网络学习中群组方法的研究①

马艳春 张翠荣 方 静

(华北科技学院现代教育技术中心，北京东燕郊101601)

网络学习中群组方法的研究①

马艳春②张翠荣 方 静

(华北科技学院现代教育技术中心，北京东燕郊101601)

本文基于数据挖掘技术，组建高效群组，采用一个能够监测群组成员间交流情况的系统使学员之间的交流更加便利，以帮助教师们改进网络群组学习。实验观察结果与数据证明了此理论是有效与可行的。

群组学习;网络学习;数据挖掘

1 简介

近年来，计算机教学及互联网的应用提高了群组学习的成效。虽然在群组学习方面已经有大量的研究成果，但在应用互联网进行网络学习的背景下，却忽视了网络学习中一个非常实际却又相当关键的方面——如何在最短的时间内组建高效互动的群组，以实现学员与学员之间，学员与指导老师之间的交流。这个既实际又关键的问题对群组生态学有重大意义。在现代高等教育课程中，随着互联网群组学习越来越受欢迎，指导老师们迫切希望能够找到一种有效的方法来组建高效互动的网络学习群组。

本文提出了一种方法，通过应用一些基于数据挖掘技术的规则，帮助指导老师们组建高效互动的网络学习群组。通过使用我们开发的分组方法与监测系统，指导老师们能够有效地组建高效互动群组，而且它还能使互联网上群组互动过程更加便利。系统的总设计如图1所示。

图1 系统总设计图

2 从高效互动群组中挖掘数据

为了完成群组目标，群组成员之间进行的信息交流是其与同伴所进行的最重要的活动。经许多研究发现，群组成员之间之所以能够进行精确频繁的互动交流，是由于群组成员特点的合理搭配，这既包括群组内部的搭配也包括群组之间的搭配。如果我们能够确定在群组内部选择高效互动群组成员的规则，那么应用这些规则就能够确保群组在网络学习中进行互动交流。

2.1 选择特点

很多实际研究表明，成功的群组总是由群组成员特点的合理搭配而形成的。Ellis和 Fisher(1994)发现个人的特点会影响到群组成员学习过程中交流的模式，当群组成员们要组建一个有组织的群组的时候，像个性特点这样的人为因素是他们要考虑的一个重要因素。根据以前的文献资料和目前特殊的网络学习背景，我们确定了四个特点以进一步研究高效互动与高满意度的群组，它们分别是:学习时段、地区、年龄和价值观类型。这四个特点是从在2011年春参加网络课程学习的415名学员中归纳出来的，其资料来源于数据库记录和关于这14周课程的问卷调查。这415名学员以每五人组成一个小组的方式组建学习群组。他们中有些是自己分组，有些则不是。

2.1.1 学习时段

我们发现，参加网络课程学习的学员们都有自己最喜欢的学习时段，在特定的时段彼此进行互动并安排同一时间获取信息，这意味着他们偏爱特定的学习时段并遵循群组的准则。我们对学员在网络课程中的登录时间做了跟踪记录，结果发现有三段时间学员们的登录较为频繁:工作日在8∶00-11∶00 AM，周末在9∶00-12∶00 AM 和2∶00-5∶00 PM。大多数学员都喜欢在这几段时间进行交流。

2.1.2 地域

在非同步网络学习环境中，来自不同地区的人有不同的风俗习惯，不同的文化和不同的认知模式，因此，在选择组成社会网络群组的搭档时也会有特别的偏好。这些可能会影响到来自不同地区小组成员之间的互动性及互相认可的程度。从过去参加网络课程分组学员的经验得知，学员会把地区差异视为电子学习中互动合作的一个重要考虑因素。鉴于此，我们的分组系统对415名学员进行检测，结果发现，这些学员形成了四个典型的地理区域特征，包括北方、南方、东部和中部。

2.1.3 年龄

不同年代出生的人在态度、生活方式和经济利益上存在差异。在同等条件下，不同年龄层段成员之间能进行更为持久的合作，因而改善不同年龄层段成员之间的认知。通过对参加上述网络课程的415名学员年龄的统计数据进行分析，把5年作为一个分段区间，我们把他们的年龄分为六个组:23-27岁(25岁组)，28-32岁(30岁组)，33-37岁(35岁组)，38-42岁(40岁组)，43-47岁(45岁组)和48-52岁(50岁组)。

2.1.4 价值观类型

最后一个很重要的特点是价值观，它可以把参加网络课程学习的学员分成许多高效互动小组，选择价值观这一特点是建立在相对性上，而不是绝对性上。因为价值观是个中性词，不会导致所谓好坏群组的比较。我们以Allport’s《价值观的研究》为基础做了一个问卷调查，我们已经成功地把每个调查对象列入六种价值观类型(理论型、经济型、美学型、社会型、政治型和宗教型)

2.2 学习小组的特性

每个网络课程学习小组有5名学员，根据2.1中描述的四种特性对学员进行观察。我们希望高效互动小组成员有相似的特性模式，于是把每五个特性接近的学员安排到一个小组。

表1 网络学习小组的3种互动水平

3 采用集群技术分组

数据集群的主要方法是根据最为相似的特性给数据分组，然后再来区别更相似和特性差异更小的数据。在网络学习的背景下，集群算法可以很容易被用来设计一个系统的分组方法。假如，用信息单元n(也就是学员们)来表示他们各自的层性矢量{X1，X2，X3….Xn}。每个矢量包含有一个学员的层性值。例如，第j个信息单元是一个年龄35岁，在9:00-12:00 am上课，家住北部地区并且抱有经济价值观的学员，其相应的层性矢量Xj=《上课时间，居住地，年龄，价值观》就具体为《9:00-12:00 am，北部，35岁，经济型》。研究表明，信息单元X1与X2之间的几何距离可以用来测算他们之间的差别。使Ci为群i的平均矢量。如果X与Ci之间的距离最小就说明信息单元X包含在群i中。我们在此项研究中的采用的算法改进了距离最近分组方法，而这种方法在统计学中是不公正的分析和分类方法。横测标准采用近似函数计算，且搜集最新数据进行集群，此项研究中的一个必要条件是群组成员学员应保持更合适的数量组成群组。因此，我们在算法中加入了一项调节机制以保证理想的群组成员的大小和差别最小的计算结果。我们的算法如下:

1.从几个组的每个组中的单个信息单元开始

2.找到与之最相似的组然后把他们加入到这一组中

3.重复步骤2直到总组数为1，这样就得到了层次聚类树

4.根据这个在第三步中得到的层次聚类树，以自下而上的顺序分组成员，每个群组成员4到6个信息单元。

4 集群分组技术的实例研究

4.1 课程背景

我们使用我们的集群算法进行试验以证明我们的研究在实际教学环境下有效。我们征求了指导老师和学员的意愿，选择了一个网络课程进行我们的实验。在2011年秋有202名学员开始了这门持续14个周的网络课程的学习。所有的学员被分成了两种不同的群组成员——一是根据我们的集群算法组成的，以下称为“系统”群组(SG)，另一个是随机组成的，以下称为“随机”群组(RG)。这两组都为可控样本。所有的群组成员都有相同的任务，每周都布置相同的作业。每一组都不得不通过网络教学(WBI)系统下的聊天室进行讨论与合作来解决难题。

学员们在网上有三周的互相熟悉时间，然后在第4周开始，他们或根据集群算法或随机组建群组。学员们在前三周对WBI系统进行熟悉并且自由进行社会交流和网络交流。从第四周开始，每周分派任务，并要求所有学员进行讨论。所有学员在第九周完成其群组任务并在第十周提交他们的作业。在第十周，指导老师对每周的作业进行批改，并且将其与交上来的群组成员一一对应。为了完成相同的群组任务，所有的学员有六个周的时间进行交流互动与共同合作。为了证实学员们的学习效果，我们向每个学员寄送了一份满意度问卷调查，并要求他们与群组任务一起交上来。

4.2 集群分组

我们选择了100名学员作为我们的实验对象，同时将他们依据我们的集群算法组建成20个系统群组成员并且在整个网络学习过程中对他们进行监测，另外的102名学员以随机方式组成20个群组，而我们也不对其在网上的学习过程进行监测。在用集群算法把选作实验的100名学员进行分组前，2.4部分里提到的四个特性——上课时间，居住地，年龄和价值观——已经被转译为编码加入算法中。各个特性的编码及描述就如在2.1部分所描述的那样经过了精确地设计。所有的编码数据通过远程的群组特性模拟，采用集群算法进行计算。我们仔细的对这100名采用我们算法来分组的学员进行了分组。并把采用我们的集群算法所产生的系统群组成员的详细构成列于图2的表2中。

图2 通过集群方法创建的20个小组

表2 通过集群算法组成的群组成员

5 研究结果

为了证实我们提供的分组和互动的便利方法的有效性，我们采访指导老师和学员并对问卷调查和互动监测的数据进行统计分析。因为问卷调查表的结果要和小组任务的结果一块收回，所以答复率是100%，其中有四十个是有效问卷。问卷调查表是根据Gladstein(1984)设计的，主要是调查小组的满意程度。我们设计了三个项目并通过里克特7个等级对小组的满意程度进行调查(比如，1=强烈反对，7=坚决同意)分析完所有这些问卷调查以后，系统小组信度系数Cronbach-α值为0.9429，随机群组的信度系数Cronbach-α值为0.9238，远远超过推荐的可靠标准0.7。这个结果说明我们的问卷调查是非常可靠的。具体的统计数字如表3所示。

表3 小组满意程度的描述性统计数字

根据表3，随机群组的满意程度比系统群组的满意程度低，为了判断随机群组的满意程度是否与系统群组的满意程度有显著的不同，我们采用了单因素方差分析来测试差异的程度及F值，如表4。

通过表4可以看出，在学习过程中，系统分组学员的满意程度比随机群组学员的满意程度高的多，高了0.05(p* =0.001)。

表4 单向性满意程方差表

为了测试系统群组和随机群组在网络教学系统中使用时间的差异性，我们使用单因素方差分析测试其重要性和F值，如表5。从表5可以看出，系统群组中学员进行讨论的频率远比随机群组的高，高出的值为0.05(p* =0.000)。在互动过程中，指导老师有选择性的进行干预进一步激励随机群组的学员在网络教学系统中进行讨论，老师的干预让学员变得越来越积极，也更加愿意讨论。

表5 单向性使用时间方差表

从以上可以看出，无论是在小组满意程度还是在网络教学系统的使用时间上，通过集群算法形成的群组整体上比随机形成是的群组表现要好的多。

6 总结

本文提出了网络学习中基于数据挖掘技术的群组划分方法，根据学习时段、地域、年龄和价值观来进行分组，设计了基于该方法的系统，并通过课程实践进行了验证。事实证明，根据这种分组方法建立并接受互动监视器监测的小组在所有方面都表现的要好的多，比如满意程度，系统的使用，互动的成功率和互动的内容等。

将来在该课题的研究将主要集中在两个方向，一是探索出更多的规则来对群组进行划分，这样可以使得有些信息不易取得的情况下也能有效地划分群组;二是群组的快速重构，当群组被划分之后，如果某些群组效果不理想，系统应该有较快的发现问题并重构群组的能力。

［1］ 刘均，李人厚，郑庆华.网络学习中学习个性挖掘方法的研究［J］.西安交通大学学报，2004，38(6)

［2］ 刘儒德，江涛.学习者特征对网络学习的影响［J］. 中国电话教育，2004，(6)

［3］ 李书明，田俊.网络学习中个性化学习服务策略研究［J］.中国电话教育，2011，(6)

A Study to Promote Group Learning in E-learning

MA Yanchun，ZHANG Cuirong，FANG 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。

马艳春(1979-)，男，内蒙古通辽奈曼旗人，硕士，华北科技学院现代教育中心讲师。