基于Web的协作式学习分组策略研究

(吉首大学 信息管理与工程学院, 湖南 张家界 427000)

摘要:随着计算机网络技术和Web技术的发展,网络协作式学习应运而生。基于web的协作式学习平台正广泛应用,然而大多数的Web协作式学习平台都存在分组不合理的问题。针对该问题,本文提出一种基于聚类算法的分组方法,用以谋求协作学习绩效达到最优。

关键词:协作式学习;特征值测量;分组策略;聚类分析

中图分类号:G43文献标识码:A文章编号:1009-3044(2009)28-8090-03

The Research of Collaborative Learning Grouping strategy Based on Web

LUO Qi-yu,YANG Yi-ming

(Jishou University, School of Information Management and Engineering, Zhangjiajie 427000, China)

Abstract: With the development of computer network technology and Web technology, collaborative learning came into being. Web-based collaborative learning platform is widely used, but the majority of Web-based collaborative learning platform exist in question of unreasonable grouping. For the problem, the paper presents a clustering algorithm based on group approach in order to achieve optimal performance for collaborative learning.

Key words: collaborative learning; characteristic value measurement; grouping strategy; cluster analysis

20世纪90年代末期,计算机网络技术和Web技术得到了空前地发展。在这一大好背景下,基于Web的协作式学习也随之应运而生。基于Web的协作式学习(Web-based Cooperative Learning)是指以计算机网络技术和Web技术为基础;以建构主义、人本主义为理论依据;以小组为单位,在共同的目标和一定的激励机制下,为获得最优学习效果而进行合作、互助的一种学习方式[1-2]。从Web协作式学习的定义我们可以看出,进行协作学习的首要条件就是要进行分组。协作小组划分是否合理将直接影响到协作学习绩效的好坏。而目前的网络协作学习,大部分都是采用区域划分、自由组合或者是由教师凭借经验进行分组。这些分组都没有对学习者的性格特征、知识结构体系等因素进行系统地分析,只是应协作学习的需求而随便的划分。由于上述问题的存在,本文提出一种基于聚类算法的分组方法,用以谋求协作学习绩效达到最优。

1 Web协作式学习分组方式

目前在教育理论学界存在着两种分组方式:同质分组和异质分组。而小组成员人数大都认为3~5人最为适宜。

同质分组,是指把那些兴趣爱好、学习习惯、知识水平等个人特征都比较相似的学习者分在同一个协作组,尽量缩小组内差别,以实现在同一组内按统一的进度和方法教学[3]。同质分组方式针对性较强,有利于教师因材施教。但也有些弊端:容易导致学习者盲目的自信和过度的自卑。

异质分组是将个人特征差别较大的学习者分在同一协作组,形成一个异质的学习团体。它有意识地扩大组内差别,形成组内异质,为学习者之间创造交流的基础,以便同一组内实现互助,共同进步。弊端是它不像同质分组那样具有很强的针对性,不利于教师因材施教。

上述两种分组方式各有优缺点,我们需要将两种方式结合使用,取长补短。本文依据“组间同质,组内异质”的原则进行划分协作学习小组。

2 Web协作式学习分组依据及其测量

2.1 分组依据分析

Web协作式学习是在网络多媒体技术下进行的一种学习方式,它不受时间和空间限制,影响Web协作式学习的因素具有多样性和不确定性,也很难将这些因素量化。所以我们只能选择一些最具影响的和易测量的因素。本文所采用的分组依据是学习者的认知能力、学习风格、知识基础和性别。

2.1.1 认知能力

认知能力是指人脑加工、储存和提取信息的能力,即人们对事物的构成、性能与他物的关系、发展的动力、发展方向以及基本规律的把握能力。它是人们成功的完成活动最重要的心理条件。美国心理学家加涅 ( R.M.Gagne)提出3种认知能力:语言信息,回答世界是什么的问题的能力;智慧技能,回答为什么和怎么办的问题能力;认知策略,有意识地调节与监控自己的认知加工过程能力。

2.1.2 学习风格

我国著名教育学家谭顶良认为:学习风格是指学习者持续一贯的具有个性特征的学习方式,是学习策略和学习倾向的总和。每个学习者在学习过程中都会表现出不同的偏好,包括学习情绪、态度、动机、坚持性以及对学习环境、学习内容等方面的偏爱。学习风格一经形成,就很少随学习内容、学习环境的变化而变化,当然并不代表它是不可变的,它仍然具有可塑性。了解学习者的学习风格有利于我们理解学习者在学习方式上的差异,从而有意识地调整教学风格及策略以便学习者适应不同群体的学习,进而更好地发挥学习者的学习优势及主观能动性。

2.1.3 知识基础

这里所说的知识基础是指学习者整体的受教育程度和对某一方面的知识掌握程度。例如,学习者要学习《Java程序设计》课程,我们就可以了解他是初中毕业、高中毕业还是大学毕业,他对计算机语言的掌握程度,以前是否学习过其它的计算机语言等。比如,我们大一学习了C语言,在大二学习Java语言的时候就把“第二章结构化程序设计(《Java程序设计教程》雍俊海 编著)”的内容省略不讲了,因为那些数据类型、控制语句等知识和C语言里的都差不多一样的。在Web协作式学习中也应该注意这些因素。不同知识基础的学习者在同一个协作组内,对某方面“强”的人可以帮助、引导那些“后来者”,加快学习速度、增强学习效果,同时也加快了协作组的学习进度,保证协作组在规定的时间内完成学习任务。

2.1.4 性别

据研究表明,学习者的学习态度、学习方法、获取知识的途径等都受性别差异的影响。女性往往把网络学习交流看作是获取知识的源泉,而男性则将网络学习交流看作是展示才华的舞台;男性的探索意识要比女性强;在困惑时,女性更倾向与求助其他人,而男性则更倾向与独立思考。基于这些因素,在分组时性别显然是不能忽视的。

2.2 分组依据的测量

分组依据测量就是把学习者的认知能力、学习风格和知识基础特征转化为数字,以便于计算机处理。性别的测量这里就不介绍了,分组时只需把男女分别进行分配就可以了。

2.2.1 认知能力测量

认知能力测量主要是测量一个人学习及完成一项工作的能力,包括语言能力、计算能力、空间能力、感知能力和推理能力。我们这里将通过做六道试题(美国多所著名高校采用的)来进行测试,限时10分钟,每题2分共12分。

2.2.2 学习风格测量

对于学习风格的测量我们采用著名的所罗门学习风格量表进行测量。所罗门学习风格量表一共有44道题目,从信息加工、感知、输入、理解四个方面将学习风格分为4个组8种类型,分别是:活跃型与沉思型、感悟型与直觉型、视觉型与言语型、序列型与综合型。所罗门量表结果处理过程如下:

第一步,将量表的44道题目按照顺序排成4列11行的表格,如表1所示。在要选择的答案和对应的题号下填上1。

第二步,计算每一列总数并填在总计栏的地方。

第三步,在每一列中,用较大的总数减去较小的总数,记下差值和较大数字的字母。例如:在“活跃型与沉思型”中,你有4个“a”和7个“b”,你就在那一栏的最后一行写上“3b”。其中字母代表学习风格的类型不同,数字代表程度的差异。取a=1,b=-1,例某同学通过所罗门量表测试的结果为10a,5b,7b,3a,则最后结果为四维向量(10,-5,-7,3)

2.2.3 知识基础测量

知识基础测试主要是用来了解学习者平时的对知识的掌握状况。这部分数据可以由学习者根据自己的实际情况进行评测,也可以由教师根据学生的学习情况进行评测。总分为10分,很差为0~4,较差4~6,及格为6~7,良好为7~8.5,优秀为8.5~10。

3 基于聚类算法的Web协作分组方法解析

3.1 K-Means聚类算法简介

聚类分析是由若干模式组成的,模式是一个度量的向量或者是多维空间中的一个点。聚类算法主要有分裂法(Partitioning Methods)、层次法(Hierarchical Methods)、基于密度的方法(Density-based Methods)、基于网络的方法(Grid-based Methods)、基于模型的方法(Model-based Methods)。本文采用的是K-Means算法,它是分裂法的一种。

K-Means算法接受输入量k;然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。K-Means算法的具体过程是:首先从n个数据对象任意选择k个对象作为初始聚类中心;而对于所剩的其它对象,则根据它们与这些聚类中心的相似度(距离),分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然后再计算每个所获聚类的聚类中心(该聚类中所有对象的均值);不断重复这一过程直到标准测度函数开始收敛为止。

相似度的计算,采用的是常用的相似度(距离)度量方法――欧几里得距离,定义如下:

3.2 分组方法

3.2.1 数据处理

经过特征测量后,我们就得到了协作学习分组的第一手数据。每个学习者对应一个六维向量(x1,x2,x3,x4,x5,x6)。我们以四位学生为例,数据如表2。

对于表1的数据还不能作为最终的输入数据,我们需要进一步将数据标准化。标准化过程是通过计算标准分来实现的,其计算公式为:

式中,Z为标准分,x为某学习者的原始数据,x为全体学习者(每项指标)的平均分,σ为全体学习者(每项指标)的标准差。表2的数据标准化后得到表3的数据。3.2.2 分组具体计算方法

1) 设全班共m个学生,男生a个,女生b个

2) 输入:每小组人数n,学生特征值(x1,x2,x3,x4,x5,x6)。

3) 输出:K个类,K=m/n

4) 步骤:

第一步:令变量stu的初值为男生的总数a。

第二步:计算stu个学生的六维向量数据的平均值(每维数据求平均),以这个平均值作为聚类的中心,取与该平均值距离最近的K个向量。

第三步:将这K个向量聚为一类,然后将这K个向量所代表的学生随机分到K个组。

第四步:stu=stu-k,转到第二步,直到最后剩下的向量个数小于等于K,则转到第五步。

第五步:将剩余的向量所代表的学生随机分到K个小组中。若男女生都已被分配完毕,算法终结,否则转到第六步。

第六步:令变量stu的值为女生的总数b,转到第二步。

4 人为辅助分组

当系统自动分组完后,教师和学习者还可以进一步对分组结果进行调整,以便更符合实际。教师可以根据学生的实际情况,对分组结果进行调整。学习者对系统分组结果不满意的,可以向管理员提出申请,调换协作小组。所有这些都是为了更加适应Web协作式学习的本质――学习主动性。

5 结束语

分组是Web协作式学习的前提,也是取得良好学习绩效的保证。本文主要是从学习者的认知能力、学习风格、知识基础和性别四个方面来测量一个学习者的综合特征,并按照“组内异质,组间同质”的原则,利用K-Means聚类算法将学习者划分成几个协作小组。然后又考虑到从上述四个方面测量一个学习者的综合特征还是有一定的局限性,所以设定了“人为辅助分组”环节,使整个分组既具有科学性,又不失灵活性。

参考文献:

[1] 徐静. 基于多的网络协作学习模型研究[J]. 电脑知识与技术, 2009(6).

[2] 曾小宁. 基于角色的Web协作学习系统的研究与实现[J]. 电化教育研究, 2009,(03):18-21 .

[3] 李娟. 计算机支持的在线协作学习的设计与实现[J]. 电脑知识与技术, 2008(18).

[4] 李洁. CSCL中协作小组分组系统的设计与开发研究[D]. 广州:华南师范大学硕士学位论文,2005.

[5] 黄荣怀. 基于Web的协作学习系统模型[J]. 中国远程教育, 2001(5):42-47.

[6] 李继颖, 张振亭. 关于基于Internet的协作学习环境的构建[J]. 电化教育研究, 2001(6):9-12.