聶志成 蔣志輝

（1.湖南科技學(xué)院 教學(xué)質(zhì)量管理處，湖南永州 425199；2.長沙師范學(xué)院 信息科學(xué)與工程學(xué)院，湖南長沙 410100）

隨著信息技術(shù)與教育的深度融合的持續(xù)推進與迅速發(fā)展，層出不窮的教育教學(xué)理論和技術(shù)被運用到教學(xué)過程的指導(dǎo)中來。建構(gòu)主義學(xué)習(xí)理論指出新的教學(xué)模式應(yīng)該以學(xué)生為中心，學(xué)生不能僅僅作為外部刺激的接受者和知識的灌輸對象，學(xué)生應(yīng)該有能力主動加工信息，成為知識意義的建構(gòu)者[1]。為了使學(xué)生的成為課堂的真正“主人”，教學(xué)者就需要改變傳統(tǒng)的講授式、灌輸式的教學(xué)方式。作為混合學(xué)習(xí)中被運用的最多的教學(xué)模式之一，協(xié)作學(xué)習(xí)越來越多地被廣泛地應(yīng)用到E-learning 和傳統(tǒng)課堂教學(xué)中。協(xié)作學(xué)習(xí)是以現(xiàn)代社會心理學(xué)、教育社會學(xué)、認(rèn)知心理學(xué)等為基礎(chǔ)，以協(xié)調(diào)與調(diào)適教學(xué)中的人際關(guān)系為基點，以目標(biāo)設(shè)計為先導(dǎo)，以師生、師師、生生合作為動力，以小組為基本活動方式，以團體成績?yōu)樵u價標(biāo)準(zhǔn)，以標(biāo)準(zhǔn)參照評價為基本手段，旨在提高學(xué)習(xí)成績、改善班級氣氛、形成良好的心理品質(zhì)和社會技能，極富創(chuàng)意與實效的教學(xué)理論與策略體系[2]。作為一種教學(xué)理論和策略體系，學(xué)習(xí)者參與協(xié)作學(xué)習(xí)的學(xué)習(xí)成效已經(jīng)被眾多研究證明要超越于傳統(tǒng)的、個人的學(xué)習(xí)方式[3]。

在協(xié)作學(xué)習(xí)開展的過程中，教學(xué)者會給學(xué)習(xí)小組提出一個問題或者一項任務(wù)由學(xué)習(xí)小組依靠團隊的力量來完成。相較于傳統(tǒng)的個人學(xué)習(xí)模式，協(xié)作學(xué)習(xí)要求小組成員在學(xué)習(xí)中扮演不同的角色，在其交流、協(xié)作、對話中通過貢獻自己的“觀點”、陳述自己的思想、共同完成最終學(xué)習(xí)任務(wù)[4-5]。因此，對于協(xié)作學(xué)習(xí)，小組成員之間的合作對于最后學(xué)習(xí)的成效將起著決定性的影響。為了提升小組成員之間的合作效率以及小組協(xié)作學(xué)習(xí)最終成效。國內(nèi)外眾多研究者展開了對于協(xié)作學(xué)習(xí)分組策略的實驗研究。相關(guān)研究成果對于改善E-learning 中協(xié)作學(xué)習(xí)的分組策略提供了非常重要的參考價值。但是現(xiàn)存有關(guān)協(xié)作學(xué)習(xí)分組策略的研究大多數(shù)是針對E-learning 開展的，網(wǎng)絡(luò)課程與課堂教學(xué)在收集學(xué)習(xí)者的數(shù)據(jù)時有所不同，前者可以利用網(wǎng)絡(luò)學(xué)習(xí)平臺收集學(xué)習(xí)者的“事實型”數(shù)據(jù)，例如性別、年齡、興趣愛好等等，以及“行為型”數(shù)據(jù)，例如學(xué)習(xí)日期、學(xué)習(xí)內(nèi)容、學(xué)習(xí)持續(xù)時間等等。而在課堂教學(xué)中，教師缺少相應(yīng)的條件來收集學(xué)習(xí)者的數(shù)據(jù)信息。因此，教師如何在協(xié)作學(xué)習(xí)理論和學(xué)習(xí)風(fēng)格理論雙重指導(dǎo)下，科學(xué)獲取并分析學(xué)習(xí)者的學(xué)習(xí)風(fēng)格數(shù)據(jù)便成為了問題解決的關(guān)鍵所在。本文針對上述問題從數(shù)據(jù)挖掘的視角出發(fā)，根據(jù)Dunn 學(xué)習(xí)風(fēng)格理論設(shè)計學(xué)習(xí)者學(xué)習(xí)風(fēng)格調(diào)查問卷來收集所需數(shù)據(jù)[6]，并應(yīng)用k-means 聚類算法和層次聚類算法相結(jié)合的方式對學(xué)習(xí)者學(xué)習(xí)風(fēng)格數(shù)據(jù)進行分析，最后得出學(xué)習(xí)者分類結(jié)果。為了驗證該分類策略的有效性，本文將H 師范大學(xué)教育技術(shù)學(xué)專業(yè)2016 級的46 名本科生作為研究對象來開展協(xié)作學(xué)習(xí)分組策略研究。

1 相關(guān)工作

1.1 協(xié)作學(xué)習(xí)分組

協(xié)作學(xué)習(xí)作為一種重要的教學(xué)策略，不僅對于改變課堂教學(xué)中的師生關(guān)系、生生關(guān)系有著十分重要的意義，更對提升學(xué)習(xí)績效有著積極影響。但是與此同時，每一個學(xué)生個體都有不一樣的學(xué)習(xí)風(fēng)格，將不同風(fēng)格的學(xué)習(xí)者組織在一起開展協(xié)作學(xué)習(xí)必定會產(chǎn)生不一樣的學(xué)習(xí)結(jié)果。因此，教學(xué)者在選擇開展協(xié)作學(xué)習(xí)時，需要對不同學(xué)習(xí)者的不同學(xué)習(xí)風(fēng)格展開分析與研究，選擇或設(shè)計合適的協(xié)作學(xué)習(xí)分組策略以保證最佳的學(xué)習(xí)效果。

作為協(xié)作學(xué)習(xí)教學(xué)模式開展的首要環(huán)節(jié)，協(xié)作學(xué)習(xí)小組的分組策略近些年受到眾多研究者的重視。Yi-Chun Chan 等人提出一種由改善的k-NN 算法和GA 算法相結(jié)合的機制，來對學(xué)習(xí)者的學(xué)習(xí)風(fēng)格進行識別與分類[7]。唐杰等的研究在分析伙伴模型研究的基礎(chǔ)上，綜合學(xué)習(xí)者個性特征和 mCSCL中的學(xué)習(xí)的特殊性構(gòu)建了mCSCL 環(huán)境下協(xié)作分組的伙伴模型[8]。李浩君等提出了一種基于 KNN 的mCSCL 學(xué)習(xí)伙伴分組理論，為移動端在線學(xué)習(xí)者動態(tài)推薦最佳學(xué)習(xí)伙伴[9]。胡慧等提出基于學(xué)習(xí)能力、興趣愛好和理解水平的，基于改進蟻群算法的協(xié)作學(xué)習(xí)分組算法[10]。馬艷云等根據(jù)網(wǎng)絡(luò)協(xié)作學(xué)習(xí)者的個性化特征和協(xié)作特征在引入團隊協(xié)作學(xué)習(xí)量表解決學(xué)生協(xié)作能力判斷的前提下，提出基于學(xué)習(xí)者特征聚類和協(xié)作特征選擇的GSDBK-means 分組算法對學(xué)習(xí)者進行分組，以期達(dá)到提高網(wǎng)絡(luò)協(xié)作學(xué)習(xí)效果的目的[11]。

1.2 聚類分析

聚類分析簡稱聚類，是一個把數(shù)據(jù)對象劃分成子集的過程，而每個子集是一個簇，并且同一個簇中的對象彼此相似，但與其他簇中的對象不相似[12]。聚類分析已經(jīng)廣泛地應(yīng)用于許多領(lǐng)域：在商務(wù)智能應(yīng)用中，聚類可以用來把大量客戶分組，其中組內(nèi)的客戶具有非常類似的特征；在圖像識別應(yīng)用中，聚類可以在手寫字符識別系統(tǒng)中發(fā)現(xiàn)簇或“子類”；在Web 搜索應(yīng)用中，聚類可以將搜索結(jié)果分組，乃至把 Web 文檔聚類成一個文檔主題；在E-learning 應(yīng)用中，聚類通?？梢杂脕硗诰蜻h(yuǎn)程學(xué)習(xí)者的群體特點，進而基于此為課程資源建設(shè)及教學(xué)過程的改進提供思考與幫助。

同時，聚類算法也有很多，通常很難通過一個簡潔的分類去區(qū)別其運用到方法與策略，這是因為這些類別在分析中可能開成重疊，進而在表述過程中的一種方法往往具有多類另的特征的涵蓋。一般而言，主要的基本聚類方法可以歸納為劃分方法、層次方法、基于密度的方法和基于網(wǎng)格的方法等四大類，其各自的特點如表1 所示。

表1 聚類方法一般特點描述

2 運用聚類算法分析學(xué)習(xí)者的學(xué)習(xí)風(fēng)格

在數(shù)據(jù)挖掘過程中，網(wǎng)絡(luò)課程與傳統(tǒng)課堂教學(xué)在收集學(xué)習(xí)者的學(xué)習(xí)風(fēng)格數(shù)據(jù)時有所不同，前者可以利用網(wǎng)絡(luò)學(xué)習(xí)平臺收集學(xué)習(xí)者的“事實型”數(shù)據(jù)；后者由于傳統(tǒng)課堂教學(xué)實施過程受其環(huán)境的影響，常常很難借助網(wǎng)絡(luò)平臺來收集學(xué)習(xí)者的一些行為數(shù)據(jù)信息。為保證研究的所有本文采集調(diào)查問卷的方式收集學(xué)習(xí)者的數(shù)據(jù)信息，其好處有兩點：一是該方式簡單、便捷、效率高、可操作性強，二是該方式收集的數(shù)據(jù)比較完整，臟數(shù)據(jù)和噪聲數(shù)據(jù)很少，這為接下來的數(shù)據(jù)預(yù)處理打開了方便之門。而對于數(shù)據(jù)預(yù)處理過程，本文主要對收集到的原始數(shù)據(jù)進行數(shù)據(jù)變換。最后，本文利用k-means 聚類算法和基于層次的聚類算法分別對預(yù)處理后的數(shù)據(jù)進行聚類分析，這將為教學(xué)者提供精準(zhǔn)教學(xué)策略，制定學(xué)習(xí)者的個性化、差異化學(xué)習(xí)策略，尤其是為教學(xué)過程中實施小組合作學(xué)習(xí)進行分組(分層)策略提供了重要的參考依據(jù)與實踐借鑒。

2.1 數(shù)據(jù)收集

數(shù)據(jù)挖掘的成功與否，數(shù)據(jù)準(zhǔn)備情況起到了至關(guān)重要的作用與影響。數(shù)據(jù)準(zhǔn)備受多方面影響：一是所需處數(shù)據(jù)來源于不同數(shù)據(jù)源，如何確保不同數(shù)據(jù)源中數(shù)據(jù)的綜合性、質(zhì)量、時效性、及易用性，其處理方式可能就要牽涉到數(shù)據(jù)倉庫的相關(guān)技術(shù)與思想；另一方面就是受限于數(shù)據(jù)挖掘者對工具的使用及數(shù)據(jù)的分析經(jīng)驗。譬如如何從紛繁復(fù)雜的數(shù)據(jù)中厘清數(shù)據(jù)間的關(guān)系，并從這些關(guān)系中聚合、衍生出對研究有意義的指標(biāo)[12]。Dunn 學(xué)習(xí)風(fēng)格理論認(rèn)為學(xué)習(xí)風(fēng)格的形成受多層面多種因素的影響(具體如表 2 所示)。故而本研究設(shè)計的調(diào)查問卷共有30 個問題，其中每一個要素成分對應(yīng)一或兩個問題，并且每一個問題有 A、B、C 三個選項(如表3所示)。

表2 學(xué)習(xí)風(fēng)格構(gòu)成要素

表3 學(xué)習(xí)風(fēng)格調(diào)查問卷

本研究的調(diào)查對象是H 師范大學(xué)教育技術(shù)學(xué)專業(yè)2016 年級在校本科生，共發(fā)放46 份調(diào)查問卷，回收問卷43 份，回收率為93.5%，其中有效問卷43 份，有效率為100%。

2.2 數(shù)據(jù)預(yù)處理

低質(zhì)量的數(shù)據(jù)將導(dǎo)致低質(zhì)量的挖掘結(jié)果，而現(xiàn)實中數(shù)據(jù)極易受到噪聲、缺失值和不一致數(shù)據(jù)的侵?jǐn)_，因此數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘必不可少的一個階段，其能提高數(shù)據(jù)質(zhì)量，從而提高挖掘的準(zhǔn)確率和效率。數(shù)據(jù)預(yù)處理主要有數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)歸約和數(shù)據(jù)變換四個步驟。數(shù)據(jù)預(yù)處理的每個步驟都有各自不同任務(wù)，本文結(jié)合了收集到的原始數(shù)據(jù)特點，對原始數(shù)據(jù)進行數(shù)據(jù)變換以及主成分分析。

(1)數(shù)據(jù)變換

表4 原始數(shù)據(jù)表

表5 數(shù)據(jù)變換后的數(shù)據(jù)表

從表 4 可知，每一個數(shù)據(jù)元組S 有30 個屬性，分別為 A1、A2、A3、……、A10、A29、A30，屬性 A取 值 的 集 合 為 {a,b，c} ， 即 是 Si=(A1，A2，A3，……，A10，A29，A30)，其中 i={1，2，3，4， ……，43}。換句話說，每一個調(diào)查問卷的問題A 有a、b、c 三個選項。由于聚類算法需要用到屬性 A 的值進行計算，但是a、b、c 為不是具體的值，無法滿足計算的要求，因此本文把集合{a，b，c}賦予具體的等差數(shù)列集合{1，2，3}，最后把原始數(shù)據(jù)表中數(shù)據(jù)值a、b、c 一一對應(yīng)變換成1、2、3，具體如表5 所示。

(2)主成分分析

主成分分析(PCA)就是試圖在力保數(shù)據(jù)信息丟失最少的原則下，對這種多變量的數(shù)據(jù)表進行最佳綜合簡化，也就是說，對高維變量空間進行降維處理，其基本過程是：①為了消除不同變量在數(shù)量級和量綱上的差異，將原始數(shù)據(jù)進行標(biāo)準(zhǔn)化處理；②求標(biāo)準(zhǔn)化數(shù)據(jù)矩陣的相關(guān)矩陣；③求相關(guān)矩陣的特征值和特征向量；④根據(jù)特征值計算方差貢獻率與累計方差貢獻率，根據(jù)前幾個主成分累計方差貢獻率大于 80%的原則，確定主成分 C1、C2……Cm；⑤構(gòu)建綜合評價函數(shù)；⑥根據(jù)綜合評價函數(shù)計算總得分，然后排序并評價。從圖1 可以看得，前10 個主成分的累積方差貢獻率所占的比重比較大，同時結(jié)合計算分析每個成分的特征值（如圖2 所示），發(fā)現(xiàn)前14 個成分累計方差貢獻率81%，因此原始數(shù)據(jù)可以進行維歸約為前 14 個主要成分，即 Si=(A1，A2，A3，……，

圖1 主成分分析碎石圖

A12，A13，A14)。這也進一步表明學(xué)習(xí)者得學(xué)習(xí)風(fēng)格主要受到環(huán)境、情感、社會這三個刺激層面的影響。

圖2 成分特征值

2.3 聚類結(jié)果分析

(1)用k-means聚類分析查看數(shù)據(jù)對象的區(qū)域分布

k 均值(k-means)聚類又稱為動態(tài)聚類，其計算的原理與方法都較為簡單。因為無需進行距離矩陣輸入。即首先根據(jù)分析進行聚類的分類個數(shù)(N)的指定，然后就可以隨機選擇N 個樣本作為初始中心，通過計算、分析各樣本與其類中心間的距離來進行歸類，將所有的樣本都按此方法進行計算分析歸類。最后再將此過程進行重復(fù)，直到類中心不同發(fā)生變化，趨于相對穩(wěn)定。由此觀之，k-means 聚類一個關(guān)鍵點是是確定聚類的分類個數(shù)N。

圖3 樣本熱圖

圖4 k-means 聚類效果圖

在本研究中，我們首先從數(shù)據(jù)中提取 10 個變量的樣本數(shù)值，進行其歐氏距離矩陣的要相關(guān)計算，然后根據(jù)其計算機結(jié)果可以對其進行矩陣熱圖的繪制(如圖3 所示)，從圖3 中可以看到顏色越深表示樣本間距離越近，大致上可以區(qū)分出四到五個區(qū)塊，即 N={4，5}。由于輪廓系數(shù)（silhouette coefficient）方法結(jié)合了凝聚度和分離度，因此可以以此來判斷聚類的優(yōu)良性，其值在-1 到+1 之間取值，值越大表示聚類效果越好。依據(jù)這個原理，本文用四個簇參量和五個簇參變量，反復(fù)計算在每個簇個數(shù)條件下的輪廓系數(shù)，當(dāng)輪廓系數(shù)取最大時，其相應(yīng)的簇個數(shù)是最好的。

表6 學(xué)習(xí)風(fēng)格調(diào)查問卷

經(jīng)過輪廓系數(shù)的計算，如表 6 所示，本文取N=4，也就是說把數(shù)據(jù)集分為四個子簇，為了進一步顯示聚類的效果，結(jié)合研究過程中的多維標(biāo)度和聚類的結(jié)果，先將數(shù)據(jù)用 MDS 進行降維，然后采用不同的形狀對原本的分類進行標(biāo)注，對聚類的結(jié)果也用不同的顏色來予以區(qū)分顯示(如圖 4 所示)。從圖4 可知，聚類結(jié)果很清晰，但是也可發(fā)現(xiàn)在簇1、3、4 上的有交集，這充分表明交集上的點所代表的學(xué)習(xí)者學(xué)習(xí)風(fēng)格具有多變性，也進一步說明這部分學(xué)習(xí)者的學(xué)習(xí)風(fēng)格更容易受到各種內(nèi)外因素影響。

(2)使用層次聚類對數(shù)據(jù)對象進行分組

層次聚類可以將數(shù)據(jù)對象組成層次結(jié)構(gòu)或簇的“樹”使得數(shù)據(jù)對象的隱藏部分特征顯化，如數(shù)據(jù)對象是小簇(該簇中所有數(shù)據(jù)對象可以視為離群點)。本研究利用層次聚類對數(shù)據(jù)對象進行分組，這對為一些學(xué)習(xí)者制定個性化的學(xué)習(xí)策略，以及優(yōu)化教師的教學(xué)策略，特別是課堂教學(xué)中小組合作學(xué)習(xí)的分組策略，有著重要的指導(dǎo)性意義。在課堂中開展小組合作學(xué)習(xí)時，教師往往需要根據(jù)不同的學(xué)習(xí)任務(wù)采取同質(zhì)分組策略和異質(zhì)分組策略進行分組[13]。同質(zhì)分組是異質(zhì)分組的基礎(chǔ)，而層次聚類能為同質(zhì)分組提供參考，故而在本文中，層次聚類把數(shù)據(jù)對象分成4 個簇，如圖5 所示，每個簇即是一個同質(zhì)的分組。但是，每個簇的大小不一致，所以我們又可以對大的簇(簇2、簇3、簇4)進行拆分小簇。質(zhì)言之，也就是可以將學(xué)習(xí)者較多的同質(zhì)學(xué)分組進行拆分。

圖5 層次聚類樹狀圖

Kolb 根據(jù)學(xué)習(xí)者對學(xué)習(xí)環(huán)節(jié)的偏愛程度認(rèn)為有四種主導(dǎo)的學(xué)習(xí)風(fēng)格類型，它們分別是：以抽象概括和主動實驗為主的聚合思維型，以具體經(jīng)驗和反思性觀察為主的發(fā)散思維型，以反思性觀察和抽象的概括為主的同化型和以主動的實驗和具體經(jīng)驗為主的順應(yīng)型[14]。因此，依據(jù)Kolb 學(xué)習(xí)風(fēng)格理論[14]，上述的 k-means 聚類和層次聚類把學(xué)習(xí)風(fēng)格數(shù)據(jù)對象分成四個簇，即分成四種類型的學(xué)習(xí)風(fēng)格小組，是合理的、科學(xué)的。

小 結(jié)

學(xué)習(xí)者的學(xué)習(xí)風(fēng)格受眾多因素的影響，而且各因素對其影響程度也存在明顯迥異，從而到使在選擇學(xué)習(xí)風(fēng)格分析量表時，存在很大程度的主觀性和隨意性?；诖耍狙芯吭谙惹把芯康幕A(chǔ)之上，結(jié)合數(shù)據(jù)挖掘中的聚類分析來展開對學(xué)習(xí)者學(xué)習(xí)風(fēng)格的分析與探討，并確定了影響學(xué)習(xí)者學(xué)習(xí)風(fēng)格的主要刺激層面因素，也間接地解決了當(dāng)下課堂教學(xué)中開展小組合作(協(xié)作)學(xué)習(xí)的分組隨意性等客觀現(xiàn)實問題。這不僅是對具體教育情境的直面回應(yīng)，更是展現(xiàn)大數(shù)據(jù)時代背景下信息技術(shù)與課堂教學(xué)有機融合的典型應(yīng)用。誠然，研究中還存在一些問題值得商榷，如數(shù)據(jù)來源單一、數(shù)據(jù)量較少以及聚類效率較低等研究問題，致使研究結(jié)果的普適性與成果推廣還需展開更深層次的思考。因此，在后續(xù)的研究中將會拓寬數(shù)據(jù)收集的渠道，并在數(shù)據(jù)分析手段上將采用高維度聚類算法提高聚類的質(zhì)量與水平。為實現(xiàn)更為有效地協(xié)作學(xué)習(xí)分組提供完善的數(shù)據(jù)支撐，進而為提升學(xué)習(xí)者協(xié)作學(xué)習(xí)體檢與感知奠定基礎(chǔ)，滿足學(xué)習(xí)者和教師的個性化需求，為打造優(yōu)質(zhì)協(xié)作學(xué)習(xí)分組策略提供支持。