图8：好奇心构象变化理论的支持证据。图b和c表明个体独特的信息获取导致了基于语境的概念关系的频繁重塑。图d和e表明在集体建立的知识网络中，感兴趣的机械特征的演化不能与它们在零模型数据中的演化区分开来。
对比并总结以上对于好奇心的解释，最初人们认为好奇心要么是为了填补认知空缺，例如觉得自己缺少古诗词知识而读一个个古人的作品，或是为了满足感官刺激。之后认为人们的好奇心是为了能够构建出一个对世界的简化模型，例如将宋词分为豪放婉约两类；新研究则提出了对好奇心的新解释，即人们追求新信息是为了让关于旧信息的模型能更具灵活性，例如通过阅读更多的东坡诗词，意识到苏轼既不能被简单归于豪放派，也不应归于婉约派。该研究的证据指出好奇心的获得机制是多元的，是由以上所述的各种机制共同驱动的。
之前对于好奇心的心理学研究多为定性分析，而基于网络科学提供的工具，该研究首次以定量方式研究好奇心及背后的驱动机制。通过将好奇心作为知识网络构建的过程，这些研究提供了可计算的、基于理论的度量，如拓扑空腔、可压缩性和构象自由度，可以用来描述信息寻求的纵向过程，既适用于在实验室实验，也可用于真实场景下。未来重要的发展方向包括将每个网络度量映射到最合适的好奇心子类型，并扩展当前的子类型分类，以适应新的网络理论视角。
通过多维度地审视好奇心，该研究扩展了传统心理学对好奇心的分类。借助这些发现，相关人员可通过引导受到不同类型好奇心驱动的探索行为，在未来为教育政策的制订提出建议，也可用于提升用户留存及满意度。
该研究基于的数据来自相对较小样本在实验控制下的浏览行为，随着流媒体的流行，在诸如知乎这样的知识社区中，海量用户自发的探索行为，可以帮助科学家在更真实的场景下，探索人类不同情况下呈现的好奇心模式，并通过与用户个人属性，例如性别、年龄、教育程度等的关联，做出更多有趣又有意义的发现。
更进一步，好奇心不仅与人类有关，而且与人工智能的研究有关。例如，可压缩性最初被提出作为一种指导强化学习的内在学习信号。该研究提供了几个候选指标——如拓扑空腔的数量、网络可压缩性和构象灵活性——可以作为合适的基于好奇心的任务设置信号。
