面向社交关系的学习小组划分策略研究

杨桂松， 李燕婷， 何杏宇

（上海理工大学a.光电信息与计算机工程学院；b.出版印刷与艺术设计学院，上海200093）

0 引 言

课堂教育是长久以来主要的教学组织形式，传统的课堂教育模式是由教师进行讲授，将知识传授给学生，这种单向授课方式的弊端主要在于容易导致学生缺乏主动、合作、探究的意识和能力。研究发现学习小组中产生的集体智慧可以有效地促进学生对知识的掌握情况［1］。因此，为了充分利用集体智慧在教学中的优势，学习小组被越来越多的学校引入教育模式中，通过将学生划分为小组，使同学们分工合作，最终达到互利共赢的目的。小组合作促使目前的课堂由单一师生互动转向师生和学生间的交互活动，强调了学生学习主体地位的发挥，有利于提高学习效率并养成学生的合作交往能力［2］。此外，小组合作为学生提供更多实践机会的同时可以增强学生交流-交互-沟通的能力。

然而，学习小组的组建过程中面临着一系列问题，比如，如何进行高效的分组，才能体现分组的价值，真正地提高教学质量等。早期工作通常关注学生的个人特征。如根据组内成员之间个人特征的相似度划分得到的异质分组策略和同质分组策略，以及将异质分组策略和同质分组策略相结合的混合分组策略等。

此外，社交关系是指人与人之间交际产生的关系，是人类社会中不可缺少的组成部分。良好的社交关系可以引导社交主体双方相互促进，共同进步。而处于青少年时期的学生，通常思维活跃，感情丰富，更容易受到社交关系的影响。社交关系融洽的学生之间的合作更容易激发学生们的积极性及主观能动性，互相帮助，取长补短，从而极大提高学习效率。

社交关系对于小组学习的促进作用可以从以下3个层面进行考量［3］。

（1）认知层面。凯斯利的交互理论指出，社交在学习者进行知识获取和知识共享的过程中非常重要［4］。通过小组中学生之间对同一问题的不同看法的相互交流，可以加深学生的理解，从而增强学生对于知识的多层次掌控能力。

（2）心理层面。人本身具有交往的需求，社交在帮助学生获取信息的同时也能增强学生自身的归属感，从而提升学生参与合作学习的积极性。

（3）社会行为层面。小组内融洽的合作氛围对学生社会能力的发展具有促进作用，也有助于发展学生相互沟通的能力及竞争与合作的能力。

总之，社交关系在学生的学习生活中的影响不容小觑。

然而以往的分组策略通常不考虑社交关系的因素，使用这些策略进行小组划分很容易将关系不够融洽甚至有矛盾的学生划分为1组。这会导致组内学生之间相互合作的意愿降低，不仅不利于学生的合作学习，达不到提升学习效率的预期目标，还有可能导致组内学生间矛盾的进一步激化。因此，为避免出现这种情况，本文将社交关系的因素纳入分组时考虑的因素范畴，提出一种面向社交关系的分组策略，目的在于进一步提升分组质量。

基于提出的分组策略，如何将这些策略应用于现实的教学环境中又成为了亟待解决的问题。传统的教育模式中通常是由老师依据分组策略的原则对学生进行分组，然而这种做法耗费精力的同时难以保证分组的客观性。近年来，随着互联网技术的快速发展，各行各业都开始尝试与大数据技术结合，以提升服务质量，教育行业也不例外。为适应“互联网+”的新环境，教育部门及高校开始着力发展探索基于互联网的教育服务新模式和信息时代教育治理新模式［5］。大数据技术的发展也使得挖掘教育数据背后隐含的信息从而有针对性地提升教学质量成为可能。

研究发现，大数据技术中的聚类算法与分组的思想相似，并且聚类算法具有容易实现，便于更新，更加客观的优点。因此，早期工作开始将聚类算法用于小组划分的实现，从而在提高分组效率的同时有效提升分组的客观性。

基于以上背景，提出一种面向社交关系的学习小组划分策略，使用大数据技术，在现有分组策略的基础上，将社交关系的因素纳入分组要考虑的因素范畴，即在满足现有分组策略的基础上将社交关系更密切的学生划分为1组，从而在实现分组策略优势的同时增强学生在小组协作中的积极性，最终提升小组合作的效率。

1 分组策略概况

近年来，一系列分组策略被提出。根据划分小组的依据不同大致可将现有的分组策略分为随机分组、异质分组、同质分组、混合分组几种（见表1）。

表1 常见的分组策略

（1）随机分组策略。是指随机聚合4～6个人为1组，常见的随机分组的形式有将班级中前后桌几个人划分为1个小组。一般来说，随机分组的策略可以极大地节省分组时间，但该策略不针对学生的具体特征，缺乏科学依据，既不能保证小组内成员之间的和谐，也不能保证小组间竞争力的均衡。该分组策略常用于课堂上的即时讨论，很少作为固定小组划分策略。

（2）异质分组策略。遵循“组内相异，组间相似”的原则。其中组内相异是指同一小组内的成员在学习成绩、思维方式、性别等方面存在差异，具有一定的互补性。组间相似是指各小组之间的成员分布情况大致均衡，从而在满足公平分组的原则下充分发挥学生的主观能动性，提高小组之间的竞争力。刘东［6］在普通高校篮球专项教学中进行了异质分组合作教学组织形式和常规教学组织形式的实验研究。证明了在异质分组合作教学组织形式下学生可以获得较强的内部动机水平。另外有研究者探讨了异质分组教学模式在大学健美操教学中的应用，研究表明异质分组教学模式在培养学生健美操的动作技能、动作配合、创编能力、团队协作能力等方面明显优于传统的教学模式［7］。

（3）同质分组策略。然而，研究发现，异质小组有时并不能保证全部学生都积极参与，以至于合作学习中出现“边缘学生”。这是由于部分成绩较差学生在小组讨论问题时不能跟上其他学生的进度，从而更加被落在后边。为避免“边缘学生”的出现，学者们又提出了同质分组的策略。同质分组是指将知识基础、性格特征、兴趣爱好等相似的学生分到同一个小组中，相互促进，共同进步。刘文阁等［8］通过教学实践过程中的实验研究，初步证明了同质分组的可行性。肖子一［9］研究了同质分组在教学上的作用，经统计得出，结合同质分组教学能更好地完善教学技能和技术水平。但是同质分组的缺点在于容易导致小组间竞争力的显著不平衡。

（4）混合分组策略。为综合考虑异质分组及同质分组的优势，学者们引入了混合分组的策略。罗凌等［10］提出了基于模糊C均值的在线协作学习混合分组算法，该算法将异质和同质分组相结合，既保证了学习风格、知识水平、学习目标和兴趣爱好具有相似性的学习者划分到同一组，同时考虑到了活跃度和性别差异对学习效果的影响，使得小组划分更加合理。还有学者提出为避免单一化、固定化所带来的负面影响，课堂教学中的合作学习应该根据教学的具体需要，定期轮换小组组织形式，同质、异质小组交替运用，发挥各自的优点［11］。

前面几种分组策略的一个共同缺点在于他们都是以学生的被动接受为前提，而没有充分考虑学生的个性化学习特点，从而无法满足学生个性化成长的要求。基于此，移动协作学习的个性化分组策略被提出，首先以学生的学习需求为依托，通过分析设计形成学习目标，然后形成协作任务，再通过移动学习平台发布学习目标，形成学习小组雏形，经过多次迭代，最终形成协作学习小组［12］。

具体的分组实现方面。在“互联网+教育”的背景下，大数据技术开始被广泛用于教学过程中进行现实教学环境中学习小组的划分以提升教学质量。例如针对协作学习异质群组构建的原则和多目标优化等问题，一种改进的密度聚类算法被提出，从而实现异质分组［13］。还有学者利用改进的K-Means聚类算法结合梯度选择提出了基于学生特征聚类的网络协作学习分组算法，从而提高异质分组的质量［14］。

现有的分组策略均有其自身的优势，然而，通过调查可以发现这些分组策略都只考虑学生的个人特征如学习成绩、思维方式、性别等方面，研究表明，社交关系也会对学生的合作学习产生较大的影响，在多个合作任务场景中，人们更愿意与值得信赖的朋友合作，特别是当人们被要求与合作者进行信息交互时。然而，目前尚未有文献在划分学习小组时考虑社交关系的影响。因此，本文提出一种同时考虑学生的个人特征和社交关系的学习小组划分策略，使用大数据技术在现有分组策略的基础上，将社交关系的因素纳入分组要考虑的因素范畴，最终达到提升分组效果的目的。

2 研究设计

2.1 研究问题

基于以上研究现状，本研究提出以下研究问题：

（1）如何将社交关系的因素加入划分学习小组的考虑范畴。

（2）如何根据考虑社交关系之后的分组策略进行现实教学环境中的学习小组划分。

2.2 研究方法

本研究先使用问卷调查法收集学生的社会性交互动机、行为和影响等数据，并构建出学生之间的社交关系网络。对于划分好的小组间的社交关系质量，本研究同样使用问卷调查法进行数据收集以便后续对于分组效果的评估，问卷中的问题采用互动三维度模型，包括协作意愿、协作过程与协作目标。“协作意愿”用于表示小组内学生在解决问题时的合作倾向；“协作过程”指能够让所有成员都做出贡献的潜在互惠关系，强调个体间相互影响和每个成员对任务的贡献；“协作目标”指组内成员对于问题的解决情况［15］。基于该模型，本研究抽取了10个问题加入到调查问卷中以研究学生参加小组合作学习的积极性，如表2所示。每个问题有“从不、偶尔、经常、总是”4个选项，对问卷调查得到的结果计算其均值，以表示各问题角度下学生的表现情况。

表2 调查问卷表

3 基于大数据和社交关系的学习小组划分策略

现有的几种分组策略中，由于随机分组不针对学生的具体特征，随机将学生划分为小组的形式，不能达到分组真正要实现的预期目标，因此在本文提出的分组策略中不考虑随机分组，而分别在异质分组及同质分组中加入社交网络的因素。同时，借助大数据技术实现分组策略，进一步提高分组质量。

3.1 面向社交关系的异质分组策略

面向社交关系的异质分组策略是指在遵循异质分组“组内相异，组间相似”的原则的情况下将社交关系上更密切的学生划分在同一小组，从而使得组内成员不仅满足异质分组的特征互补原则，同时关系更加密切。关系融洽的小组内的合作更容易保证组内成员的积极参与和相互帮扶，继而有效避免异质分组合作学习中“边缘学生”的出现。因此，面向社交关系的异质分组策略可以在满足现有异质分组策略优势的情况下有效规避现有异质分组的不足，从而提升分组质量。

使用面向社交关系的异质分组策略划分学习小组的模型可以分为数据预处理、聚类、分组3个模块。初始学生数据经过数据预处理模块可以得到处理后的学生信息，作为聚类的输入，经过聚类之后形成簇。为满足异质分组“组内相异，组间相似”的原则，基于聚类形成的簇在考虑社交关系的情况下从每个簇中抓取1个学生从而构建出最终的面向社交关系的异质学习小组。

（1）数据预处理。该分组策略将学习成绩、性别、性格、兴趣爱好等因素作为衡量学生特征的指标。其中，学习成绩取值范围为［0，100］，性别取值为｛男，女｝，并且根据《性格解析》作者弗洛伦斯·妮蒂雅［16］对性格的分类，将性格分为4种基本类型：活泼型、完美型、力量型及和平型，并将这几种性格类型分别记为｛1，2，3，4｝，以便后续对数据进行分析；将学生的主要兴趣爱好归纳为：｛体育，电影，读书，音乐，旅游｝这5个兴趣项，分别记为｛1，2，3，4，5｝。通过对学生的信息进行整理，每个学习对象可以通过｛姓名，成绩，性别，性格，兴趣爱好｝表示。

（2）聚类。聚类算法中，DBSCAN算法无法预先指定需要聚类的簇的数目，因此通过DBSCAN算法得到的异质小组不能达到预期的分组效果。而K-Means算法可以预先指定需要划分的簇数，且更容易实现。因此，本模型使用K-Means算法作为聚类算法。KMeans算法可以把数据分成不同的簇，使得簇与簇之间的相似度尽可能低，而簇内数据之间相似度尽可能高［17］。

为减轻K-Means算法中初始聚类中心的选取可能会对聚类结果产生的影响，选择初始邻域密度最高的k个点作为算法的初始聚类中心。经过迭代，K-Means算法将原始数据点聚成k个簇，这k个簇满足簇内相似度较高而簇间相似度较低的原则。图1所示为KMeans算法的原理及将数据聚为两类时的流程演示。

图1 K-Means算法的原理与流程

（3）分组。区别于现有异质分组策略重复不放回的从聚类结果得到的k个簇中随机选取一个节点形成多个小组，从而使得每个小组包括k个节点的做法，模型中加入了社交关系的因素。具体做法为，首先根据问卷调查等方法，将学生之间的社交关系显式刻画为社交关系网，其中，各结点表示学生，结点之间的连线表示社交关系，连线上的值（0～1）表示社交亲密度，即学生之间社交关系的密切程度。图2所示为5个学生的社交关系网的示例。

图2 5个学生的社交关系网

已知所有学生的社交关系网之后，基于聚类模块生成的k个簇，可以重新构建社交关系图。新的社交关系图只考虑K-Means算法形成的簇间成员的社交关系，即将社交关系网中相邻簇的成员之间的社交关系提取出来形成新的社交关系图。

针对新的社交关系图进行分组，每次从簇内样本数最多的簇中的结点出发，依据深度优先遍历的规则，依次从下一簇中选取一个结点形成路径，选择总权重最大的路径中的结点形成1组。重复上述过程直至分好的小组数达到需要的组数阈值。由于聚类得到的簇中样本数可能不相等，从而导致某些组人数不足的情况，此时需从剩余未分组的学生中挑选与现有组内各成员社交权重总和最大的学生归入小组，直至不存在未分组的学生。从而使得最终的分组结果既满足异质分组策略的“组内相异，组间相似”的原则，又可以满足社交关系对分组的影响。

图3所示为面向社交关系的异质分组流程图。

图3 面向社交关系的异质分组流程图

具体算法步骤为：

步骤1对原始学生数据进行数据预处理。

步骤2对预处理后的学生数据进行聚类，形成k个不相交的由学生组成的簇。

步骤3找出包含学生数目最多的簇，从该簇中随机选取1个未分组的学生，根据社交亲密度依次从下一个簇中选取1个与该组内学生的社交亲密度总和最大的学生，加入该组。

步骤4判断小组数是否达到给定阈值，如果是，执行步骤5，否则，重复步骤3。

步骤5判断是否存在组员数目不足给定值的簇。若有，从剩余未分组的学生中挑选1个与现有组内成员社交亲密度权重总和最大的学生归入该组。

步骤6重复步骤5直至各小组组员数目均不小于组员数目的阈值。

3.2 面向社交关系的同质分组策略

与异质分组不同，同质分组是指将知识基础、性格特征、兴趣爱好等特征相似的学生分到同一个小组中，相互促进。同质分组可以使得各方面差异不大的学生相互帮助，各尽己力，从而提升小组整体水平。面向社交关系的同质分组策略不仅需要满足组内相似的原则，还要使组内成员之间的社交关系尽可能紧密，从而在实现同质分组优势的同时提升组内学生参与合作学习的积极性，提升分组后的教学质量。

使用面向社交关系的同质分组策略划分学习小组的模型主要包括数据预处理及聚类两大模块。其中，数据预处理模块与上节中的数据预处理相同。而本节的聚类特征除考虑学生的个人特征如学习成绩、性别、性格、兴趣爱好等，还将学生的社交特征考虑在内。

同样使用K-Means算法对这些特征进行聚类，聚类得到的簇满足同质分组“组内相似，组间相异”的原则。考虑到聚类后簇内包含样本点数量可能不等的情况，若聚类后形成的小组中存在组员数未达到阈值的情况，则先将各小组按照其包含的组员数由大至小排列，从第1个小组中选取1个与最后1个小组内所有学生社交特征余弦相似性总和最大的学生，并将其归入最后一组。重复这一过程直至各小组中组员数均超过其阈值。

图4所示为面向社交关系的同质分组流程图。具体算法步骤为：

图4 面向社交关系的同质分组流程图

步骤1对原始学生数据进行数据预处理。

步骤2基于已经处理后的学生数据，进行聚类。

步骤3判断各组内学生数是否不低于给定阈值，如果是，程序结束；否则，重复步骤4。

步骤4选择学生数目低于给定阈值的小组，从学生数目大于给定值的小组中选取与该组内学生的社交亲密度总和大的学生加入该组。

4 结果与分析

为了对所提出的分组策略进行验证，本研究使用python语言对40个学生的样本数据进行了试验。以面向社交关系的异质分组为例，目的是将40个学生分成不相交的5个小组。

首先使用K-Means进行聚类，得到如图5所示的结果。8个簇分别为：

图5 聚类结果图（灰色表示所有学生均未分组）

接着从学生数最多的簇Ⅶ中随机选取1个学生例如17加入第1组，从由40个学生组成的社交关系网中提取簇Ⅰ和簇Ⅶ的社交关系图，从簇Ⅰ中选取社交亲密度最高的29加入红色组。再从簇Ⅱ中选取与红色组中学生17、29社交亲密度总和最大的学生6加入红色组。以此类推，从剩余5簇中各选取1个学生加入红色组。

重复上述过程，直到初步形成5个小组，如图6所示，分别为：［｛17，29，6，5，20，28，11，32｝，｛18，27，1，13，15，36，7，33｝，｛19，30，9，2，26，12，37｝，｛21，39，4，16，3，40｝，｛22，34，8，31｝］。各小组中成员数量分别为8，8，7，6，4。未分组的学生有［10，14，23，24，25，35，38］。

图6 初步分组结果图（相同颜色表示同小组，灰色表示尚未分组）

为满足各小组学生数均不低于8人，对于人数不足的橙色组，未分组的学生中选择与该组中学生的社交亲密度总和最大的10加入该组，以此类推。如图7所示，最终形成的小组为：［｛17，29，6，5，20，28，11，32｝，｛18，27，1，13，15，36，7，33｝，｛19，30，9，2，26，12，37，10｝，｛21，39，4，16，3，40，23，25｝，｛22，34，8，31，14，24，35，38｝］。

图7 最终分组结果图（相同颜色表示同小组）

5 结 语

为了充分利用集体智慧在教学中的优势，学习小组被越来越多的学校引入教育模式中。本文中归纳总结了4种现有的划分学习小组的分组策略，并分别比较了这几种分组策略的优势和不足。在现有的分组策略的基础上，本文在分组时加入了社交关系的因素，目的是进一步增强学生参与分组讨论学习的积极性。研究发现，通过构建基于大数据技术的小组划分框架，进行基于社交关系的分组策略的小组划分可以得到预期的分组结果，有助于为现实教学环境中的分组提供技术支撑。