Networked Knowledge: Approaches to Analyzing Dynamic Networks of Knowledge in Wikis for Mass Collaboration

Abstract

Contemporary Web 2.0 technologies facilitate the establishment of large online communities of mass collaboration. In shared workspace environments, millions of people interact without knowing each other. The outcome is openly accessible and constantly developing collective knowledge in the form of a more or less organized knowledge base of digital artifacts. With this dissertation I advance a differentiated approach for studying and understanding the principles that underlie knowledge development under these conditions. The work builds on a theoretical consideration of collaborative learning and knowledge building stemming from the interdisciplinary learning sciences and research on computer-supported collaborative learning (CSCL) in particular. Knowledge is understood as substance with static structure that changes over longer periods of time through the activity of community participants in analogy to the progress of scientific ideas in different domains. A complex systems perspective is used to explain knowledge as an emergent phenomenon that amounts to more than the additive collection of individual contributions. This macro level of processes and structures in a community determines to a large extent how new contributions are made and thus how knowledge develops. Based on these conceptualizations, the present dissertation empirically examines large real-life data sets from the online communities Wikipedia and Wikiversity. Knowledge is captured as a network of interconnected articles in different knowledge domains. The topological position of the articles in the networks is evaluated through established network analysis metrics in order to indentify pivotal articles that form the static structural backbone of the collective knowledge. A cross-sectional analysis demonstrates that pivotal articles tend to be written by authors with extensive contribution experience in the community. In a longitudinal study, a mechanism of knowledge development is evidenced according to which pivotal articles attract new knowledge that appears in the network in subsequent periods. Thus, structure and dynamics of collective knowledge are mutually determining. A continuous time approach to studying their interplay is presented using the scientometric method of main path analysis. It consists in evaluating how pivotal the position of each contribution to the knowledge base is relatively to the historical trajectory of knowledge development. This method allows a more immediate analysis of the collaborative process and connects the micro level of individual contributions with the macro level of collective knowledge development. In sum, this dissertation provides a straightforward contribution to the analysis, understanding and facilitation of informal contexts of knowledge production, which become increasingly important also for formal learning policy and practice. My work further makes the relevant novel phenomenon of online mass collaboration accessible for theoretical and empirical consideration in CSCL research and also contributes a valuable methodological approach for the new research filed of learning analytics.

Moderne Web 2.0-Technologien ermöglichen das Entstehen von großen Online-Communities der Massenkollaboration. In der virtuellen Umgebung mit gemeinsamen Arbeitsbereichen interagieren Millionen von Menschen, ohne sich gegenseitig zu kennen. Das Ergebnis ist offen zugängliches und sich ständig entwickelndes kollektives Wissen in der Form einer mehr oder weniger organisierten Wissensbasis aus digitalen Artefakten. Mit dieser Dissertation lege ich einen differenzierten Ansatz für die Untersuchung und das Verständnis der Prinzipien vor, die dem Wissensfortschritt unter diesen Bedingungen zugrunde liegen. Die Arbeit baut auf einer theoretischen Betrachtung der kollaborativen Prozesse des Lernens und Wissensproduktion auf, die von den interdisziplinären Learning Sciences und insbesondere von der Forschung im Bereich des computerunterstützen kollaborativen Lernens (CSCL) stammt. Wissen wird als Substanz mit statischer Struktur verstanden, die sich über längere Zeiträume durch die Aktivität von Community-Teilnehmern ändert, in Analogie zum Fortschritt der Ideen in verschiedenen wissenschaftlichen Gebieten. Die Perspektive komplexer Systeme wird eingenommen, um den emergenten Charakter des Wissens zu erklären, der über die Ansammlung einzelner Beiträge hinausgeht. Diese Makroebene der Prozesse und Strukturen in einer Gemeinschaft bestimmt zu einem großen Teil, wie neue Beiträge vorgenommen werden und somit wie sich das Wissen entwickelt. Basierend auf diesen Konzeptualisierungen untersucht die vorliegende Dissertation empirisch große reale Datensätze aus den Online-Communities Wikipedia und Wikiversity. Wissen wird als ein Netzwerk von miteinander verbundenen Artikeln aus verschiedenen Wissensbereichen erfasst. Die topologische Position der Artikel in den Netzen wird durch etablierte Netzwerkanalyse-Metriken bewertet, um die grundlegenden Artikel zu ermitteln, die das statische strukturelle Rückgrat des kollektiven Wissens bilden. Eine Querschnittsanalyse zeigt, dass die grundlegenden Artikel eher von Autoren mit umfangreicher Beitragserfahrung in der Gemeinschaft geschrieben werden. In einer Längsschnittstudie wird ein Mechanismus des Wissensfortschritts belegt, nach dem die grundlegenden Artikel das neue Wissen anlocken, das sich in den Folgeperioden im Netzwerk manifestiert. Dementsprechend bedingen sich Struktur und Dynamik von kollektivem Wissen gegenseitig. Um ihr Zusammenspiel zu untersuchen wird ein Ansatz vorgestellt, der die kontinuierliche Zeit mit der szientometrische Methode der Main Path Anylsis (Hauptpfad-Analyse) berücksichtigt. Es wird ausgewertet, wie grundlegend die Position eines jeden Beitrags zur Wissensbasis ist, in Abhängigkeit von der historischen Zeitschiene des Wissensfortschritts. Diese Methode ermöglicht eine unmittelbare Analyse des kollaborativen Prozesses und verbindet die Mikroebene der einzelnen Beiträge mit der Makroebene der kollektiven Wissensproduktion. Zusammenfassend bietet diese Dissertation einen eindeutigen Beitrag zur Analyse, Verständnis und Förderung von informellen Kontexten der Wissensproduktion, die auch zunehmend für die Politik und Praxis von formellem Lernen an Bedeutung gewinnen. Darüber hinaus macht meine Arbeit das relevante und neuartige Phänomen der Online-Massenkollaboration zugänglich für die theoretische und empirische Forschung in der CSCL und steuert gleichzeitig wertvolle methodische Ansätze für das neue Forschungsfeld der Learning Analytics.