开放式教学探索平台 · V1.0
少数信息，
少数信息，
为何获得多数关注？
论文、图书、新闻、问答、视频、百科与 AI 内容形态各异。它们获得的阅读、下载和观看次数，是否遵循一种共同的数学规律？
无需注册可导入自己的数据实验数据仅在本地处理
DISTRIBUTION, NOT DECAY
关注如何被分配？
排名前20%的信息，获得
仅为合成示例— 的关注
并非实证结论
6+1 种情境跨传统媒介、网络与AI
1 个核心问题接收量在信息项之间怎样分配
0 条预设定律先用数据发现，再接受检验
01 THE QUESTION
从信息生产，走向信息接收
经典文献计量学的洛特卡、布拉德福和齐普夫定律，分别描述生产者、文献载体和词汇的统计规律。现在，我们向信息接收端提出同样基础的问题。
LOTKA
谁生产信息？
不同作者的文献产出量如何分布？
BRADFORD · ZIPF
信息如何分布？
文献在哪里集中，词汇使用频率如何分布？
OUR RESEARCH QUESTION
信息被谁关注？
不识别具体个人，先研究不同信息项获得的接收次数如何分配。
我们的研究边界：统计的是“每条信息被接收多少次”，而不是“每位读者阅读多少条信息”。接收量可以用阅读、点击、下载、观看等可观测事件近似衡量，但不同指标的口径不能未经检验直接混用。
02 LIVE DISTRIBUTION EXPERIMENT
亲手改变一个分布
尝试不同数学分布和参数。观察哪些信息成为“头部”，以及当整体接收量发生变化时，集中程度如何随之改变。这里的所有数值均为模拟数据。
实验控制台
1.20
数值越大，通常越集中。
每次重新生成使用新的随机种子。样本之间的波动是真实的模拟结果，不代表领域间的经验差异。
—
前20%信息的接收份额
—
前10%信息的接收份额
—
基尼系数
—
模拟信息项数
累计接收份额 S(p)
Top-share当前分布完全均衡
名次与接收次数
Log–log接收量排序（双对数）
思考：发现“前20%信息占据大部分接收量”，是否就等于发现了一条新定律？为什么同一数学分布可以产生不同的集中程度？
03 DISTINCT INFORMATION ECOSYSTEMS
七种不同的信息生态
检验普适性，不应只是比较七个相似的平台。我们需要尽可能不同的信息供给、检索、推荐和接收环境。点击每一种信息形态，查看可用指标、潜在数据来源及其局限。
AI为什么特殊？传统内容通常“先有固定信息项，再被多人阅读”；生成式AI可能即时生成独特回答。如果每个回答只被一个人看到，那么将“原始回答”直接视为信息项可能制造出人为的全1分布。研究必须先定义具有可比性的接收单元。
04 CROSS-DOMAIN COMPARISON
两个系统看起来相似，就能叫定律吗？
选择一种跨域对照情境，观察两组模拟信息系统的集中曲线。注意：它们都是合成数据，而非各平台真实接收数据。
对照情境
关键原则：同一函数族不等于同一参数；曲线相似也不等于发现新的数学定律。
两种信息生态的分布曲线
合成数据对象 A对象 B均衡线
A：前20%份额—
B：前20%份额—
05 USE YOUR OWN DATA
把你的数据放进实验室
如果您有文章阅读量、图书下载量、新闻点击量、视频播放量等数据，可以上传 CSV，或直接粘贴数值。浏览器会计算分布及集中程度。数据不会被本网页主动上传至服务器。
导入一组接收次数
仅接受非负数值；空白和无效值会被排除，并在结果中披露。缺失值不应被当成0。
等待导入数据
本地分析—
有效信息项数
—
前20%接收份额
—
基尼系数
—
零接收项比例
上传一个包含阅读量或观看量的CSV，即可查看指标与曲线。此处不会自动拟合或宣布任何“新定律”。
06 RESEARCH CHALLENGE
你能识别“伪定律”吗？
研究价值不在于让一个公式穿过许多点，而在于提出可以被反驳的、可以预测新数据的数量关系。完成以下四道小挑战。
选择答案后查看解析
本页不收集、不保存学生身份与答题记录。
01
提出假设
你认为某种接收量分布能跨越哪些信息形态？哪些情况下可能失效？
02
寻找完整数据
定义信息项总体与统计窗口。不能只取热门内容，也不能把缺失值当成零值。
03
提出可证伪预测
让公式去预测尚未参与建模的新信息领域，而不只是重复拟合训练数据。
07 RESEARCH RESOURCES
从这里进入真正的科学研究
以下资源帮助你从“一个有趣的图形”转向“一个有证据的科学命题”。文献与平台链接通向原始来源，是否可批量采集仍需遵守各平台许可和使用规则。
必读研究
科学论文下载与引用分布
Moed & Halevi (2016), JASIST ↗
Moed & Halevi (2016), JASIST ↗
网站流行度的普适排序分布
Krashakov et al. (2006), Computer Networks ↗
Krashakov et al. (2006), Computer Networks ↗
跨媒介注意力时间衰减（对照研究）
Candia et al. (2019), Nature Human Behaviour ↗
Candia et al. (2019), Nature Human Behaviour ↗
可探索的数据入口
Stack Exchange API 问题浏览量
Wikimedia Analytics 词条访问量
Microsoft MIND 新闻曝光与点击
Gutendex / Project Gutenberg 图书元数据与下载量
YouTube Data API 视频观看次数
PLOS 论文使用量说明 HTML 浏览量与 PDF 下载量
研究提醒：“多种平台都呈长尾”并不自动等于新定律；更有价值的是发现新的共同参数约束，并对独立数据作出预测。