网络学习资源是有机融合内容、活动、工具以及人机智慧在内的资源体（杨现民 & 赵鑫硕, 2016），是“互联网+教育”体系的重要要素。当前学习者对网络学习资源的需求已由追求“量变”转向“质变”，越发珍视高质量发展的网络学习资源。通过领悟“创新、协调、绿色、开放、共享”五大新发展理念精髓，借鉴李金昌等（2019）对高质量发展的内涵界定，高质量发展的网络学习资源是指具备资源创新内在动力，协调资源内容、结构、个体和群体的可持续演化发展，开放资源协同建设和交互渠道，满足多元化学习需求并吸引学习者使用的高品质资源。近年来，国家陆续发布多部政策文件倡导网络学习资源的高质量发展。如教育部（2018）发布的《教育信息化2.0行动计划》，提出教育资源要向大资源开发、共享与服务转变，最终实现资源的提质增效。2021年发布的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中强调教育的高质量，主张通过推动优质教育资源建设支撑发展智慧教育（新华社, 2021）。随着2021年教育部等六部门《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》的发布，数字资源新型基础设施成为教育新基建的重点方向之一，可通过新一代信息技术有力支撑自身高质量发展（教育部, 2021）。因此，关注网络学习资源“软”设施需求，从顶层标准架构和新兴信息技术两方面严控资源质量，对于我国教育信息化和教育生态的高质量发展具有重要意义（祝智庭 等, 2021）。

信息生态学为网络学习资源的高质量发展提供了理论支撑和新方法论。在生态学视域下，信息资源可通过有序进化不断提高自身质量，动态适应环境需求。网络学习资源作为一种重要的信息资源，它的进化态势往往也决定着自身质量的优劣。网络学习资源进化主要指在数字化学习环境中，学习资源从内容和结构两方面不断完善与调整，从而更好地适应外界变化的学习环境，服务学习者的个性化学习需求（杨现民 & 余胜泉, 2011）。当前网络学习资源进化研究已在资源进化的概念模型、关键技术以及单模态资源的进化规律等方面取得了可喜的研究成果。但是，从多年来国内外实践看，网络学习资源逐渐显现出因进化不足导致的资源质量不佳与个性化缺失的问题。如何通过新一代信息技术更好地进行资源进化智能预警与反馈，阻止资源进化不足危机的发生，是当前教育学、管理学和信息科学共同面临的问题。该问题的解决，为网络学习资源整体质量和管理效能的大幅提升提供了新颖的实现途径。

（一）网络学习资源进化研究现状

高质量发展是网络学习资源进化新的发展理念和发展方式，如何提高网络学习资源的进化质量，逐渐引起来自教育学、管理学等领域学者的关注。目前，不同学者围绕网络学习资源进化开展的探索性研究主要集中在资源进化模式、资源进化技术、资源进化动力和资源进化规律等方面。

在资源进化模式方面，杨现民（2015）从生态学理论出发，提出泛在学习资源生态系统中存在资源的内容进化与资源的关联进化两种典型的资源进化模式。不同进化模式下资源的高质量发展需要不同进化技术的加持。在资源内容进化方面，有学者针对内容进化质量控制难题（Yang & Yu, 2011），提出基于语义基因和信任评估的内容进化智能控制模型技术（Yang, et al., 2014）、资源内容协同编辑和版本控制技术（Attiya et al., 2016; Scerbakov, et al., 2018）等。在资源关联进化方面，研究经历了由静态描述结构导向到语义关联层面的过渡。学者们尝试利用关联规则挖掘、语义本体、知识关联频度和时间序列分析等技术研究网络学习资源的关联进化。例如，宾夕法尼亚大学的莱恩贝克教授团队提出了基于关联规则挖掘的e-Learning资源与用户关联模型（Romero, et al.,2010, pp.11-13）；杨现民等（2013）为实现资源的动态语义关联，创新性地提出综合语义基因、基于规则的推理、关联规则挖掘等技术的方法。基于此，学习元知识社区充分利用语义关联技术实现了社区独特的运行逻辑，并在应用实践环节中将学习者、活动、资源、工具等各要素关联起来实现数据交互与流转（余胜泉 等, 2021）。此外，华中师范大学刘清堂教授团队开展了基于语义本体的e-Learning 资源关联模型研究（Wu, et al., 2018）；滕广青（2018）则从图书情报学专业的角度考虑，基于知识关联频度和时间序列分析技术，研究领域知识生长过程中知识关联关系涌现的模式与机制以及领域知识网络在关联关系数量与关联频度方面的生长性。

资源进化动力也是资源进化质量的强大驱动力。徐刘杰和余胜泉（2018）以后现代知识观为指导，提出建立泛在学习资源进化的动力模型。除此之外，资源进化规律识别可为资源群体进化特征挖掘和进化质量趋势预测提供指导。这方面研究多在以维基百科为代表的开放知识社区中围绕知识进化开展。例如，裘江南等（2017）探索了开放知识社区中的社会交互网络结构演化规律，发现了整体呈现出“平衡—非平衡—动态平衡”的次序，且在其动态演化过程中维基词条的质量螺旋上升；陈丽等（2019）研究发现，在网络空间中知识生成与进化显现出一些新特征，如群智协同、过程非线性等 ；逯行和陈丽（2019）研究提出了基于联通主义学习理论的在线课程知识进化的量化模型，并引入Logistic回归模型描述和预测知识进化发生的概率。

综上所述，当前网络学习资源进化研究以促进资源的高质量发展为目标，在进化模式、进化技术、进化动力和资源进化规律等方面取得了一定进展，但也存在不足：资源进化研究中缺少对资源进化质量的诊断研究，预警研究相对匮乏，难以预判资源进化进程中是否会出现质量不高、管理效能低下等问题，从而无法及时干预和调控资源。因此，文章提出设计网络学习资源进化智能预警系统，可以及时预测资源进化状态，警示、分析并干预处于不良状态的学习资源，帮助资源朝着高质量方向发展。

（二）网络学习预警系统研究现状

网络学习资源是在线教育领域的重要组成要素，对其进行预警系统研究可以作为把关自身进化质量的关键手段。目前在线教育领域的预警研究在网络学习方面投入较多。文章通过对网络学习预警系统研究现状进行梳理和分析，去粗取精，借鉴并应用到网络学习资源进化预警系统的研究中。

网络学习具有“师生时空分离”的基本特征，容易导致课业完成率低、用户流失率高等问题。网络学习预警研究主要以学习者为预警对象，采用各类数据挖掘和机器学习算法实现学习成绩预警（Marbouti, et al., 2016）、学业表现预警（Daniele, et al., 2017; Marquez-Vera, et al., 2016）等。国内外的机构或学校已相继推出一些颇具成效的网络学习预警系统，如Course Signals、Student Success System、eAdvisor™、Starfish Early Alert Systemt和电子科技大学教育大数据研究所研发的高校预测预警应用系统等，这些典型的预警产品从预警技术和预警方式等方面为后续预警系统的设计开发提供了借鉴。在此基础上，王林丽等（2016）围绕预警目的、内容、方式和结果四大核心问题设计了在线学习预警系统的通用设计框架，构建了学习预警的功能模型与过程模型，以期为国内在线学习预警系统建设提供思路和服务。除此之外，预警系统开发研究也在如火如荼地推进。例如，孙力等（2016）利用网络学历教育本科学生英语学习的相关数据，构建了基于数据分类中C5.0算法的成绩细分预测模型，进而开发了成人学位英语考试的成绩细分预测系统；牟智佳等（2018）构建出基于学习行为数据的学习预警模型，并从数据结构与权重、监测与动态分析和可视化结果输出三个层次开发出具有高扩展性的学习预警系统。

预警模型构建是预警系统设计开发中不可或缺的环节。当前学习预警模型构建技术仍以常见的数据挖掘算法如分类、回归和聚类等为主（肖巍 等, 2018; 朱郑州 等, 2020）。一般情况下，研究者通常经过对比分析多种挖掘算法寻求最优的学习预警模型构建方法，进一步消除研究情景、面向对象等的差异问题。此外，由于深度学习技术的迅速发展，基于神经网络开展网络学习预警的研究日益增多。例如，宋楚平等（2020）为实现高校学习预警，结合学习危机多成因和分类的特点，创新地提出一种RBF神经网络改进算法；许碧雅（2021）依托超星在线教育平台，构建基于BP神经网络的学习成绩预测模型，实现高校学生的成绩预测。同时，在网络学习过程中情绪状态的预警研究也相继被提出。例如，陈德鑫等（2019）提出一种用于情感分类的协同训练、半监督深度学习模型，通过单词嵌入和基于字符嵌入两种视角对文本进行编码，实现学习者情绪变化的监测与预警。

总地来说，网络学习预警系统整体上转向非认知层面的研究，且高扩展性的网络学习预警系统框架给予资源进化预警系统设计有用的启示。但在预警模型构建方面，预警技术仍以数据挖掘技术和机器学习算法为主，在深度学习算法研究与应用上涉足较少。因此，文章提出设计面向大规模开放协同环境的网络学习资源进化预警系统框架，构建基于深度学习算法的网络学习资源进化预警功能模型，并开发网络学习资源进化预警原型系统，以期实现网络学习资源进化动态预警技术创新，有力支撑网络学习资源高质量建设，提升大规模网络学习资源的管理效能。

（一）理论基础

1. 知识进化理论

资源是知识的载体，资源进化的研究可借鉴知识进化观和知识进化机制等理论成果。在“互联网+教育”形态下，知识回归到人类的全部智慧，具有强进化力的新特征（陈丽 等, 2019）。知识进化是新旧知识与思想更替的过程（何兵, 2008），它通过观点的持续改进得以表现，是知识承载着多观点的一种从无序走向有序、从简单走向复杂的生命运动（胡金艳 等, 2021），并遵循生命体的“产生—生长—成熟—衰退—淘汰”的一般生命周期。基于此，为适应外部环境和增强自身活性，知识主体在进化机制的保护下对知识活性进行及时监测、评估与选择，并对其中不在给定进化阈值区间内的知识做出淘汰、改进等处理（王霞 & 柯佑祥, 2021），通过知识单元层次的个体进化累积促成知识库层次的群体进化，最终提升知识库质量。因此，本文依据知识生命周期，将网络学习资源进化状态定义为初始态、成长态、稳定态、衰退态和死亡态五种，并在资源进化状态表征的基础上设计网络学习资源进化智能预警系统，用来预测资源进化状态，警示趋于衰退态或死亡态的资源并自动给出原因分析和干预措施，从而提高网络学习资源的质量与管理效能。

2. 危机管理理论

危机常被认为是危险和机遇的并存体，它是在社会系统受到严重威胁并处于事态发展高度不确定性的情况下，必须迅速做出决策和处理的事件（薛澜, 2003）。对危机进行有效的预防和管理可以防患于未然，减少危机的产生。危机管理理论无疑是对危机预防最好的诠释，它是指在危机发生的前后，通过对危机进行感知、研判、处理和反思等动态管理，减弱或消除危机，维持组织持续发展活力。依据危机管理的预知危机、识别危机、管理危机和危机后处理四个进程（王建军 & 昝冬平, 2015），参考企业在危机管理中从危机演化的内部和外部驱动因素以及受众情感倾向三个范畴，构建自媒体舆论引导危机演化模型（孙继伟 等, 2020）的研究，本文设计网络学习资源进化预警系统：通过预知危机，监测资源进化过程，获取资源进化的内外部数据和学习者评论数据等数据；通过识别危机，判断资源进化状态并给出预警等级；通过管理危机，总结危机原因并选择和采取最佳干预措施；通过危机后处理，完善预警系统性能以实现其更好的应用。危机管理各阶段的层层推进为网络学习资源进化做好风险规避提供理论指导，使资源能持续保持进化活力与竞争力。

（二）预警系统的整体架构

网络学习资源进化预警系统以网络学习资源为预警对象，通过构建深度学习神经网络模型预测资源进化状态，精准警示趋于衰退态或死亡态的资源，智能化地给出原因分析和干预措施，并在迭代应用中优化自身性能，致力于为网络学习提供更加优质的资源服务。

文章依据知识进化理论和危机管理理论，借鉴教育大数据技术体系框架（杨现民 等, 2016），提出了如图1所示的网络学习资源进化预警系统架构。该架构自下而上从多模态数据采集层、数据处理与分析层、数据展示与管理层和数据应用与服务层四个层次描述了预警系统的整体结构和预警流程。

1. 多模态数据采集层

学习元平台拥有由资源协同者协同编辑产生的电子文档、词条、动画、微课等多模态网络学习资源。随着学习者与资源交互行为的发生，资源处于不断进化中，并衍生出了海量的进化过程性数据，其中主要包括网络学习资源要素项数据、资源关联网络数据和学习者评论数据。网络学习资源进化要素项数据是指面向资源进化全过程的、经抽象提炼形成的资源进化共性要素，主要包括内容更新信息、资源使用信息等；资源关联网络数据指网络学习资源所蕴含的关联网络层次信息，包括具有内在逻辑关联的资源结构体和资源协同者网络等关联网络信息；学习者评论数据指向具体评论文本信息，它是有效识别学习者情感倾向、区分资源质量的重要依据。

在多模态数据采集层，预警系统首先利用数据演化的溯源技术对资源进化过程追本溯源，标注资源进化过程中的重要信息，重现资源进化的全过程。然后，系统选用合适的数据采集工具以获取资源进化的过程数据，即网络学习资源要素项数据、资源关联数据和学习者评论数据等，形成数据“基座”。经过上述多模态数据采集操作，系统完成了资源进化的全过程数据追踪和获取，达到了危机管理理论中预知危机阶段的要求，奠定了资源进化过程数据处理和分析的数据基础。

2. 数据处理与分析层

在数据处理阶段，系统将采集的资源进化过程数据进行数据的整合、存储和融合，完成数据预处理工作。首先，从数据中抽取网络学习资源进化要素项数据、关联网络数据和学习者评论数据。其次，通过数据清洗，去除或纠正数据中的无效值和缺失值等，保证数据的一致性、相关性和完整性。再次，经过数据转换和归并实现资源进化数据的去粗取精，构成适合数据处理的描述形式。然后，将数据载入数据仓库中，完成数据存储工作。最后，针对不同类型数据进行相应的特征表示，实现数据融合。

在数据分析阶段，系统基于深度学习神经网络构建网络学习资源进化预警模型。通过输入融合后的数据，模型深度挖掘数据潜在价值，识别资源进化危机，预测资源进化状态。模型共经历确定损失函数、初始神经网络架构、训练模型并调整参数、应用测试集检验性能四大基本步骤完成训练和测试。第一，损失函数的值反映模型对数据拟合程度，两者之间呈现正相关性。选择合适的损失函数作为评估标准进行深度学习神经网络训练，可以提高模型的鲁棒性。第二，初始神经网络架构确定深度学习神经网络的层数、每个隐藏层的节点数、激活函数以及初始的权重矩阵、偏移向量等数据维度。第三，模型以损失函数值为训练指标不断调整自身超参数，优化训练效果。第四，模型输入训练数据集检验模型性能，完成网络学习资源的进化状态诊断与预测。

3. 数据展示与管理层

系统的数据展示与管理层主要利用数据可视化技术将数据分析结果，即将网络学习资源进化情况直观、生动地呈现在资源管理者面前，允许他们实时感知和识别资源进化最新趋势，了解预警资源进化不佳的原因，促使他们根据提供的干预措施及时采取有效的预警行动，从而成功实现资源进化的危机管理。系统的预警原因分析聚焦于学习者评论数据中的负面数据分析，创新性地设计了双向的双曲门循环单元（Bi-Hyperbolic GRU）和条件随机场（CRF）结合的结构。系统通过Bi-hyperbolic GRU抽取评论数据中的负面情感评价关键词和建设性意见关键词，通过CRF使得关键词标注更加符合认知的规律，然后自动生成词云呈现给资源管理者，帮助他们更好地改进网络学习资源，实现资源的质量把控和可信管理。

4. 数据应用与服务层

数据应用与服务层是检验网络学习资源进化预警系统价值的“试金石”。系统依附学习元平台而存在，一方面，资源管理者可以随时随地查看平台现有网络学习资源的进化信息，管理濒临衰退态和死亡态的资源，并及时反馈给系统真实的应用体验数据；另一方面，系统汲取应用体验数据有效信息，不断通过系统优化提升自身稳定性和准确性，帮助资源管理者进行资源预警危机后的处理工作，推动资源的高质量发展。除此之外，系统还在一定程度上助力平台建设，提供给学习者更多的优质服务，如高质量学习资源推荐等，从而促使个性化学习的发生。

（三）预警系统的主要功能

网络学习资源进化预警系统架构清晰地描绘了预警系统内部诸要素的组织形式和层次信息，依赖于架构而存在的预警功能模型则从外在行为的视角刻画了预警系统在学习元平台中发挥的作用。基于此，网络学习资源进化预警功能模型的总体设计如图2所示，分为资源进化状态预测模块、预警结果反馈模块、预警资源调控模块和安全监测管理评价模块。

1. 资源进化状态预测模块

本模块是预警系统的核心功能模块之一，主要通过数据采集、数据处理和预警模型预测资源进化状态和发展趋势，具体如图3所示。

在学习元平台中，资源协同者是网络学习资源的“生产者”，学习者则扮演着网络学习资源的“消费者”角色，他们在与资源交互过程中产生了大量的过程性信息，这些信息无疑是资源进化“生命历程”的最好见证。对应预警系统的多模态数据采集层、数据处理和分析层架构设计，系统首先通过数据采集提取到资源进化的过程性信息，其次经过数据处理环节将不同数据类型进行相应的特征表示。其中，网络学习资源进化要素项数据采用One-Hot编码；关联网络数据使用具有较强图结构层次信息保存能力的双曲图神经网络来表征特征；学习者评论数据则使用Word2Vector进行文本表示，进而加工成计算机可以识别、利用的有效形式。然后，经由深度学习神经网络模型测算，输出资源进化状态的预测结果，准确定位趋于衰退态或者死亡态的资源，并进一步整理得到平台资源整体的进化预警信息。其中，基于大数据、高性能等因素考虑，这里选用深度学习神经网络模型作为网络学习资源进化状态预测的“主力军”。众所周知，具有多层结构的深度神经网络模型对大量的输入数据具备更强的特征提取能力（陈德鑫 等, 2019），能使得输出结果更具准确性和可靠性。深度学习神经网络技术为网络学习资源预警研究提供了新思路，有望实现这一领域预警技术的突破和创新。

2. 预警结果反馈模块

预警结果反馈模块是预警系统架构中数据展示层的功能体现，该模块负责将资源进化状态预测结果通过多样化的方式在不同显示终端上动态呈现出来，反馈并辅助资源管理者解读资源过程性信息的内在含义，获知资源进化状态和发展趋势，警示趋于衰退态或死亡态的资源，提升资源管理者管理资源的工作效率，监控资源朝着高质量方向进化。

如图4所示，本模块着重从系统的预警信息显示方式、页面设计、预警信息提醒形式和预警档案库四个方面合力提升资源预警结果的呈现效果。

系统显示预警信息的方式多种多样。举例来说，系统可依据预警级别颜色区分不同进化状态的网络学习资源。对于预测为成长态或稳定态的资源使用蓝色标识，代表资源虽存在轻度风险，但进化良好，暂时不需要警示和处理；对于预测为衰退态和死亡态的资源需要重点预警，其中预测为衰退态资源使用橙色标识，代表存在中度风险，濒临死亡态的资源使用红色标识，代表存在重度风险。除此之外，系统还可以借助动态图表、仪表盘等表征资源进化状态。总之，参考资源管理者的交互风格选取适合的显示方式会使得资源管理者一目了然地抓住重点，事半功倍地管理资源。

除了预警信息显示方式之外，系统同样需要以下三点丰富预警结果反馈功能：1）系统页面设计需兼顾资源管理者的实际需求和艺术美感，可通过网页排版布局、结构层次规划、色彩搭配设计等得以实现；2）系统可依据资源管理者的可接受性和体验感设置电脑桌面弹窗、邮件、短信、微信等不同的预警信息提醒形式，并在最佳呈现时间选择合适的提醒形式发送至可用的显示终端，确保他们随时随地接收到资源进化状态预警信息的需求；3）系统可设置预警档案库，方便资源管理者查看历史资源的进化预警数据，整体把握资源进化情况。

3. 预警资源调控模块

如图5所示，针对趋于衰退态或死亡态的学习资源，对其进行原因分析并提供干预措施是至关重要的。

网络学习资源进化预警系统创新性地利用Bi-Hyperbolic GRU+CRF结构，抽取评论数据中的负面情感评价关键词和建设性意见关键词，以词云的形式呈现给资源管理者，展示出当前资源内容、结构等方面存在的不足，实现系统的自动原因分析。干预分为系统干预和人工干预。在系统干预下，既可以依据原因分析自动生成对应的干预建议，也可以针对不同预警状态的网络学习资源采取不同的干预。例如，部分预警为死亡态的学习资源会自动被系统识别并被分解为各种元素，以便资源制作者选择、重组、再使用（杨现民 & 余胜泉, 2011）；一些预测进化良好的网络学习资源，系统依据用户模型和情境模型自动推送给每位用户适应性的网络学习资源（杨现民 & 余胜泉, 2014）。在人工干预下，可以通过与专家学者商定学习资源建设标准规范，建立奖励机制、鼓励用户积极投入网络学习资源建设，多方协作从系统提供的干预措施中选择最佳干预方案等多种路径走向资源有效调控。人机干预的结合能充分发挥人与系统的优势，全方位、最大化把控资源进化方向，最终实现资源的高效管理和高质量发展。

4.安全监测管理评价模块

安全监测管理评价模块始终贯穿于网络学习资源进化预警系统。本模块有效保障系统实时监测、多方管理、多元评价和安全防控功能的实现，在预警系统总体架构和功能设计过程中占据着不可或缺的位置。这是预警系统安全运行的基础保障，更为系统的不断优化升级和稳步发展提供可靠的环境支持和便利条件。

（一）预警系统原型设计

通过梳理分析网络学习资源进化预警系统的功能模型和资源管理者的实际需求，本研究依托学习元平台，使用Axure RP9软件设计了网络学习资源进化预警系统原型。系统将以组件调用的形式植入到学习元平台中，资源管理者作为系统的使用者和受益者可以随时随地关注平台资源进化的预警信息，提前知晓资源进化趋势并结合系统给出的原因分析和建议干预措施，选择最佳的方案再优化资源，从而促进资源可持续、高质量的进化。

1. 平台整体资源进化预警情况

网络学习资源进化预警系统原型主要包括平台整体资源进化预警原型页面和资源进化预警信息分析页面。图6展示的是学习元平台整体资源进化预警原型页面。页面包括预警资源总览表、预警资源数量统计、资源整体使用情况和资源整体质量四部分信息。预警资源总览表动态呈现濒临衰退态或死亡态的资源，便于系统管理者优先处理这类资源。后三部分分别从数量变化、使用频率和资源质量各维度描述某一时间段资源的整体进化情况。

2. 资源进化预警信息分析

资源管理者可以选择进入某条资源中查看具体的预警信息。图7是资源进化预警信息分析页面。该页面主要涵盖资源进化状态预测、进化基本信息和原因反馈三部分：资源进化状态由预警模型预测后，可通过仪表盘直观展示出来，并提醒资源管理者进行资源处理操作；资源进化基本信息既通过资源进化要素项、资源关联网络层次信息和学习者评论文本信息呈现资源某一时间段内的进化情况，也可以从学习者评论文本信息中筛选出负面评论并制作出词云图；原因反馈部分主要向资源管理者提供原因分析和干预措施参考，资源管理者则可以灵活使用“与好友讨论”功能，综合比较选择最佳方案再优化资源。

（二）预警系统可用性分析

为了初步检验预警系统设计质量，本研究基于SUS量表对网络学习资源进化预警系统原型的可用性进行调查。SUS量表是系统可用性量表，能在有限样本中较为准确地得到系统的整体可用性评价，并具有较高的信度和效度。本问卷共设置10个问题，要求资源管理者在试用网络学习资源进化预警系统原型后对每个问题进行5点评分，后续通过数据分析获得资源管理者对该原型设计的整体满意度。

本研究共发放并回收53份有效问卷样本，通过计算汇总求得数据（如表1所示）。该系统问卷的题目平均总得分为32.64，平均SUS得分为81.60，可用性得分为89.06，易学性得分为51.75。依据Bangor等（2009）的SUS评分标准，该平均SUS分数对应的用户主观态度介于Good与Excellent之间，分数等级为B， 用户大都愿意接受该系统，且系统的整体可用性达到较高水平。同时，对比10个问题的平均得分，“我认为本系统将预警等多种功能整合得很好”得分最高，说明该系统的功能整合较好，功能结构组织与系统管理者实际需求基本吻合。“我认为本系统容易使用”和“我认为大部分系统管理者会很快学会本系统”得分次之，在一定程度上反映出系统的界面较清晰明了，易于资源管理者进行交互操作。

问卷结果可以初步验证该系统原型具有整体可用性。为进一步了解资源管理者在使用系统过程中遇到的问题、发现的系统不足以及对系统改进的建议，问卷调查结束后，文章在53名资源管理者中随机选取7名进行一对一的半结构式访谈。访谈主要围绕系统用户体验感与使用习惯、系统有用性、系统不足与建议和系统功能补充四个方面展开。根据访谈结果可以得出以下结论：

①资源管理者对系统整体上是满意的，并且符合他们的使用习惯。

②资源管理者一致认可系统对于他们管理、优化学习资源有所帮助，可以帮助他们精准定位预警资源，提高工作效能。

③超过70%的资源管理者认为系统界面设计没有做到重点突出，提出可以适当通过不同的UI体现形式如配色、图标大小等放大重点内容等建议。除此之外，部分资源管理者提出界面设计的美感性、交互设计的合理性稍显不足，指出可以参考UI设计的成熟案例进一步丰富。

④系统功能模块设置比较完备。此外，有资源管理者提议设置资源筛选导航菜单栏、丰富好友讨论功能等。

总之，SUS问卷调查和访谈从定量和定性两方面综合分析了网络学习资源进化预警系统的可用性。一方面，资源管理者认为该系统具备整体可用性，功能设计基本达到满意水平，可以为他们管理资源提供帮助和指导。另一方面，他们指出该系统还存在一些问题，如界面设计重点不突出、交互设计不合理等。此外，本实验在证实预警系统原型实际应用效果方面还存在不足之处，因此后续将会在此基础上继续深入推进，加强网络学习资源进化预警模型构建、预警系统开发以及可信度更高的实验验证，探究网络学习资源进化预警性能，提高实验的严谨性和完整性，为资源管理者再优化资源提供更加便捷、人性化的帮助。

本文在资源高质量发展视域下，基于教育学、管理学与信息科学的理论与方法，综合考虑大规模开放协同环境下网络学习资源的快速动态生成与多因素影响的复杂多变性，设计了网络学习资源进化预警系统的理论架构、主要功能模型和系统原型。第一，预警系统理论架构围绕资源高质量进化的实际需求，清晰描绘了运用恰当工具或技术构架而成的系统层次结构及其相互作用，它是预警功能得以实现的基础和决定因素。第二，资源进化预警模型充分利用深度学习神经网络算法对大数据处理的优势，通过对海量资源进化过程性数据的分析，不仅使得资源进化状态得以量化和预测，还实现了预警的技术突破。第三，系统原型是预警模型分析结果的可视化呈现，可为后续资源进化预警可视化提供设计思路和模板。通过以上三个部分的探讨，期待对除学习元平台以外其他开放知识社区（如Wiki百科）中的网络学习资源进化预警系统研究起到抛砖引玉的效果，切实解决网络学习资源更新缓慢、应用率偏低、管理效能低下和质量不高等问题。

未来，我们还将从以下方面不断更新迭代系统设计和实验验证：1）结合可解释性深度学习技术，加强预警系统的可解释性，提高学习者的信任感和粘性；2）目前研究主要侧重从理论层面设计网络学习资源进化预警系统，下一步将以此为基础，基于学习元平台等开放知识社区中的数据，开发出具有自动预警分析能力的实际预警系统；3）基于真实的实验数据和完备的实验环节开展预警系统的实验验证，检验预警技术对提高网络学习资源管理效能、促进网络学习资源高质量进化的真实效果。

Meng Yuan, Xianmin Yang and Kangkang Li

Abstract：Online learning resources are an important part of the public service system of digital education resources, and one of the core elements to ensure the high-quality development of educational informatization. At this stage, problems of online learning resources construction have been exposed, such as insufficient, low-quality and untimely evolution. The early warning system of online learning resources evolution is the key to solve the above problems. Based on the theory of knowledge evolution and crisis management, this paper constructs the framework of the system, designs the main function model and develops the system prototype. Through the SUS quantitative indicators and semi-structured interviews, the feasibility and rationality of the system prototype have been preliminarily tested. In the future, the system prototype is expected to provide reference for the realization of the intelligent early warning of online learning resources evolution and to provide high-quality online learning resources as well as intelligent management guidance in the education informatization2.0 era.

Keywords： online learning resources; resource evolution; high-quality development; early warning technology; deep learning neural network; early warning system; resource construction; education informatization

基金项目：本文系2020年度国家自然科学基金面上项目“网络学习资源群体进化的规律识别与预警技术研究”（项目编号：62077030）的研究成果。