🧬 biology

Learning epidemics: a compartmental and network approach to how artificial intelligence literacy spreads inside organizations

本文将组织内人工智能素养的传播重新定义为一个传染过程，通过网络流行病学和机器学习证明，学习留存主要由结构化通信网络的属性以及个体在其中的位置所驱动，而非仅仅取决于个人属性。

原作者： Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

发布于 2026-07-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下你的公司是一座巨大且繁忙的城市。通常，当像人工智能（AI）这样的新工具到来时，管理层会把学习看作是一场正式的学校教育：他们发布一份备忘录，举行一次培训课程，并期望所有人同时进行学习。

但本文认为，学习并非如此发生的。相反，学习像一种传染病或流言一样，在城市的街道间传播。它通过人们在喝咖啡休息、快速聊天以及“嘿，看这个”的瞬间，从一个人传给另一个人。

研究人员将 AI 技能的传播视为一场流行病。他们问道：如果我们把“掌握如何使用 AI”看作一种病毒，它在办公室中传播得有多快？为什么它会在某些地方停滞不前，而在另一些地方却飞速扩散？

以下是他们发现的研究成果，通过简单的概念进行了拆解：

1. 三座城市（组织）

这项研究观察了三家不同的公司（我们称之为城市 A、城市 B 和城市 C），并追踪了三个不同的时间点。他们绘制了谁在讨论 AI 以及谁与谁在交流。

城市 A 像是一个连接良好的大都市。大多数人都互相认识，有一个巨大的“市中心”，几乎所有人都在其中相互连接。
城市 B 则稍显分散，有一些繁忙的枢纽，也有许多安静的社区。
城市 C 则是一堆孤立的岛屿。人们主要只与一两个特定的同事交谈，而且这些小组之间互不往来。

2. “再生数”（R0）

在流行病学中，科学家使用一个叫做 R0 的数值来预测疾病是否会传播。

如果 R0 低于 1，疾病会消亡（一个感染者感染的人数少于一个）。
如果 R0 高于 1，疾病会传播（一个感染者感染的人数多于一个）。

研究人员为每个城市计算了一个 “学习 R0”。这个数字告诉我们公司的沟通网络在传播新技能方面的效率如何。

城市 A 的 R0 很高（2.92）。其网络非常适合传播想法。
城市 B 处于中间水平（1.93）。
城市 C 仅仅略高于危险线（1.14）。由于网络过于破碎，想法难以传播。

结果： 拥有最佳网络的公司（城市 A）让最多的人保持了学习参与度。而网络破碎的公司（城市 C）几乎失去了所有人。网络的结构对学习计划成功的预测作用，甚至超过了培训内容本身。

3. 萎缩且密集的群体

令人惊讶的部分在于。随着时间的推移，每个人都在流失。人们不再回应调查，或者不再讨论 AI。网络变得越来越小。

但是，那些留下的人开始更频繁地进行交流。

想象一场大型而松散的派对，人们逐渐离去。留下的人最终会挤成一个紧密的圈子，进行密集的交谈。
“学习网络”并没有增长，而是整合了。它萎缩成了一个紧密的核心。
在破碎的城市（城市 C）中，网络萎缩得如此严重，以至于变成了几个微小的、孤立的小圈子。而在连接紧密的城市（城市 A）中，核心依然保持着强大且密集。

4. 谁留了下来？这不仅仅关乎个人

研究人员使用计算机模型来弄清楚谁保持了参与度，而谁离开了。他们原以为也许是最聪明的人、职位最高的人或受教育程度最高的人会留下。

他们发现了不同的结果：

这关乎你在网络中的“地址”： 最重要的因素是接近中心度（Closeness Centrality）。用通俗的话说就是：你距离办公室里的其他人有多近？ 如果你处于对话流的中心，你更有可能持续学习。
这关乎你的“邻里”： 你所属的部门比你的职位更重要。有些团队有着分享的文化；而有些则没有。
“工龄”之谜： 你在公司工作了多久（工龄）并没有表现出简单的“越久越好”的关系。它是非线性的。这意味着非常新的员工和非常资深的员工的表现都与中间层员工不同。计算机模型可以识别这种复杂的模式，但简单的数学直线却无法做到。

5. 核心启示

论文的结论是，学习是一种结构性属性。

你不能仅仅购买一项新技术就期望它能扎根。如果你的办公室像城市 C（孤立的岛屿），那么再多的培训也无济于事，因为人与人之间的“道路”是断裂的。你需要先搭建桥梁。

如果你的办公室像城市 A（连接紧密的城市），学习会自然传播，但你需要保护好“市中心”（核心连接者），因为如果他们离开，整个系统可能会崩溃。

简而言之： 要让你的组织学会学习，不要只关注单个员工。要关注**“谁在和谁说话”的地图**。如果地图是破碎的，学习就无法旅行；如果地图是连接的，学习就会像一个好的流言一样广泛传播。

技术摘要：学习流行病——人工智能素养扩散的区室模型与网络方法

问题陈述
组织日益依赖于新能力的快速扩散，然而传统的职场学习模型往往将个人视为变革的单位，忽略了促进知识转移的通信结构。这一差距在生成式人工智能（AI）领域尤为显著，因为在此背景下，人工智能素养并非固定的课程，而是一个通过非正式、侧向互动获得的动态目标。作者认为，AI 素养的传播功能类似于一种“复杂传染病”（complex contagion），它需要来自多个来源的强化，而非单次接触。现有文献缺乏一种整合性的实证处理方法，无法测量真实的通信网络、将显式的流行病模型拟合到能力传播中，并推导出跨多个组织的具有解释性的基本再生数（ $R_0$ ）以进行结构化结果对比。

研究方法
本研究采用纵向、多组织的实验设计，涉及三家规模各异（员工人数从 1,000 到 7,124 人不等）的机构（机构 1、机构 2 和机构 3）。数据收集于三个时间点：基线（T0）、中期（T1）和末期（T2）。

网络构建： 参与者完成了一项自我中心名称生成器工具（egocentric name-generator instrument），列出最多十位在过去 30 天内与其讨论过 AI 的同事。有向边根据对话频率进行加权。
社会网络分析 (SNA)： 使用 Python (NetworkX)，作者计算了标准描述符（密度、聚类系数、互惠性、巨型连通分量大小）和节点级指标（度、中心性度量）。
区室模型 (SEIR)： 作者将易感-暴露-感染-康复（SEIR）模型改编用于学习过程：
- 易感 (Susceptible)： 不知情/未参与。
- 暴露 (Exposed)： 接触过但未使用。
- 感染 (Infectious)： 积极应用并进行传播。
- 康复 (Recovered)： 习惯性/巩固性使用。
  为了确保各机构之间的可比性，传输率 ( $\beta$ ) 和康复率 ( $\gamma$ ) 参数被固定为 ( $\beta=0.3, \gamma=0.2$ )。
再生数 ( $R_0$ ) 估算： 作者并非通过拟合采用曲线来确定 $R_0$ ，而是利用配置模型表达式从网络拓扑结构中进行解析估算： $R_0 = \tau(\langle k^2 \rangle - \langle k \rangle)/\langle k \rangle$ ，其中 $\tau$ 是传递性， $\langle k \rangle$ 代表度分布的阶矩。
机器学习用于留存预测： 为了预测哪些个体在所有波次中都能保持参与度，作者汇总了数据（ $N=770$ ）并训练了随机森林（Random Forest）和梯度提升（Gradient Boosting）分类器。预测变量包括社会人口统计特征（工龄、部门、职位）和基线网络位置。作者在分析特征重要性时，同时结合了线性点二系列相关性（point-biserial correlations）以检测非线性关系。
模拟与可视化： 开发了一个基于浏览器的研究控制台，允许利益相关者可视化网络动态、在真实和合成拓扑结构上运行 SEIR 模拟，并探索反事实场景（例如人员流动、入职培训）。

关键结果

结构异质性： 三家组织表现出截然不同的基线网络拓扑结构。机构 1 形成了一个大型的连通巨型连通分量（占节点的 79.6%）；机构 2 较为分散，拥有较小的核心；机构 3 则高度碎片化，由孤立的互惠对主导。
网络收缩与巩固： 在所有三家组织中，讨论网络规模随时间推移而收缩（节点和边减少），但密度却有所增加。这表明，虽然更广泛的人群脱离了讨论，但剩余的参与者形成了更紧密、更具凝聚力的集群。
$R_0$ 与留存率的相关性： 基线 $R_0$ 值分别为 2.92（机构 1）、1.93（机构 2）和 1.14（机构 3）。这一排序与参与者在所有三个波次中的留存率完美匹配（分别为 44.4%、28.3% 和 11.4%）。具有更高学习传播结构能力的组织保留了更多的学习者。
留存预测因子： 机器学习模型识别出部门和**接近中心性（Closeness Centrality）**是留存的最强预测因子。值得注意的是，工龄显示出近乎为零的线性相关性（ $r = -0.001$ ），但在非线性树模型中却是重要的特征，这表明存在一种复杂的、非单调的关系，即非常资深或非常资浅的员工可能表现出不同的行为模式。
中心性指标： 接近中心性是最具信息量的网络指标。由于网络的碎片化，特征向量中心性（Eigenvector centrality）缺乏解释力，在不连通的组件中趋向于零。

主要贡献

将学习重新定义为传染： 本研究成功地将网络流行病学工具应用于组织学习，将 AI 素养视为一种依赖于网络凝聚力和冗余度的复杂传染。
拓扑 $R_0$ 用于学习研究： 作者提供了一种直接从网络拓扑结构估算基本再生数的方法，而无需拟合采用曲线，从而为组织的学习能力提供了一个结构化指标。
非线性洞察： 通过将基于树的机器学习与线性相关性相结合，研究揭示了个人属性（如工龄）如何以传统统计方法可能忽略的非线性方式影响学习留存。
交互式工具集： 开发的自包含研究控制台使非技术利益相关者能够与网络数据进行交互、运行模拟并可视化扩散动态，而无需执行底层的分析流程。

意义与主张
本文主张，一个组织是否能学会使用新技术，在很大程度上是其通信网络的结构属性，而非仅仅是个人努力的集合。基线拓扑 $R_0$ 与最终留存率之间的一致性表明，网络结构决定了学习扩散的上限。

作者认为，该框架使组织能够从模糊的文化直觉转向可衡量的量化指标。具体而言， $R_0$ 可以作为一种诊断工具：在碎片化网络（低 $R_0$ ）中，优先任务是在增加内容之前建立孤立群体间的桥梁；在凝聚型网络（高 $R_0$ ）中，重点应放在保护已连接的核心。研究结论指出，虽然个人属性很重要，但它们通常通过与网络位置及局部环境的相互作用发挥作用，因此需要能够捕捉非线性结构关系的分析方法。作者保持了谦逊的态度，指出 $R_0$ 与留存率的一致性是基于三家组织的研究结果，应被视为进一步测试的假设，特别是考虑到样本中调查覆盖范围的局限性。