基于約束聚類的學(xué)習(xí)共同體智能構(gòu)建與應(yīng)用研究*

孔維梁，韓淑云

(河南師范大學(xué) 教育技術(shù)系，河南 新鄉(xiāng) 453007)

一、問題提出

隨著教育信息化的推進(jìn)以及《教育信息化2.0行動計(jì)劃》[1]等政策的出臺，MOOC等在線開放課程呈現(xiàn)井噴狀的發(fā)展勢態(tài)，師生對在線學(xué)習(xí)模式的呼吁愈加強(qiáng)烈。然而，在線學(xué)習(xí)飛速發(fā)展的同時，學(xué)習(xí)者交互少、孤獨(dú)感強(qiáng)、智慧共享度低等問題也日漸突出，嚴(yán)重影響了在線學(xué)習(xí)質(zhì)量的提升[2]。在線學(xué)習(xí)共同體的誕生改變了傳統(tǒng)網(wǎng)絡(luò)學(xué)習(xí)空間的“孤島式”學(xué)習(xí)結(jié)構(gòu)，強(qiáng)調(diào)學(xué)習(xí)者間多元化交互，實(shí)現(xiàn)了人際心理相容與溝通，為在線學(xué)習(xí)構(gòu)建了智慧協(xié)作學(xué)習(xí)環(huán)境[3][4]。

學(xué)習(xí)同伴是協(xié)作學(xué)習(xí)活動中的重要參與者，合適的學(xué)習(xí)共同體構(gòu)建方法是在線協(xié)作學(xué)習(xí)順利開展的前提，對提高在線學(xué)習(xí)投入、學(xué)習(xí)質(zhì)量具有重要影響。但目前該領(lǐng)域的研究大多停留在隨機(jī)構(gòu)建、人工手動構(gòu)建等層面，研究在智能化實(shí)現(xiàn)方面仍有所欠缺，在線學(xué)習(xí)共同體的智能構(gòu)建研究已成為在線學(xué)習(xí)領(lǐng)域中的亟待解決的核心問題[5][6]。研究在異質(zhì)構(gòu)建原則和Kolb學(xué)習(xí)風(fēng)格分類模型的基礎(chǔ)上，提出了基于約束聚類的在線學(xué)習(xí)共同體智能構(gòu)建方法，以學(xué)習(xí)風(fēng)格為依據(jù)對學(xué)習(xí)者進(jìn)行帶約束聚類，實(shí)現(xiàn)基于學(xué)習(xí)風(fēng)格的異質(zhì)化均衡分組，并對研究成果進(jìn)行了實(shí)際驗(yàn)證與應(yīng)用，分析了智能構(gòu)建方法對學(xué)習(xí)者知識建構(gòu)水平和學(xué)習(xí)成績方面的影響。

二、相關(guān)研究基礎(chǔ)

(一)在線學(xué)習(xí)共同體構(gòu)建方法

在線學(xué)習(xí)共同體是學(xué)習(xí)共同體的網(wǎng)絡(luò)化延伸，是在網(wǎng)絡(luò)環(huán)境下，為了完成共同的學(xué)習(xí)目標(biāo)而形成的學(xué)習(xí)團(tuán)體[7]。唐燕兒、于莎等指出在線學(xué)習(xí)共同體有利于知識的建構(gòu)、情感的交流，共同學(xué)習(xí)愿景能夠激發(fā)學(xué)習(xí)的主動性與創(chuàng)造性，增強(qiáng)歸屬感[8][9]。Wu等指出在線學(xué)習(xí)共同體解決了傳統(tǒng)學(xué)習(xí)共同體的時空局限性、異步交互缺乏等問題，為信息交流、團(tuán)隊(duì)協(xié)作、智慧共享提供了有效支持[10]。

目前，在線學(xué)習(xí)共同體構(gòu)建方法主要分為兩大類：隨機(jī)或自由構(gòu)建、人工手動構(gòu)建。其中，隨機(jī)或自由構(gòu)建方法是最常見的構(gòu)建方法，由教師(或計(jì)算機(jī))按照小組規(guī)模進(jìn)行隨機(jī)分組或由學(xué)習(xí)者根據(jù)自身意愿進(jìn)行自由組合，形成學(xué)習(xí)共同體。Park在學(xué)習(xí)者的問題—答案等生成性資源的基礎(chǔ)上，使用Humhub社會網(wǎng)絡(luò)軟件建構(gòu)了自由學(xué)習(xí)共同體[11]。孫娟提出了基于IM(實(shí)時通訊服務(wù))的在線學(xué)習(xí)共同體構(gòu)建過程模式，并以QQ群構(gòu)建了隨機(jī)學(xué)習(xí)共同體[12]。隨機(jī)或自由構(gòu)建方法實(shí)現(xiàn)簡單，但沒有充分利用學(xué)習(xí)者的個性特征，所形成的學(xué)習(xí)共同體結(jié)構(gòu)復(fù)雜，無明顯特征規(guī)律，基于該共同體的教學(xué)組織也較困難。

人工手動構(gòu)建是指由教師依據(jù)學(xué)習(xí)者特征(例如，學(xué)習(xí)風(fēng)格)進(jìn)行同質(zhì)或異質(zhì)組合，使得學(xué)習(xí)共同體內(nèi)和共同體間達(dá)到某種規(guī)律特性。馬玉慧等將學(xué)習(xí)者分為建議者趨向、質(zhì)疑者趨向和學(xué)習(xí)者趨向三類，然后從三類學(xué)習(xí)者中手工抽取成員組成異質(zhì)學(xué)習(xí)共同體[13]。Chang等利用移動計(jì)算設(shè)備支持協(xié)作學(xué)習(xí)成員共同進(jìn)行英語閱讀理解中陌生單詞注解以及短文翻譯，教師根據(jù)學(xué)習(xí)者的英語閱讀能力對學(xué)習(xí)者進(jìn)行手動分組[14]。潘洪建指出，相對于同質(zhì)分組，異質(zhì)分組除了能有效緩解學(xué)習(xí)者交互少、孤獨(dú)性強(qiáng)等問題，其內(nèi)部差異化有助于共同體內(nèi)學(xué)習(xí)者間的互幫互助以及優(yōu)勢互補(bǔ)，而外部均衡化有利于保證各共同體的均衡發(fā)展，為有效調(diào)動學(xué)習(xí)積極性提供了有效方法[15]。雖然人工構(gòu)建方式已經(jīng)考慮到學(xué)習(xí)者個性特征，但缺乏有效的智能處理方式，對于大規(guī)模的在線學(xué)習(xí)不具有推廣性。

(二)Kolb學(xué)習(xí)風(fēng)格分類模型

研究表明，學(xué)習(xí)風(fēng)格能夠直接影響學(xué)習(xí)者的行為表現(xiàn)、情緒狀態(tài)，對協(xié)作學(xué)習(xí)活動、知識建構(gòu)、學(xué)習(xí)績效等有直接影響[16]。李文昊等從觀點(diǎn)產(chǎn)生、觀點(diǎn)組織和知識融合三個方面探討了學(xué)習(xí)風(fēng)格對在線協(xié)作學(xué)習(xí)的影響[17]。Johnson等從學(xué)習(xí)者滿意度和學(xué)習(xí)績效兩個方面證實(shí)了學(xué)習(xí)風(fēng)格對學(xué)習(xí)分組的影響[18]。目前，基于學(xué)習(xí)風(fēng)格的異質(zhì)構(gòu)建已經(jīng)成為被廣大學(xué)者所認(rèn)可的在線學(xué)習(xí)共同體構(gòu)建方式[19-21]，該方式強(qiáng)調(diào)將不同學(xué)習(xí)風(fēng)格的學(xué)習(xí)者組織在一起，使得學(xué)習(xí)共同體內(nèi)部呈現(xiàn)風(fēng)格異質(zhì)化，而各共同體之間保持整體風(fēng)格均衡化，即“組內(nèi)異質(zhì)、組間同質(zhì)”。

研究以Kolb學(xué)習(xí)風(fēng)格分類模型對學(xué)習(xí)者進(jìn)行風(fēng)格建模，并以此為依據(jù)進(jìn)行異質(zhì)學(xué)習(xí)共同體構(gòu)建。Kolb學(xué)習(xí)風(fēng)格分類模型是20世紀(jì)80年代由David Kolb提出，他認(rèn)為學(xué)習(xí)風(fēng)格是學(xué)習(xí)者偏好的感知與加工信息的方法[22]。該模型從“信息加工”和“感知”兩個維度對學(xué)習(xí)風(fēng)格進(jìn)行描述，其中，信息加工維度描述個體偏好的信息加工或轉(zhuǎn)換方式的差異，又可分為“主動實(shí)踐(AE)”和“反思觀察(RO)”兩個對立面；感知維度描述個體偏好的感知環(huán)境或經(jīng)驗(yàn)習(xí)得方式的不同，又可分為“具體經(jīng)驗(yàn)(CE)”和“抽象概念(AC)”兩個對立面[23]。兩個維度的不同組合構(gòu)成了4種不同的學(xué)習(xí)風(fēng)格模型：發(fā)散型(具體經(jīng)驗(yàn)、反思觀察)、同化型(抽象概念、反思觀察)、聚斂型(抽象經(jīng)驗(yàn)、主動實(shí)踐)及順應(yīng)型(具體經(jīng)驗(yàn)、主動實(shí)踐)[24]。沈博等指出在這個兩極四端的風(fēng)格分類模型中，學(xué)習(xí)者對兩極的偏好程度不同，導(dǎo)致了個人獨(dú)特的風(fēng)格類型，即便在同種風(fēng)格類型的學(xué)習(xí)者之間，也可能存在較大的差異[25]。Manolis等指出Kolb學(xué)習(xí)風(fēng)格分類模型從學(xué)習(xí)過程的角度對學(xué)習(xí)者進(jìn)行剖析，能夠指出學(xué)習(xí)者在學(xué)習(xí)過程中的行為表現(xiàn)，有助于理解學(xué)習(xí)的實(shí)質(zhì)，有助于學(xué)習(xí)共同體課程的設(shè)計(jì)與組織，從而引導(dǎo)學(xué)習(xí)，掌握學(xué)習(xí)規(guī)律[26]，為此，本研究選擇Kolb學(xué)習(xí)風(fēng)格模型作為研究基礎(chǔ)。

三、基于約束聚類的學(xué)習(xí)共同體智能構(gòu)建

(一)問題描述

根據(jù)Kolb學(xué)習(xí)風(fēng)格分類模型，學(xué)習(xí)者的學(xué)習(xí)風(fēng)格可用學(xué)習(xí)風(fēng)格向量s表示，如公式1所示，其中si,sp分別表示學(xué)習(xí)者在信息加工維度和感知維度的偏好程度，其值越接近0表示學(xué)習(xí)者越傾向于主動實(shí)踐/具體經(jīng)驗(yàn)，反之，越接近1表示越傾向于反思觀察/抽象概念。

學(xué)習(xí)風(fēng)格向量可以映射到二維坐標(biāo)中，如圖1所示，學(xué)習(xí)者對應(yīng)圖中節(jié)點(diǎn)，節(jié)點(diǎn)間的距離表示兩學(xué)習(xí)者(或兩學(xué)習(xí)風(fēng)格向量)的相似程度，距離越短表示相似程度越大?；趯W(xué)習(xí)風(fēng)格的異質(zhì)共同體構(gòu)建從本質(zhì)上來說可以抽象為帶約束聚類問題：給定聚類數(shù)K(即學(xué)習(xí)共同體個數(shù))的前提下，將學(xué)習(xí)風(fēng)格不相似的學(xué)習(xí)者聚為一類，實(shí)現(xiàn)每個聚類內(nèi)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格異質(zhì)，而聚類間整體學(xué)習(xí)風(fēng)格一致、聚類規(guī)模(即學(xué)習(xí)共同體人數(shù))相當(dāng)。

但是，經(jīng)典聚類算法會將風(fēng)格相似的學(xué)習(xí)者的聚為一類，而且不能控制聚類的規(guī)模，造成學(xué)習(xí)共同體規(guī)模不均衡，無法保證組內(nèi)異質(zhì)性和組間同質(zhì)性，如圖1中圓圈所示為經(jīng)典聚類算法將學(xué)習(xí)風(fēng)格相似的學(xué)習(xí)者聚類集合。

圖1 學(xué)習(xí)風(fēng)格向量映射

(二)基于約束聚類的學(xué)習(xí)共同體智能構(gòu)建算法

為了進(jìn)行異質(zhì)聚類，并控制聚類規(guī)模，研究在結(jié)合均值飄移算法和改進(jìn)經(jīng)典層次聚類算法的基礎(chǔ)上，提出了基于約束聚類的學(xué)習(xí)共同體智能構(gòu)建算法，算法的核心工作包括：初步相似聚類、創(chuàng)建初始學(xué)習(xí)共同體、層次聚合。算法的基本思想是：首先使用經(jīng)典均值飄移算法對學(xué)習(xí)者進(jìn)行初步相似聚類；然后，從最大相似聚類中選出K個最相似的學(xué)習(xí)者，創(chuàng)建K個初始學(xué)習(xí)共同體(這K個學(xué)習(xí)者風(fēng)格相似，不會也不應(yīng)分到同一共同體內(nèi))；其次，按照學(xué)習(xí)風(fēng)格間的相似度，采用改進(jìn)的層次聚類法依次為每個共同體合并一個異質(zhì)成員；重復(fù)步驟3直至所有學(xué)習(xí)者合并，完成學(xué)習(xí)共同體的智能構(gòu)建。具體步驟如下：

(1)初步相似聚類。研究使用均值飄移算法[27]將風(fēng)格相似的學(xué)習(xí)者進(jìn)行聚類，均值漂移算法是一種基于密度梯度上升的非參數(shù)方法，通過迭代運(yùn)算找到目標(biāo)位置，實(shí)現(xiàn)聚類，其優(yōu)點(diǎn)是算法計(jì)算量小、實(shí)時性好，適合聚類數(shù)目不確定的情況。算法的基本思想如圖2左圖所示：給定閾值r(研究中取所有節(jié)點(diǎn)間距離的均值)，隨機(jī)選擇一個點(diǎn)作為初始質(zhì)心(即類簇中心)cent；找出離質(zhì)心cent小于r的所有點(diǎn)集N，根據(jù)這些點(diǎn)計(jì)算新的質(zhì)心；重復(fù)上一步直到質(zhì)心不再變化，記住該中心點(diǎn)(圖中“最終質(zhì)心”)；重復(fù)以上三步，直到所有的點(diǎn)都被歸類；最后，根據(jù)每個類對每個點(diǎn)的訪問頻率，訪問頻率最大類作為節(jié)點(diǎn)的所屬類。

圖2 異質(zhì)學(xué)習(xí)共同體構(gòu)建算法

算法中，節(jié)點(diǎn)間距離使用馬氏距離，新的質(zhì)心計(jì)算采用均值法，其計(jì)算公式分別如公式2和公式3所示。其中，dist1(u,v)表示節(jié)點(diǎn)u,v間的馬氏距離，cent表示當(dāng)前質(zhì)心，sui、sup分別表示用戶u在信息加工維度和感知維度的學(xué)習(xí)風(fēng)格偏好，N表示以cent為中心點(diǎn)，距離cent小于r的節(jié)點(diǎn)集合，||N||表示N的規(guī)模。

(2)創(chuàng)建初始學(xué)習(xí)共同體。初步聚類會將學(xué)習(xí)風(fēng)格相似的學(xué)習(xí)者聚為一類，給定待建學(xué)習(xí)共同體個數(shù)K，在初步聚類結(jié)果中選擇規(guī)模最大(節(jié)點(diǎn)密度也最大)的聚類cmax，并選擇距其質(zhì)心最近的K個節(jié)點(diǎn)創(chuàng)建K個初始共同體(如圖2左圖中實(shí)線圓中實(shí)心節(jié)點(diǎn)所示)。異質(zhì)分組將學(xué)習(xí)風(fēng)格相似的學(xué)習(xí)者劃分為不同的共同體，即初步相似聚類結(jié)果中的學(xué)習(xí)者應(yīng)盡可能劃分到不同共同體中，因此，以初步相似聚類結(jié)果中最大規(guī)模的聚類創(chuàng)建初始共同體是可行的。

(3)層次聚合。經(jīng)典層次聚類算法[28]按節(jié)點(diǎn)與聚類的相似度由高到低排序，逐步從下往上不斷合并類簇，其優(yōu)點(diǎn)是可隨時停止合并，易于控制合并次序，但卻不能控制最終聚類結(jié)果的規(guī)模(即學(xué)習(xí)共同體的大小)。為此，研究改進(jìn)了經(jīng)典層次聚類算法以適合學(xué)習(xí)共同體的異質(zhì)構(gòu)建，其基本思想如圖2右圖所示：使用第(2)步創(chuàng)建的K個初始共同體(圖2右圖中三角形節(jié)點(diǎn)所示)，計(jì)算剩余各節(jié)點(diǎn)到每個共同體的距離，按距離從小到大的順序，依次為每個共同體合并一個剩余節(jié)點(diǎn)，完成一次合并(如圖中虛線所示為第3次合并)；迭代執(zhí)行合并過程，直至無剩余節(jié)點(diǎn)為止，所形成聚類即為最終學(xué)習(xí)共同體。

算法中，節(jié)點(diǎn)間的距離使用逆向馬氏距離，即取最大可能距離與馬氏距離的差值，學(xué)習(xí)風(fēng)格越相似則節(jié)點(diǎn)間距離越大，后期被聚為一類的機(jī)率越小，反之機(jī)率越大，其計(jì)算方法如公式4所示。節(jié)點(diǎn)與共同體的距離使用平均距離法，即節(jié)點(diǎn)與共同體內(nèi)所有已知節(jié)點(diǎn)間距離的平均值，其計(jì)算方法如公式5所示。

其中，dist2(u,v)表示節(jié)點(diǎn)u和v的逆向馬氏距離，dist3(u,C)表示節(jié)點(diǎn)u與聚類C間的距離，dist1(u,v)表示節(jié)點(diǎn)u和v的馬氏距離，max(dist1)表示最大可能的節(jié)點(diǎn)間距離(從圖1映射圖中可知其等于為聚類C的規(guī)模。

另外，由于學(xué)習(xí)者總體數(shù)量與指定共同體個數(shù)并非完全成比例，因此，部分學(xué)習(xí)共同體(即聚類)中學(xué)習(xí)者個數(shù)可能會多一個，如圖2中第2個學(xué)習(xí)共同體由5個學(xué)習(xí)者構(gòu)成，其它幾個學(xué)習(xí)共同體則由4個學(xué)習(xí)者構(gòu)成。

(三)學(xué)習(xí)共同體智能構(gòu)建結(jié)果驗(yàn)證

研究選擇10名已知學(xué)習(xí)風(fēng)格傾向的學(xué)生進(jìn)行共同體構(gòu)建，以驗(yàn)證本文智能構(gòu)建方法的有效性，10名學(xué)生依次編碼s1-s10，其學(xué)習(xí)風(fēng)格偏好如表1所示。

表1 學(xué)習(xí)者學(xué)習(xí)風(fēng)格傾向

給定學(xué)習(xí)共同體個數(shù)K=3，分別使用本文的智能構(gòu)建方法與隨機(jī)構(gòu)建方法進(jìn)行學(xué)習(xí)共同體構(gòu)建，結(jié)果如表2所示，表2中的平均風(fēng)格向量是所有共同體成員在兩個維度上偏好取值的平均值，即學(xué)習(xí)共同體的整體學(xué)習(xí)風(fēng)格傾向。從表2中可以看出，智能構(gòu)建方法構(gòu)建的所有共同體人數(shù)大致相等，平均風(fēng)格向量的兩個維度都比較接近，這表明所建學(xué)習(xí)共同體在共同體規(guī)模和組間同質(zhì)性等方面的控制較好(G1共同體的學(xué)習(xí)風(fēng)格向量產(chǎn)生差異是因?yàn)樗绕渌餐w多了一個相似成員所致)。同時，查驗(yàn)共同體內(nèi)成員的學(xué)習(xí)風(fēng)格向量，會發(fā)現(xiàn)每個共同體內(nèi)部學(xué)習(xí)風(fēng)格相差較大，較好地實(shí)現(xiàn)組內(nèi)異質(zhì)性。反觀隨機(jī)構(gòu)建方法，3個共同體雖然也保證了共同體的規(guī)模大小，但在整體學(xué)習(xí)風(fēng)格上卻有較大的差異，無法保證組間同質(zhì)性，同時，其組內(nèi)異質(zhì)性也較差，例如，隨機(jī)構(gòu)建方法G1共同體中s1和s4學(xué)習(xí)風(fēng)格非常相似，G2共同體中s2和s7學(xué)習(xí)風(fēng)格也非常相似。由此可見，研究提出的智能構(gòu)建方法能夠較好地實(shí)現(xiàn)組內(nèi)異質(zhì)、組間同質(zhì)等方面的控制。

表2 學(xué)習(xí)共同體構(gòu)建結(jié)果比較

四、實(shí)證研究設(shè)計(jì)

(一)研究對象

本研究選取某師范院校選修“Java語言程序設(shè)計(jì)”的62名二年級學(xué)生，該課程采用混合式教學(xué)模式，該模式包括課前準(zhǔn)備、課上指導(dǎo)、課后加強(qiáng)三個階段。其中，課前準(zhǔn)備是學(xué)生課下進(jìn)行在線學(xué)習(xí)、測試；課上指導(dǎo)教師根據(jù)課前學(xué)習(xí)情況的反饋，對出現(xiàn)的共性問題進(jìn)行講解或指導(dǎo)學(xué)生進(jìn)行真實(shí)任務(wù)實(shí)施，使學(xué)生理論知識與實(shí)際操作相結(jié)合；課后，通過課程作業(yè)、探究任務(wù)等環(huán)節(jié)強(qiáng)化核心技能，促進(jìn)知識遷移。

參與課程的62名學(xué)生，根據(jù)隨機(jī)分配原則分為實(shí)驗(yàn)組和對照組，每組31人，實(shí)驗(yàn)組使用智能構(gòu)建方法創(chuàng)建學(xué)習(xí)共同體，而對照組使用隨機(jī)方法創(chuàng)建學(xué)習(xí)共同體。整個課程持續(xù)時間為17周，數(shù)據(jù)收集包括三個方面：一是學(xué)生學(xué)習(xí)風(fēng)格數(shù)據(jù)，研究使用王改花等人的Kolb學(xué)習(xí)風(fēng)格量表[29]進(jìn)行測量；二是學(xué)生交互內(nèi)容數(shù)據(jù)，主要是學(xué)生發(fā)帖數(shù)、發(fā)帖內(nèi)容，主要從平臺的數(shù)據(jù)庫中讀??；三是學(xué)習(xí)成績數(shù)據(jù)，主要通過在線測試進(jìn)行收集。

(二)研究目的與假設(shè)

研究在Kolb學(xué)習(xí)風(fēng)格分類模型的基礎(chǔ)上，提出了基于約束聚類的學(xué)習(xí)共同體智能構(gòu)建方法，為了探索該智能構(gòu)建方法對于學(xué)習(xí)成效的影響，本研究的研究假設(shè)如下：研究假設(shè)1：相較于隨機(jī)構(gòu)建方法，智能構(gòu)建方法能更有效地提高學(xué)習(xí)者的知識建構(gòu)水平；研究假設(shè)2：相較于隨機(jī)構(gòu)建方法，智能構(gòu)建方法能更有效地提高學(xué)習(xí)者成績水平。

(三)學(xué)習(xí)成效測量方法

研究從學(xué)習(xí)者的知識建構(gòu)水平和學(xué)習(xí)成績兩個維度描述學(xué)習(xí)成效。其中，知識建構(gòu)水平以古納瓦德納的知識建構(gòu)過程模型(Interaction Analysis Model，IAM)為依據(jù)[30]，對學(xué)習(xí)者在線帖子進(jìn)行編碼并統(tǒng)計(jì)每個學(xué)習(xí)者在知識建構(gòu)各層次的帖子數(shù)量與高水平帖所占比例；學(xué)習(xí)成績主要以期末在線測試成績來分析。

五、學(xué)習(xí)成效影響分析

(一)知識建構(gòu)影響分析

對62名學(xué)生涉及的發(fā)/回帖進(jìn)行半自動篩選，使用自然語言處理程序過濾掉灌水等無效帖，然后對剩余的2566個帖子進(jìn)行手工分類編碼(KC1：分享與澄清、KC2：認(rèn)知沖突、KC3：意義協(xié)商、KC4：檢驗(yàn)與修正、KC5：達(dá)成與應(yīng)用)，統(tǒng)計(jì)每個學(xué)生知識建構(gòu)各個層次的發(fā)/回帖數(shù)及所占的比例，結(jié)果如下頁表3所示。從表3中可以看出，兩組學(xué)生的帖子數(shù)均隨知識建構(gòu)層次的升高而降低，且KC5層次都為0。兩組學(xué)生低水平帖(KC1、KC2)的所占比較高(分別是78.03%和74.77%)，說明學(xué)習(xí)共同體中的學(xué)生進(jìn)行了大量的知識共享，并對其進(jìn)行了一定程度的討論與比較；兩組學(xué)生高水平帖的所占比都非常少(分別是21.97%和25.23%)，但是實(shí)驗(yàn)組學(xué)生在高層次(KC3、KC4)帖子數(shù)明顯高于對照組學(xué)生，說明實(shí)驗(yàn)組學(xué)生進(jìn)行了較好的交流討論，在一些問題上達(dá)成了意義協(xié)商與檢驗(yàn)。

表3 發(fā)/回帖分類編碼統(tǒng)計(jì)

為了進(jìn)一步探究兩組學(xué)生在前4個知識建構(gòu)層次上是否存在顯著差異，研究以兩共同體分組作為分組變量，以KC1-KC4作為檢驗(yàn)變量，進(jìn)行獨(dú)立樣本t檢驗(yàn)，并對顯著差異的檢驗(yàn)變量，計(jì)算顯著性效果值(即η2)，結(jié)果如表4所示。從表4中可以看出，在低水平層次(KC1、KC2)上兩組學(xué)習(xí)共同體未呈顯著性差異，而在KC3層次(t=2.512，df=60，p=0.014＜0.05)、KC4層次(t=3.882，df=60，p=0.000＜0.01)上分別達(dá)到了0.05與0.01顯著水平，表明實(shí)驗(yàn)組的學(xué)生的在KC3、KC4層次的知識建構(gòu)顯著高于對照組學(xué)生，并且重要性變量分別可以解釋KC3、KC4層次變量總方差中的65.3%與58.7%(η2值)的變異量。

表4 獨(dú)立樣本t檢驗(yàn)結(jié)果

整體來說，根據(jù)兩組學(xué)習(xí)共同體在低層次知識建構(gòu)上沒有顯著性差異，原因可能是學(xué)生的學(xué)習(xí)積極性都較高；而在高層次知識建構(gòu)上呈現(xiàn)顯著性差異，原因是根據(jù)學(xué)生的學(xué)習(xí)風(fēng)格進(jìn)行異質(zhì)學(xué)習(xí)共同體構(gòu)建能積極發(fā)揮不同風(fēng)格的學(xué)生優(yōu)勢，促進(jìn)知識建構(gòu)高層次發(fā)展，例如，發(fā)散型學(xué)生比較活躍、善于發(fā)現(xiàn)問題，有利于引導(dǎo)討論；同化型學(xué)生善于邏輯整理，有利于知識沖突的有效梳理；順應(yīng)型學(xué)生偏愛具體經(jīng)驗(yàn)及主動驗(yàn)證，適應(yīng)多變的情況。因此，我們認(rèn)為，智能構(gòu)建共同體更有助于知識的建構(gòu)，研究假設(shè)1成立。

(二)學(xué)習(xí)成績影響分析

為探究智能構(gòu)建方法對學(xué)生學(xué)習(xí)成績的影響，研究首先采用t檢驗(yàn)方法對兩組學(xué)生的前測成績進(jìn)行分析，如表5所示。從表5中可知，兩組學(xué)生成績的均值及標(biāo)準(zhǔn)差都接近，顯著性值Sig.為0.11(大于0.05)，未達(dá)到了顯著水平，說明兩組學(xué)生的前測成績一致。

表5 前測成績t檢驗(yàn)

為了檢驗(yàn)兩組學(xué)生的后測成績差異，使用配對t檢驗(yàn)方法對兩組學(xué)生的前測—后測成績進(jìn)行分析，如表6所示。由表6中可看出，差異顯著性值Sig.均小于0.05，說明前測與后測成績差異顯著，兩組學(xué)生通過協(xié)作學(xué)習(xí)之后，成績都有顯著變化。從表6中還可看出，對照組前測與后測的平均分值差值為-5.038，而實(shí)驗(yàn)組差值為-11.230，該結(jié)果表明兩組學(xué)生的成績有顯著性提高，而且實(shí)驗(yàn)組學(xué)生在智能構(gòu)建學(xué)習(xí)共同體的支持下學(xué)習(xí)成績提升更為明顯。

表6 配對t檢驗(yàn)

六、總結(jié)與思考

在線學(xué)習(xí)共同體是以學(xué)習(xí)者為中心，強(qiáng)調(diào)真實(shí)情境與協(xié)作交流對知識建構(gòu)的重要性，強(qiáng)調(diào)協(xié)作學(xué)習(xí)的最終目的是協(xié)調(diào)一致、達(dá)成共識。相關(guān)研究表明，在線學(xué)習(xí)共同體通過學(xué)習(xí)者間的交流與協(xié)作，能夠促使學(xué)習(xí)者對自身知識的反思，有利于知識的共建與情感的交流，因此，建構(gòu)良好的在線學(xué)習(xí)共同體對于進(jìn)行在線協(xié)作學(xué)習(xí)、知識協(xié)同構(gòu)建、教學(xué)管理與干預(yù)、教學(xué)設(shè)計(jì)與實(shí)施等均有重要價值[31]。研究在Kolb學(xué)習(xí)風(fēng)格分類模型及異質(zhì)構(gòu)建原則的基礎(chǔ)上，提出了在線學(xué)習(xí)共同體智能構(gòu)建方法，并通過實(shí)證研究證明：相對于隨機(jī)構(gòu)建方法，智能構(gòu)建方法對高層知識建構(gòu)以及學(xué)習(xí)成績提升均有顯著影響。本研究對在線教育實(shí)踐有以下啟示：

(1)準(zhǔn)確測量學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，充分發(fā)揮不同風(fēng)格學(xué)習(xí)者在知識建構(gòu)中優(yōu)勢。仇麗君認(rèn)為學(xué)習(xí)風(fēng)格具有高度的滲透性作用，對學(xué)習(xí)者信息加工方式、情緒狀態(tài)、技能發(fā)揮都有一定程度的影響[32]。不同風(fēng)格類型的學(xué)習(xí)者擅長不同，有的善于知識分享與討論，有的善于邏輯梳理，有的偏愛主動驗(yàn)證，根據(jù)學(xué)習(xí)風(fēng)格進(jìn)行異質(zhì)化分組能積極發(fā)揮不同風(fēng)格的學(xué)生優(yōu)勢，有利于提升學(xué)習(xí)者的高層知識構(gòu)建，從而促進(jìn)其自身對知識的深度思考與內(nèi)化遷移。

(2)創(chuàng)設(shè)良好的在線學(xué)習(xí)環(huán)境，提高學(xué)習(xí)者參與交互協(xié)作的積極性。武法提等[33]認(rèn)為在線學(xué)習(xí)環(huán)境是在線教育的重要支撐環(huán)境，良好的在線學(xué)習(xí)環(huán)境有助于促進(jìn)學(xué)習(xí)者參與的積極性，促進(jìn)學(xué)習(xí)者對學(xué)習(xí)共同體產(chǎn)生歸屬感，提升學(xué)習(xí)者的學(xué)習(xí)動機(jī)與學(xué)習(xí)的效果。因此，通過制定共同遵守的交互規(guī)則、構(gòu)建真實(shí)情景的協(xié)作學(xué)習(xí)任務(wù)等方式營造良好的協(xié)作式學(xué)習(xí)環(huán)境是有十分有必要的。另外，交互工具的支持也是在線學(xué)習(xí)環(huán)境的重要組成部分，Liu[34]等指出同時使用同步與異步交互有助于滿足學(xué)習(xí)者多樣化交互需求，便于學(xué)習(xí)過程中問題的交流與協(xié)商。