基于SOM网络的远程教育教学行为分析模型

郭富强

（陕西广播电视大学资源建设与现代教育技术中心，陕西西安 710119）

0 引言

传统的综合分析以总体优劣判别教师，主要关注教师教学的综合排名，在评优、评职中使用较多。而分类分析则以教师的改进和提高为目的，深入到教学行为的微观层面，着眼于分析教师在教学过程中的行为和状态。通过行为分析提供的分析信息，一方面为教师的教学活动提供针对性的反馈与指导，使教师有目的的改善自己的不良教学行为，形成高质量的教学活动，提升教学水平。另一方面，对教师进行科学分类，掌握教师的特点、优点和不足，研究影响远程教学的因素，为制定科学的教学管理策略，优化教学支持服务，实施分类管理、个别化管理提供信息支持。

在远程教育中,承认和识别教师教学行为的差异，了解教师教学的行为特点,是做好教师管理的前提。理论上讲，不同教师应该使用不同的管理策略，但教师千差万别，把每一个个体都作为一类既没有必要，也没有可能。合理而可行的做法是，根据评价指标对教师进行科学分类，每类实行不同的管理和督导策略。

建立教学行为分析模型，需要解决教学行为有效聚类这个核心问题。由于远程教育教学的诸因素之间存在很强的非线性关系，选取常规变量的因子分析法和逐步回归法等多是建立在线性模型基础上的，不大适用复杂的聚类问题。自组织特征映射(SOM)模型具有自学习、自组织、自适应能力和强容错性的特点,能够自动寻找样本中的内在规律和本质属性，对大量的多维数据进行智能化的聚类分析,计算简单、快捷，分类结果可靠。

本文将SOM网络引入教学行为分析，结合分类管理思想、远程教育特点和实践，建立了远程教育教师的教学行为分析模型，并通过实例证实该模型的有效性。

1 将SOM用于教学行为研究的适用性分析

1.1 SOM网络

自组织特征映射网络（Self－Organizing FeatureMap，简称SOM）是由芬兰赫尔辛基大学神经网络专家科荷伦（Teuvo Kohonen）教授于1981年提出的一种自组织竞争神经网络。它仿照人类脑皮层对外界信号刺激的感知和处理分区进行的功能，对不同网络输入产生不同的响应，通过网络中神经元之间的相互竞争和交互作用，实现对大量多维数据的聚类。

SOM网络由输入层和竞争层组成的两层网络，竞争层同时作为网络的输出层。输入层各神经元通过权向量将外界信息汇集到输出层的各神经元，输出神经元之间存在侧抑制。输入层的节点接收数据的输入，输出层神经元一般排列为一维线阵、二维平面阵和三维栅格阵。网络学习采用kohonen算法。每输入一个向量，让竞争层来竟争对输入模式的响应机会，最后仅有一个神经元成为竞争的胜利者。这一获胜神经元的输出则代表对输入模式的分类[1]。

图1 远程教育教学行为分析模型

1.2 适用性分析

教学行为的量化记录是一个复杂的由诸多因素构成的多维数据。在多维模式空间，很多模式的分布具有复杂的结构，从数据观察很难发现其内在规律。SOM网络具有高维输入、低维输出的特点，当通过SOM网络将高维数据映射到低维输出空间后，其规律往往一目了然。因此引入SOM网络对教学行为进行分析聚类。

2 远程教育教师教学行为分析指标体系

指标体系依据远程教育的特点、教师在远程教育中的职责等因素来建立。

行走在龙口市七甲镇史家庄村1.9公里长、被群众称为“脱贫路”的崭新水泥路上，不时可见三三两两进山劳作的村民。“以前这段山路坑坑洼洼，水果采摘运输难，极易损伤。现在道路硬化了，群众生产劳作方便多了。”史家庄村村民史信功高兴地说。今年以来，龙口市人大常委会机关以“包村联户推进脱贫攻坚，精准扶贫助力乡村振兴”为工作思路，强化组织领导，明确任务目标，通过选派“第一书记”、加强村级基础设施建设、因户制宜精准帮扶等措施，实现了所包村村级收入有增加、群众生活有改善、村容村貌有变化，取得了较好工作成效。

2.1 远程教育的特点

在教学理念上，坚持以学生为中心，通过系统有效的学习支持服务，满足学生自主学习、主动学习、个别化学习的要求，培养学生的学习能力和解决问题的能力。在教学手段上，主要通过多媒体网络承载和传递课程内容，建立师生的交互关系，提供学习支持服务，实施教学管理。同时辅之以面授辅导等传统方式。在教学方式上，以“导”为主，以“教”为辅，以网上教学为主，以面授辅导为辅，充分发挥网络教学平台和教学资源的优势，构建创设尊重、平等、轻松、活泼的学习环境，激励学生积极思考，加强对学习的指导、检查和督促，了解学生的需求，解决学习中遇到的困难。在师生关系上，学习者在虚拟化的教育环境里听课、参加讨论、完成作业和参加考试。教师的权威性弱化，教师不再是知识的传播者，而是促进学生的学习，环境的创设者，思考的激发者，意见的交换者，资信的提供者，问题的发现者，讨论的参与者。

2.2 教学行为分析指标

根据以上分析，远程教育教师教学行为分析指标体系包括学习组织、教学任务、教学方式和学习支持四个一级指标，以及15个二级指标。每项指标的内涵、考察重点详见表1。数据来源主要有四个方面：教学平台在教学过程中自动记录的有关网上教学的数据；同行教师评价；督导专家的评价；通过网络对学生进行专门调查得到的数据。

3 分析模型的结构

远程教育教学行为分析模型分为教学行为分析和督导策略生成两大部分。教学行为分析器是模型的核心部分，主要组成是SOM网络。见图1。

模型有两种运行状态，即训练状态和工作状态。在训练状态，先后输入训练样本和测试样本，完成教学行为聚类分析，生成教师分类库，并在专家的参与下，完成各类教师的管理策略分析，形成督导策略库。在工作状态，输入待分析数据，完成对待分析对象的类型识别，并生成相应的督导策略。

4 实例及分析

4.1 样本设计

数据的内在关系越复杂，样本中含的噪声越大，为了保证一定的分类精度所需要的样本数就越多。规律蕴藏在样本中，因此样本一定要有代表性，样本的选择要注意样本类别的均衡，尽量使每个类别的样本数量大致当等。即使是同一类样本也要注意样本的多样性与均匀性。不同类别的样本交叉输入。

样本筛选自2012年秋陕西广播电视大学开放教育学院远程开放教育计算机科学与技术专业的任课教师的教学调查数据。见表2。样本数据共20组，其中前15组作为MOS网络的训练样本，后5组作为测试样本。

?

4.2 SOM网络的结构设计

从表2可以看出，样本是15维数据，因此输入层节点数15。结构设计的主要任务是确定竞争层神经元的数量。原则上该层节点数与训练样本包含的模式数有关，如果节点数少于模式数，则不足以区分全部模式，训练的结果势必将相近的模式合并为一类。根据实际分析，样本中包含的模式不超过6个，因此网络竞争层神经元的组织结构为2×3的二维平面阵。模型通过MATLAB进行设计、调试、仿真，其中距离函数为linkdist，网络的初始权值设为0.5，

?

经反复试探，训练步数设为600。

4.3 模型的训练和测试

网络创建后，输入训练样本对网络进行学习训练。训练结果将教学行为分为1、2、3、4、5等5类，并分别对应5、1、3、2、4号神经元。6号神经元与任何输入模式没有对应，称为盲点，在工作时不能被激发。训练结束后，网络权值固定，以后每输入一个值，网络就会自动激发对应的神经元，对其进行分类。聚类结果、测试结果分别见表3、表4。

?

?

4.4 结果分析

聚类结果的分析是模型应用的关键环节。为便于应用，根据每种类型的特点，将其分别命名为随机型、勤奋型、计划型、创新型、技术型。并分析了每种类型的优点和不足。

1 类随机型：善于尝试新的教学方法，易于与学生沟通，不墨守成规。但计划性差,自我控制能力不强,教学时间没有保证，教学任务完成较差；教学改革缺乏持续精神。18、20号样本即属此类。应督促教师加强教学的计划性和责任心，加强教学的督促、检查和提醒，培养其扎实、负责、服务的精神。

2 类勤奋型：责任意识强，对自己要求严格，热爱教学，善于思考，教学准备充分，教学任务完成较好。但缺乏沟通交流意识和技能，对网上教学、协作学习重视不够，多媒体教学资源应用不足，教学效率不高。

3 类计划型：教学的计划性强，教学过程完整，遵守教学规范，自我控制能力强。但过多注意学习环节的完整和教学任务的完成，教学方法单一，缺少特色，对教学质量关注不够。16号样本即属此类。应指导教师以学生的发展为教学的出发点，树立质量意识、创新意识和品牌意识，大胆探索适合自己的教学方法，塑造优良教学风格。

4 类创新型：重视教学的一体化设计，善于探索和总结通过多种方式和资源进行教学，形成了自己的教学风格，教学能力强，效率好，质量高。但往往教学的计划性较弱，自我检查和反思较少，不重视面授辅导。17号样本即属此类。

5 类技术型：重视网络技术、多媒体技术、数字教学资源的运用；主要通过网上讨论、多媒体课件等进行教学；善于利用教学平台的课程讨论区、QQ、电子邮件、微博等进行交流。但过多依赖技术和媒体资源，面授辅导较少；对学生的学习心理关注不足，教学的系统性不强。19号样本即属此类。应指导教师正确认识技术的特点和不足，将教学目标、内容和策略与娴熟的技术结合起来；重视面授辅导；注意教师个人素质和魅力对教学的影响。

5 结语

本文基于SOM和分类管理的思想，建立了远程教育教学行为分析模型，并以陕西电大为实例进行了测试，结果表明，该模型能够较好的实现教学行为分析。但也存在不足，一是表征教学行为的指标体系进行了一定简化，本模型只是从可以测量到的行为入手，挖掘不同的教学行为模式，还不是一个“完全”的分析模型。二是模型分类的精确程度与采集数据的完备性有直接关系，训练数据如果没有包含所有的“类”，则分类的可靠性不高，而测试数据的采集和选择对模型的使用人员有较高要求。三是模型结果的运用需要使用者有较高的理论水平和丰富的经验，特别是要熟悉远程教育的教学管理。

[1]杨黎刚，苏宏.基于SOM聚类的数据挖掘方法及其应用研究[J].计算机工程与科学，2007.

[2]王斌.试论现代远程教育中教师的地位和作用[J].中国成人教育,2011(1):50-52.