網(wǎng)絡學習中群組方法的研究①

馬艷春 張翠榮 方 靜

(華北科技學院現(xiàn)代教育技術中心，北京東燕郊101601)

網(wǎng)絡學習中群組方法的研究①

馬艷春②張翠榮 方 靜

(華北科技學院現(xiàn)代教育技術中心，北京東燕郊101601)

本文基于數(shù)據(jù)挖掘技術，組建高效群組，采用一個能夠監(jiān)測群組成員間交流情況的系統(tǒng)使學員之間的交流更加便利，以幫助教師們改進網(wǎng)絡群組學習。實驗觀察結果與數(shù)據(jù)證明了此理論是有效與可行的。

群組學習;網(wǎng)絡學習;數(shù)據(jù)挖掘

1 簡介

近年來，計算機教學及互聯(lián)網(wǎng)的應用提高了群組學習的成效。雖然在群組學習方面已經(jīng)有大量的研究成果，但在應用互聯(lián)網(wǎng)進行網(wǎng)絡學習的背景下，卻忽視了網(wǎng)絡學習中一個非常實際卻又相當關鍵的方面——如何在最短的時間內(nèi)組建高效互動的群組，以實現(xiàn)學員與學員之間，學員與指導老師之間的交流。這個既實際又關鍵的問題對群組生態(tài)學有重大意義。在現(xiàn)代高等教育課程中，隨著互聯(lián)網(wǎng)群組學習越來越受歡迎，指導老師們迫切希望能夠找到一種有效的方法來組建高效互動的網(wǎng)絡學習群組。

本文提出了一種方法，通過應用一些基于數(shù)據(jù)挖掘技術的規(guī)則，幫助指導老師們組建高效互動的網(wǎng)絡學習群組。通過使用我們開發(fā)的分組方法與監(jiān)測系統(tǒng)，指導老師們能夠有效地組建高效互動群組，而且它還能使互聯(lián)網(wǎng)上群組互動過程更加便利。系統(tǒng)的總設計如圖1所示。

圖1 系統(tǒng)總設計圖

2 從高效互動群組中挖掘數(shù)據(jù)

為了完成群組目標，群組成員之間進行的信息交流是其與同伴所進行的最重要的活動。經(jīng)許多研究發(fā)現(xiàn)，群組成員之間之所以能夠進行精確頻繁的互動交流，是由于群組成員特點的合理搭配，這既包括群組內(nèi)部的搭配也包括群組之間的搭配。如果我們能夠確定在群組內(nèi)部選擇高效互動群組成員的規(guī)則，那么應用這些規(guī)則就能夠確保群組在網(wǎng)絡學習中進行互動交流。

2.1 選擇特點

很多實際研究表明，成功的群組總是由群組成員特點的合理搭配而形成的。Ellis和 Fisher(1994)發(fā)現(xiàn)個人的特點會影響到群組成員學習過程中交流的模式，當群組成員們要組建一個有組織的群組的時候，像個性特點這樣的人為因素是他們要考慮的一個重要因素。根據(jù)以前的文獻資料和目前特殊的網(wǎng)絡學習背景，我們確定了四個特點以進一步研究高效互動與高滿意度的群組，它們分別是:學習時段、地區(qū)、年齡和價值觀類型。這四個特點是從在2011年春參加網(wǎng)絡課程學習的415名學員中歸納出來的，其資料來源于數(shù)據(jù)庫記錄和關于這14周課程的問卷調(diào)查。這415名學員以每五人組成一個小組的方式組建學習群組。他們中有些是自己分組，有些則不是。

2.1.1 學習時段

我們發(fā)現(xiàn)，參加網(wǎng)絡課程學習的學員們都有自己最喜歡的學習時段，在特定的時段彼此進行互動并安排同一時間獲取信息，這意味著他們偏愛特定的學習時段并遵循群組的準則。我們對學員在網(wǎng)絡課程中的登錄時間做了跟蹤記錄，結果發(fā)現(xiàn)有三段時間學員們的登錄較為頻繁:工作日在8∶00-11∶00 AM，周末在9∶00-12∶00 AM 和2∶00-5∶00 PM。大多數(shù)學員都喜歡在這幾段時間進行交流。

2.1.2 地域

在非同步網(wǎng)絡學習環(huán)境中，來自不同地區(qū)的人有不同的風俗習慣，不同的文化和不同的認知模式，因此，在選擇組成社會網(wǎng)絡群組的搭檔時也會有特別的偏好。這些可能會影響到來自不同地區(qū)小組成員之間的互動性及互相認可的程度。從過去參加網(wǎng)絡課程分組學員的經(jīng)驗得知，學員會把地區(qū)差異視為電子學習中互動合作的一個重要考慮因素。鑒于此，我們的分組系統(tǒng)對415名學員進行檢測，結果發(fā)現(xiàn)，這些學員形成了四個典型的地理區(qū)域特征，包括北方、南方、東部和中部。

2.1.3 年齡

不同年代出生的人在態(tài)度、生活方式和經(jīng)濟利益上存在差異。在同等條件下，不同年齡層段成員之間能進行更為持久的合作，因而改善不同年齡層段成員之間的認知。通過對參加上述網(wǎng)絡課程的415名學員年齡的統(tǒng)計數(shù)據(jù)進行分析，把5年作為一個分段區(qū)間，我們把他們的年齡分為六個組:23-27歲(25歲組)，28-32歲(30歲組)，33-37歲(35歲組)，38-42歲(40歲組)，43-47歲(45歲組)和48-52歲(50歲組)。

2.1.4 價值觀類型

最后一個很重要的特點是價值觀，它可以把參加網(wǎng)絡課程學習的學員分成許多高效互動小組，選擇價值觀這一特點是建立在相對性上，而不是絕對性上。因為價值觀是個中性詞，不會導致所謂好壞群組的比較。我們以Allport’s《價值觀的研究》為基礎做了一個問卷調(diào)查，我們已經(jīng)成功地把每個調(diào)查對象列入六種價值觀類型(理論型、經(jīng)濟型、美學型、社會型、政治型和宗教型)

2.2 學習小組的特性

每個網(wǎng)絡課程學習小組有5名學員，根據(jù)2.1中描述的四種特性對學員進行觀察。我們希望高效互動小組成員有相似的特性模式，于是把每五個特性接近的學員安排到一個小組。

表1 網(wǎng)絡學習小組的3種互動水平

3 采用集群技術分組

數(shù)據(jù)集群的主要方法是根據(jù)最為相似的特性給數(shù)據(jù)分組，然后再來區(qū)別更相似和特性差異更小的數(shù)據(jù)。在網(wǎng)絡學習的背景下，集群算法可以很容易被用來設計一個系統(tǒng)的分組方法。假如，用信息單元n(也就是學員們)來表示他們各自的層性矢量{X1，X2，X3….Xn}。每個矢量包含有一個學員的層性值。例如，第j個信息單元是一個年齡35歲，在9:00-12:00 am上課，家住北部地區(qū)并且抱有經(jīng)濟價值觀的學員，其相應的層性矢量Xj=《上課時間，居住地，年齡，價值觀》就具體為《9:00-12:00 am，北部，35歲，經(jīng)濟型》。研究表明，信息單元X1與X2之間的幾何距離可以用來測算他們之間的差別。使Ci為群i的平均矢量。如果X與Ci之間的距離最小就說明信息單元X包含在群i中。我們在此項研究中的采用的算法改進了距離最近分組方法，而這種方法在統(tǒng)計學中是不公正的分析和分類方法。橫測標準采用近似函數(shù)計算，且搜集最新數(shù)據(jù)進行集群，此項研究中的一個必要條件是群組成員學員應保持更合適的數(shù)量組成群組。因此，我們在算法中加入了一項調(diào)節(jié)機制以保證理想的群組成員的大小和差別最小的計算結果。我們的算法如下:

1.從幾個組的每個組中的單個信息單元開始

2.找到與之最相似的組然后把他們加入到這一組中

3.重復步驟2直到總組數(shù)為1，這樣就得到了層次聚類樹

4.根據(jù)這個在第三步中得到的層次聚類樹，以自下而上的順序分組成員，每個群組成員4到6個信息單元。

4 集群分組技術的實例研究

4.1 課程背景

我們使用我們的集群算法進行試驗以證明我們的研究在實際教學環(huán)境下有效。我們征求了指導老師和學員的意愿，選擇了一個網(wǎng)絡課程進行我們的實驗。在2011年秋有202名學員開始了這門持續(xù)14個周的網(wǎng)絡課程的學習。所有的學員被分成了兩種不同的群組成員——一是根據(jù)我們的集群算法組成的，以下稱為“系統(tǒng)”群組(SG)，另一個是隨機組成的，以下稱為“隨機”群組(RG)。這兩組都為可控樣本。所有的群組成員都有相同的任務，每周都布置相同的作業(yè)。每一組都不得不通過網(wǎng)絡教學(WBI)系統(tǒng)下的聊天室進行討論與合作來解決難題。

學員們在網(wǎng)上有三周的互相熟悉時間，然后在第4周開始，他們或根據(jù)集群算法或隨機組建群組。學員們在前三周對WBI系統(tǒng)進行熟悉并且自由進行社會交流和網(wǎng)絡交流。從第四周開始，每周分派任務，并要求所有學員進行討論。所有學員在第九周完成其群組任務并在第十周提交他們的作業(yè)。在第十周，指導老師對每周的作業(yè)進行批改，并且將其與交上來的群組成員一一對應。為了完成相同的群組任務，所有的學員有六個周的時間進行交流互動與共同合作。為了證實學員們的學習效果，我們向每個學員寄送了一份滿意度問卷調(diào)查，并要求他們與群組任務一起交上來。

4.2 集群分組

我們選擇了100名學員作為我們的實驗對象，同時將他們依據(jù)我們的集群算法組建成20個系統(tǒng)群組成員并且在整個網(wǎng)絡學習過程中對他們進行監(jiān)測，另外的102名學員以隨機方式組成20個群組，而我們也不對其在網(wǎng)上的學習過程進行監(jiān)測。在用集群算法把選作實驗的100名學員進行分組前，2.4部分里提到的四個特性——上課時間，居住地，年齡和價值觀——已經(jīng)被轉譯為編碼加入算法中。各個特性的編碼及描述就如在2.1部分所描述的那樣經(jīng)過了精確地設計。所有的編碼數(shù)據(jù)通過遠程的群組特性模擬，采用集群算法進行計算。我們仔細的對這100名采用我們算法來分組的學員進行了分組。并把采用我們的集群算法所產(chǎn)生的系統(tǒng)群組成員的詳細構成列于圖2的表2中。

圖2 通過集群方法創(chuàng)建的20個小組

表2 通過集群算法組成的群組成員

5 研究結果

為了證實我們提供的分組和互動的便利方法的有效性，我們采訪指導老師和學員并對問卷調(diào)查和互動監(jiān)測的數(shù)據(jù)進行統(tǒng)計分析。因為問卷調(diào)查表的結果要和小組任務的結果一塊收回，所以答復率是100%，其中有四十個是有效問卷。問卷調(diào)查表是根據(jù)Gladstein(1984)設計的，主要是調(diào)查小組的滿意程度。我們設計了三個項目并通過里克特7個等級對小組的滿意程度進行調(diào)查(比如，1=強烈反對，7=堅決同意)分析完所有這些問卷調(diào)查以后，系統(tǒng)小組信度系數(shù)Cronbach-α值為0.9429，隨機群組的信度系數(shù)Cronbach-α值為0.9238，遠遠超過推薦的可靠標準0.7。這個結果說明我們的問卷調(diào)查是非?？煽康?。具體的統(tǒng)計數(shù)字如表3所示。

表3 小組滿意程度的描述性統(tǒng)計數(shù)字

根據(jù)表3，隨機群組的滿意程度比系統(tǒng)群組的滿意程度低，為了判斷隨機群組的滿意程度是否與系統(tǒng)群組的滿意程度有顯著的不同，我們采用了單因素方差分析來測試差異的程度及F值，如表4。

通過表4可以看出，在學習過程中，系統(tǒng)分組學員的滿意程度比隨機群組學員的滿意程度高的多，高了0.05(p* =0.001)。

表4 單向性滿意程方差表

為了測試系統(tǒng)群組和隨機群組在網(wǎng)絡教學系統(tǒng)中使用時間的差異性，我們使用單因素方差分析測試其重要性和F值，如表5。從表5可以看出，系統(tǒng)群組中學員進行討論的頻率遠比隨機群組的高，高出的值為0.05(p* =0.000)。在互動過程中，指導老師有選擇性的進行干預進一步激勵隨機群組的學員在網(wǎng)絡教學系統(tǒng)中進行討論，老師的干預讓學員變得越來越積極，也更加愿意討論。

表5 單向性使用時間方差表

從以上可以看出，無論是在小組滿意程度還是在網(wǎng)絡教學系統(tǒng)的使用時間上，通過集群算法形成的群組整體上比隨機形成是的群組表現(xiàn)要好的多。

6 總結

本文提出了網(wǎng)絡學習中基于數(shù)據(jù)挖掘技術的群組劃分方法，根據(jù)學習時段、地域、年齡和價值觀來進行分組，設計了基于該方法的系統(tǒng)，并通過課程實踐進行了驗證。事實證明，根據(jù)這種分組方法建立并接受互動監(jiān)視器監(jiān)測的小組在所有方面都表現(xiàn)的要好的多，比如滿意程度，系統(tǒng)的使用，互動的成功率和互動的內(nèi)容等。

將來在該課題的研究將主要集中在兩個方向，一是探索出更多的規(guī)則來對群組進行劃分，這樣可以使得有些信息不易取得的情況下也能有效地劃分群組;二是群組的快速重構，當群組被劃分之后，如果某些群組效果不理想，系統(tǒng)應該有較快的發(fā)現(xiàn)問題并重構群組的能力。

［1］ 劉均，李人厚，鄭慶華.網(wǎng)絡學習中學習個性挖掘方法的研究［J］.西安交通大學學報，2004，38(6)

［2］ 劉儒德，江濤.學習者特征對網(wǎng)絡學習的影響［J］. 中國電話教育，2004，(6)

［3］ 李書明，田俊.網(wǎng)絡學習中個性化學習服務策略研究［J］.中國電話教育，2011，(6)

A Study to Promote Group Learning in E-learning

MA Yanchun，ZHANG Cuirong，F(xiàn)ANG Jing

(North China Institute of Science and Technology，Yanjiao Beijing-East101601)

This paper aims to build highly efficient groups，and introduces a monitoring system to facilitate the communication of the group members，and thus helps teachers to improve network group learning.The experiment data proves this method is effective and feasible.

group learning;network learning;data mining

TN919.2

A

1672-7169(2012)03-0082-04

2012-06-03。

馬艷春(1979-)，男，內(nèi)蒙古通遼奈曼旗人，碩士，華北科技學院現(xiàn)代教育中心講師。