的概念相区分。

8、        方向

主要是看有向图的方向问题。

9、        密度（density）

描述了一个图中各个点之间关联的紧密程度。一个“完备(complete)图”（在图论中称完全图）指的是一个所有点之间都相互邻接的图。这种完备性即使在小网络中也积极少见。密度这个概念试图对线的总分布进行汇总，以便测量图在多大程度上具有这种完备性。密度依赖于另外两个网络结构参数：图的内含度和图中各点的度数总和。密度指的是一个图的凝聚力的总体水平。

“密度”和“中心势”这两个概念代表的是一个图的总体“紧凑性（compactness）”的不同方面。

图的内含度（inclusiveness）：图中各类关联部分包含的总点数，也可表述为图的总点数减去孤立点的数。不同的图进行比较常用的侧度为： 关联点数/总点数 15/20=75%

各点度数总和：

密度计算公式： 图中实际拥有的连线数与最多可能拥有的线数之比，其表达式为2l/n(n-1)。  有向图的表达式为：l/n(n-1)

多值图的密度：需要估值多重度问题，显然多重度高的线对于网络密度的贡献要比多重度低的线的贡献大。比较有争议的一种测度。

巴恩斯（Barnes,1974）比较了两类社会网络分析：

10、        个体中心（ego-centric） 网研究

围绕特定的参考点而展开的社会网，密度分析关注的是围绕着某些特定行动者的关系的密度。计算个体中心网密度的时候，通常不考虑核心成员及与该成员有直接关系的接触者，而是只关注在这些接触者之间存在的各种联系（links）。

11、        社会中心（socio-centric）网研究

关注的是作为一个整体的网络关联模式，这是对社会网络分析的另外一类贡献，从这一角度出发，密度则不再是局部行动者的“个体网”密度，而是整个网络的密度。密度计算上文已经提到。

12、        点度中心度（point centrality）

一个图中各个点的相对中心度

13、        图的中心度（graph centrality） 即为中心势的概念

14、        整体中心度（global centrality）   （弗里曼Freeman 1979,1980）

整体中心度指的是该点在总体网络中的战略重要性。根据各个点之间的接近性（closeness）,根据不同点之间的距离。可以计算出图中某点与其他各个点之间的最短距离之和。

无向图：可以通过软件计算出来一个无向图中各个点之间的距离矩阵，那么一个点的“距离和”比较低的点与其他很多点都“接近”。接近性和距离和呈反向关系。

有向图：“内接近性（in-closeness）”和“外接近性(out-closeness)”来计算

15、        局部中心点

一个点在七紧邻的环境中与很多点有关联，如果一个点有许多直接相关的“邻点”，我们便说该点是局部中心点。

16、        整体中心点

如果一个点在网络的总体结构上占据战略上的重要地位，我们就说该点是整体中心点。

17、        局部中心度（local centrality）

局部某点对其邻点而言的相对重要性。测量仅仅根据与该点直接相连的点数，忽略间接相连的点数。在有向图中有内中心度（in-centrality）和外中心度（out-centrality）。也可以自定义距离为1或2进行测度，如果定义为4（大多数点的距离为4），就毫无意义，也没有信息。

18、        局部中心度的相对测度

点的实际度数与可能联络得最多度数之，注意要去掉该点本身。

19、        中心势（centralization） 弗里曼(freeman，1979)

指的不是点的相对重要性，而是整个图的总体凝聚力或整合度。很少有人试图界定一个图的结构中心思想。中心势描述的则是这种内聚性能够在多大程度上围绕某些特定点组织起来。因此，中心势和密度是两个重要的、彼此相互补充的量度。

核心点的中心度和其它点的中心度之差。因此得出概念：实际的差值总和和与最大可能的差值总和相比。