智能学习分组：从通用模型到大数据框架

谢涛 农李巧 高楠

[摘   要] 学习分组是协作学习活动设计的首要阶段。随着学习场所的快速变化、多模态交互过程复杂性的增加，采用传统的随机分组、教师指派或学生自我选择等方法进行协作学习分组的效率十分低下。研究提出基于智能技术构建自适应的协作学习小组。首先，阐述了学习分组的价值，即构建合理的协作学习环境、兼顾学生的个体差异和促进教育资源优质公平;其次，总结了影响智能学习分组的因素，包括个体属性、小组学术与物理构成以及学习者与环境的交互;最后，描述了经典场景下智能学习分组的通用模型，并讨论了大数据背景下智能学习分组的前景与挑战。针对大数据驱动智能学习分组的稳定性问题，基于机器学习中的集成学习思想构建了大数据共识分组框架。此框架有望为人工智能促进未来规模化的个性化教育提供支持。

[关键词] 分组; 人工智能; 智能学习; 教育大数据; 协作学习

[中图分类号] G434            [文献标志码] A

[作者简介] 谢涛（1983—），男，四川巴中人。副教授，博士，主要从事智能教育关键技术与应用研究。E-mail：xietao@swu.edu.cn。

一、引   言

分组学习把社会心理学的合作规律引进教学中，强调人际之间的交往对于认知发展的促进作用。分组学习让生生和师生之间通过自主探究、相互启发来提高学生综合素质、提升学习质量，形成一种生动活泼、全员参与的学习氛围。分组学习的前提是将学生按照特定的标准划分到合适的小组中，即学习分组。学习分组是构建协作学习团队的首要任务，小组同伴对团队中成员的学习，甚至对整个团队目标完成都有着重要的影响[1]。在大多数教学场景中，主要通过人工方式来完成学习分组。但考虑到学生在认知、社会、文化、心理等方面的差异，人工分组是一件十分困难且耗时的工作。随着计算机技术的发展，大多数学习分组可以通过算法来实现。基于算法的学习分组主要经历了适用于小规模班级教学的半智能化阶段到可以应用于大规模开放教育的全智能化阶段。选择合适的智能分组算法在个性化学习导航、精准化学习资源推荐和智能化学生模型构建等方面有着极其重要的作用。例如：实现学习资源推荐需要基于历史访问数据对学生偏好进行相似性计算，学生被分为若干组，组内学生尽可能相似，组间学生尽可能分离。这种分组结构可以作为机器推理过程中的重要知识。然而，学习分组过程总是伴随着不同的分组类型、技术采纳和小组规模的艰难平衡，这为智能学习分组的成功实施带来了新的巨大挑战。

二、学习分组的概念

学习分组在传统教学中应用十分广泛。《辞海》对“分”的解释为，区划开、由机构内独立出的部分;对“组”下的定义为，结合、构成，因工作和学习的需要结合成的小单位[2]。由夸美纽斯提出的班级授课制可知，学生作为个体在大班级中属于“分”的独立个体，按照一定的标准划分为“组”后，便成为学习小组。组内成员可以开展基于共同学习任务的合作，组间则体现分组的平等性或竞争关系。分组将学生参与的课堂教学组织成一个完整而又相互作用的系统，不但使学生的个性得以发展，还可以提升小组的学习绩效。学习分组的产物通常被称为学习共同体，意为小范围、自然形成、以整体为本位的联合。共同体强调人与人之间的紧密关系和社会联接，建立在自然基础上的群体之中。共同体与教育的结合是在尊重个体差异性的基础上，使每个人都能展现其社会影响。因此，赵建华认为，学习分组是“由两个或两个以上的个体组成，个体间相互依赖、积极互动、彼此影响，有调节成员行为的价值与规范”[3]。

传统学习分组通常采用随机分组、教师指派或学生自我选择等方法。随机分组没有固定的标准，学生被随机分配到小组中。随机分组大多数形成的是异质小组（Heterogeneous Group），一般由不同学习能力、学习风格、学习成绩、性别、种族的学生组成[4]。教师指派分组往往凭借其主观经验，根据学生表现、任务类型或教学目标，既可以把学生分为同质小组，也可以分为异质小组。学生自我选择分组是学生以自组织的方式构成小组。学生倾向于选择那些兴趣爱好相同、社会关系好或知识水平相当的同伴作为组员，形成的是同质小组（Homogeneous Group）[5]。随机分组最简单，却是一种效率极低的分组方法，小组成员难以掌控分组的质量，无法直接解决小组结构变化和社会动力学带来的协作学习问题。学生自我选择可形成统一的小组目标和学术氛围，但难以控制组员的知识、技能和个性等在小组中分布的均衡性，缺少倾听不同观点、彼此争辩的机会，难以产生不同的问题解决思路和方法。教师指派分组虽然可以避免随机分组和学生自我选择分组的缺点，但教师经验主导无法对学习者兴趣、技能、心理素质、个性等因素进行综合衡量。教师确定分组人数、指派组长不利于调动组内其他成员的参与度，如果组员能力差异较大，容易出现由能力较强的组员主导整个小组活动，从而影响其他组员在小组中的存在感。

三、学习分组的价值取向

18世纪末，英国牧师倍尔等提出“导生制”。教师只面向班里一部分学生，即“导生”，“导生”向班内其他学生转授教师讲过的内容[6]。约翰·霍普金斯大学教授斯莱文（Slavin）提出，“学习小组成绩分享法”和“切块拼接法”，可谓学习分组思想的进一步发展[7]。在我国，《诗经·卫风》中的“有匪君子，如切如磋，如琢如磨”，《学记》中的“相观而善谓之摩”“独学而无友，则孤陋而寡闻”，近代陶行知的“小先生”制等均反映了学习分组的思想[8]。可见，学习分组在教育教学中有着极其重要的作用。

（一）分组是协作学习的基础

协作学习主要以小组为基本组成单位，将传统面对面教学中单向知识信息传递转变为教学各个动态因素间的多边交流，拓展师生、生生间的信息来源。合理的分組被认为是协作学习取得成功的前提，它影响学习体念、学习有效性和学习效率[9]。学习科学家认为，协作学习至少包含以下几个层面的内容：协作学习是以小组活动为主体的一种教学活动，协作学习是一种同伴之间的合作互助活动，协作学习是一种目标导向活动，协作学习以各个小组在达成目标过程中的总体成绩为奖励依据，协作学习由教师分配学习任务和控制教学进程[10]。有效的协作需要有一定的物理边界，即小组有特定的小组规模和成员配置。协作学习把学习者分为多个组别，组内成员有共同的学习目标，需要通过小组成员的共同努力来实现[11]。显然，不同的教学方式对小组的构成有着不同的要求，协作任务的差异性决定小组成员的流动性，而构建科学合理的小组正是协作学习成功的必要前提。

（二）分组兼顾学生的个体差异

由于学生的认知水平、地区、民族、个性、学习风格、学习方法、文化背景存在差异，尊重学生个体差异才有构建合作、对话、互动课堂的可能性。学习者异质性的存在使学习者之间相互依存、相互协作、相互关爱、相互吸引。因此，在学习小组中，接受异质、容纳异质、利用异质、发掘异质、优化异质是分组学习的重要特点。分组学习在充分考虑学生差异的基础上，从学生的知识和能力水平、兴趣爱好、学习风格等出发，将具有类似特征的学生集中到一起，将具有不同特征的学生分配到水平相当的小组中进行学习[12]。教师会根据学生的特点提供区别化、层次化、针对性的教学指导，以促进每一个学生得到更好的发展。分组学习既考虑已有知识和能力水平的智力因素，也包含兴趣爱好、学习风格等非智力因素，具体表现在学习速度、学习方式、兴趣爱好、学习动机、学习能力、学习毅力、学习方法等方面。分组学习尊重学生个体差异，在强调教学的独特性和多样性的同时，将学生的个性差异视为一种可以开发的教育资源，发掘学生个性潜能的生长点[13]。分组学习是一个动态的过程，强调将教与学有机结合起来，以实现教学相长。分组改善了学习条件，符合学生的心理特征和认知规律，调节了教学中学生水平参差不齐的问题，避免了传统教学“一刀切”、基础差的学生“跟不上”、基础好的学生“吃不饱”的尴尬局面。

（三）分组促进教育资源优质公平

资源作为课堂教学中的重要组成要素，包括物质资源和人力资源[14]。物质资源有教材、教学资料、音像、仪器、多媒体设备、智能学习软件、大数据、远程教育以及网络信息等。人力资源包括教师、学生、校外专家等[15]。良好的分组可以让每个学生有接触优质教育资源的机会。分组学习把学生差异作为教学的重要资源，充分利用学生的认知特点、学习兴趣和学习风格，发现每个学生的专长和才智，开发学生的多元智能，使生生、师生之间相互学习、相互激励、取长补短、互帮互助、实现小组成员之间的优势互补，尽可能地发挥其差异资源的丰富性和潜在性，让每个小组成员都得到最优发展。分组学习让教师的目光不再仅仅聚焦于“尖子生”或性格活跃的学习者身上，瓦解了传统教学中人力资源分配不均的问题[16]。由此可见，学习分组无疑是解决教育资源公平分配的重要策略。

四、智能学习分组的通用模型

智能学习分组是利用相关智能技术将学生自动分配到合适的小组中。它涉及与分组有关的教学策略、算法、技术和方法，根据特定的标准将学习者划分到不同簇群，其目的是使组员能更好地与同伴交互并使学习收获最大化。

（一）影响智能学习分组的因素

1. 个体属性

个体属性大体可以分为学术、认知和社会三个维度。Lei等人提出，智能学习分组至少要考虑六个个体属性，包括性别、种族、成员之间的熟悉程度、能力、动机水平和来源[17]。Liu等人认为，在进行学习分组时应考虑学术成果[18]。一般情况下，有较高学术成果的学生有更好的同伴交互习惯，也可能有更好的知识交换过程和学习结果。Lin等人发现，社交网络可能会对小组学习绩效产生重要影响[19]。不同的学习任务和学习目标，分组所依据的个体属性不同，有研究建议将学习者知识水平、技能、能力、学习风格、人格特征、团队角色和社会交互作为分组依据[20]。在进行学习分组时还应考虑个体在小组中扮演的角色。Yeh等人提出8种角色：监管員、信息提供员、小组指导员、气氛营造员、意见提供者、提醒者、麻烦制造者和问题解决者[21]。在小组中扮演特定角色会使学生拥有集体责任感，从而有利于营造团队氛围并进行协作知识构建。

2. 小组学术构成

Maqtary等人指出，小组学术构成包括学习目标和学习任务[20]。学习任务的类型和复杂度不同，完成这些任务所需小组属性也不同，有些任务需要形成同质小组，而有些需要形成异质小组、混合小组或均衡小组。在异质小组中，组内成员具有不同的能力、才能、兴趣和认知水平。Scheurell认为，最有效的协作小组需由拥有不同能力、性别和学术背景等的异质学生组成[22]。理想情况下的分组应为小组间体现出极小的区别，而小组内则应尽可能有较大的差异。同质小组的含义与异质小组截然相反，由具有相似认知结构、能力、经验和兴趣的学生构成。研究者发现，同质小组比较容易完成一些固定的学习目标，然而当设置灵活的学习任务时构建异质小组的效果明显优于同质小组[23]。异质小组比同质小组的学习效能更高，具有更高的知识获取和概念吸收质量。异质小组的学生比同质小组的学生更容易调整学习状态，更快地、毫无冲突地承担角色和责任。相反，同质小组需要更多时间才能建立共识并开展有效的协作[24]。但学业成绩的异质性可能限制教师的教学满足所有学生的学术和情感需求，更高的异质性会导致更低的小组参与和协作[25]。混合小组是同质小组、异质小组的折中，既包含部分共同特征，也包含部分不同特征。Garshasbi等人呼吁构建组内同质、组间异质的小组，组间异质可以促进小组完成学习任务，决定了小组的学习速率和质量;组内同质确保每个小组构建的公平性以使每个小组都具备能获得成功的条件[26]。均衡小组是由个性、能力等较强的学生与个性、能力较弱的学生组成一组，总体上各个组具有相似的小组成员构成[27]。

3. 小组物理构成

小组的物理构成包括小组的规模、分组数量和分组策略等。Qiu等人发现，规模较小的小组，其协作学习效率较高，小组成员能够更好地协作和交流，教师更容易对小组提供差异化指导[28]。Lou等人认为，最优配置的小组应该有3～4人，如果小组成员超过10人，其学习效果与没有分组基本没有差异[29];但也有研究发现，包含2～6人的协作学习小组更为常见，当小组规模超过6人时，小组结构和粘性就会下降，从而影响协作参与度和学习效果[30]。Abuseileek进一步发现，具有5人的小组其协作学习最为理想[31]。另外，传统的分组策略通常将所有的学习者分组之后，小组结构一般不会发生改变。但是，学生的认知结构、情感状态和人际交互等都会随着学习目标和任务的变化而改变。如果小组成员之间不具有互补的知识结构或可变化的社交关系，则不足以预测小组的学习效果。因此，智能学习分组应根据学习任务的变化，对小组物理构成进行相应的调整。智能学习分组既要支持静态分组，也要支持动态分组。分配成员的过程在学习任务期间可以是静态的，但也可根据学习任务的变化自适应性地调整分组策略，以满足不同学习任务的需求。

4. 学习者与环境的交互

随着信息技术的发展，学习者与学习环境的交互模式也需要被考虑到智能学习分组中。智能学习既支持学习者在任何时间、任何地点的自定步调学习，也支持虚拟和现实学习场景的无缝转化。学习者可以根据当前的情境自主选择学习内容，同时学习环境可以记录学习者特征、环境属性、学习时间、学习行为和学习地点偏好等信息。其中，学习者特征可以让学习者通过移动设备自行提交，环境信息可以利用移动设备自带的GPS、RFID等功能实时获取，学习者行为信息可以从学习者与同伴之间的交流、与系统之间的交互等过程中提取。在充分考虑学习者所在学习环境的前提下，才能制定符合学习者需求的分组策略。因此，智能分组是一种可定制方案，即教师可以根据学习环境的不同，定义分组的数量、规模和类型。

（二）通用模型

在已有的计算机支持协作学习的研究中，较为通用的智能学习分组模型包含数据输入、分组优化和结果输出三部分，如图1所示。这种思想认为，不是所有的因素都与协作学习目的直接相关，而是依赖协作任务的情境和教师对协作过程的设计。因此，需要从大量影响智能学习分组的因素中遴选出有效因素的集合，然后将其作为智能算法的输入，通过控制算法的参数实现不同的分组结果。通用模型的输入主要以个体属性、小组学术与物理构成和学习者与环境交互子集的优化组合作为学习分组算法的数据源。在早期的学习分组算法研究中，一般采用动态优化算法，如基因算法、蚁群优化、粒子群优化算法[32]等。这类算法主要利用学习者的多个属性将其划分到当前情境最优的协作学习小组中。例如：基因算法通过适应性函数来保证小组间绩效的均衡性，使每一个小组的成员拥有不同的知识和技能水平。近期的研究多采用机器学习算法（如聚类和分类等）实现智能学习分组。聚类算法通过无监督的方式将没有事先标注组别的数据通过一定的特征相似性度量聚到一起;分类算法则需要在训练阶段有明确的类别，在测试阶段根据已训练好的模型将数据划分到已知的类别中。模型的输出一般是分组类型（如同质小组、异质小组、混合小组和均衡小组等）、分组数目、小组规模和子组等。通用模型的主要缺陷是由于算法复杂度的限制，能用于分组的数据量很少，一般多用于班级规模的协作学习，且分组一旦形成将难以动态修改。

五、基于大数据的智能学习分组

（一）大数据时代智能学习分组的前景

一方面，智能学习分组可用于大规模个性化学习资源推荐。个性化学习推荐系统的主要目标是将大量的学习资源、学习同伴等对象在有限时间内推荐给最合适的目标学习者，降低学习者的认知负载。随着数据不断增长，新用户不断到来，新的学习行为不断产生，冷启动问题成为个性化学习推荐系统的主要瓶颈。简言之，冷启动是指对于新到来的学生，在没有先验知识、历史行为数据的前提下，几乎不可能为其推荐最合适的学习对象;学生所发表的意见、上传的资料只能被少量的用户评级或回复，但这些项目很难被及时地推荐给其他学习者。近年来，有研究提出，将学习者先进行分组，然后为每个组提供一个公共的推荐项目列表，即形成分组推荐系统[33]。分组推荐系统所提供的项目一般可以满足大量的组内成员的需求，不需要过度依赖于历史数据，可以很好地解决数据稀疏性和冷启动问题。

另一方面，智能学习分组可用于构建大规模开放学习者模型。从传统班级教学到翻转课堂，再到大规模在线开放课程，用數据来刻画学习过程、学习状态、情感体验和元认知水平是学习者模型所要解决的主要问题。学习者模型主要从学习者与学习平台、课程资源等交互数据中构建，用于教师更好地理解学生的知识和技能水平。而开放学习者模型除了学习模型的标准含义外，还要求学习者建模的结果可以被学习者直接使用。组员可以通过众包提供一些额外的基础信息，甚至修改和完善已有的学习者模型，从而增加学习者模型服务的精准度。常用的学习者模型有重叠模型、刻板模型、基于本体的学生模型和基于机器学习的学生模型。在这些模型中，分组包含两层含义：将大量历史数据对象划分到若干个簇群，或将新到来的数据对象划分到已知的簇群中。

（二）大数据对智能学习分组的挑战

1. 多源数据异构

大数据时代，学习者属性、学习环境、学习资源的差异化程度更加明显。学习者的背景既有在校学生也有成人学生，他们可能有不同的认知信念、学习偏好和情感追求，甚至有较大的种族、文化差异。学习资源可能既包括文本媒体类型，也包括动画、视频、VR等多模态资源。有效的智能分组随着大规模异构数据的到来变得更加困难。大数据时代，用于学习分组的数据不限于教师诊断和学生自我报告，更会利用大量的认知测评、社会行为和实践技能等数据。利用多模态数据进行智能学习分组更是一个悬而未决的难题。顾小清等人认为，智能教育主要面临多源情境数据的获取、多模态数据的兼容性等挑战，从而影响精准教学干预和学习结果解释的科学性[34]。数据采集时需要结合教育大数据平台，收集线上线下学习者的认知、身体、心理、行为、学习过程及学习状态数据，整合机器学习、语音分析、表情和动作识别等技术，构建智能学习分组系统中基于教育过程和学习者行为的量化标准。数据采集需要对学习者的学习状态、学习偏好、协作交互和学习绩效等做出分析和建模，为学习者智能分组策略的设计、小组生成、小组成员的精准划分与动态调整提供全景化和模式化操作。针对多源数据的非结构化、稀疏和高维特点，需要采用多角色、多层级、跨平台的教育数据采集框架，实现数据源接入、数据清洗、模型构建、模型训练、模型评估、模型发布、任务调度等一体化功能。

2. 分组结果的稳定性

大数据具有量大、快速变化等特征。海量和高速动态数据可能会导致许多已有的智能学习分组模型失效。例如：基因算法随着迭代次数的增加，执行效率变得越来越低，面对海量多模态数据时将变得异常困难。在能处理大数据的模型中，智能学习分组难以实现分组的通用性和稳定性。通用性是指分组算法能处理大量异构数据的分组问题;稳定性是指分组结果可以达到一个稳定的状态，不会随着分组模型和参数选择的不同而不同。但实际上，智能学习分组极大地依赖算法方面的假设。构建同质或异质小组目标不同，算法选择的标准亦不同;对于同一个分组问题，不同算法的参数导致分组结果会出现差异;即使使用相同的参数设置，不同的数据属性也会导致不同的分组结果。例如：使用k-NN和k-Means算法可能得到如图2所示的两个完全不同的结果，会给教学人员带来极大的困扰。

3. 分组过程的可解释性

基于大数据的智能学习分组过程可解释性差。可解释性被定义为向人类解释或提供可理解的术语的能力，它既是人类与决策模型之间的接口，也是决策模型的精准代理[35]。换句话说，可解释性是人类可以理解的语言和工具。在智能学习分组中，可解释性可以帮助大数据专家和教师更好地理解学习分组过程，寻找系统各元素之间的相关性。尽管近年来的机器学习（如神经网络等）模型取得了巨大成功，但一般而言，越复杂的模型，可解释性越差。它如同一个黑盒，当输入给定数据会产生不同的分组结果，但是由于不清楚其具体决策过程和依据，智能学习分组的可靠性会受到一定的质疑。当然，影响分组可解释性的因素也可能是人为的。由于不同的研究者观察问题的角度不同，给“可解释性”赋予的含义不同，所提出的可解释性方法各有侧重。

（三）大数据共识分组框架

在上述所有的挑战中，分组稳定性问题可能给教师决策过程带来极大的困扰，因为教师使用不同的方法、技术和策略可能产生不同的学习分组;分组稳定性问题也可能误导推荐系统的知识推理过程，导致同一个组的学习者得到不同的推荐项目或不同组的学习者得到相同的推荐项目。因此，分组稳定性问题是影响分组质量的关键因素，亟须得到解决。本研究针对分组稳定性问题提出大数据共识分组框架，如图3所示。共识分组是指不依赖单个算法的能力或避免单个数据集主导整个智能学习分组的过程，而是将算法独立地运行在数据集的内部，最后通过协商产生最终的分组结果。数据集内部协商的过程被称为共识。共识分组基于机器学习中的集成学习思想，将多个次优的分组结果进行组合，最终得到一个更好、更稳定的分组结果。共识分组认为，数据是多视图的，而非单视图的，数据是协同工作的，而非孤立存在的，共识分组的核心并非分组算法本身，而是分组结果的协商过程。共识分组框架中数据源来自学习者日常的多模态数据，包括网络访问、交互行为、物联网、摄像头等，通过语义抽取和融合构建描述学习的多维数据模型。该框架的主体是共识分组模型，将标准化的数据首先分割为n个不相交的子集，对每一个子集使用机器学习算法实现分组，最后通过一组共识分组函数决定最终的分组结果。运行在每一个数据子集上的机器学习算法可以从简单的k-Means聚类算法到复杂的神经网络分类模型。该框架的输出是一个组内同质、组间异质的簇群划分，可以显示实时和历史分组情况，也可以通过共识过程区分正常和风险学习者。

六、结   语

本文的主要贡献是勾勒出了智能学习分组的蓝图，强调了学习分组在未来个性化教育（如协作学习、个性化学习推荐系统）中的重要性，并提出了既可用于协作学习，也可以用于复杂智慧环境下的智能学习分组技术框架，以期在未来的规模化、个性化教育中为教学过程和管理提供智能决策。本文所呈现的分组模型已通过算法实现。下一步工作将重点介绍算法设计细节和智能学习分组的有效性。

[参考文献]

[1] 何文涛，梁晨，庞兴会，路璐.协作学习活动设计的困境与出路[J].电化教育研究，2021，42（3）：103-110.

[2] 夏征农，陈至立.辞海[M].6版.上海：上海辞书出版社，2010.

[3] 赵建华.计算机支持的协作学习[M].上海：上海教育出版社，2006.

[4] FU Q K， HWANG G J. Trends in mobile technology-supported collaborative learning： a systematic review of journal publications from 2007 to 2016[J]. Computers & education， 2018， 119（4）： 129-143.

[5] CHEN C M， KUO C H. An optimized group formation scheme to promote collaborative problem-based learning[J]. Computers & education， 2019， 133（5）： 94-115.

[6] 吳鹏泽.基于导生制的主题教学设计与应用[J].教育研究，2011（12）：103-106.

[7] SLAVIN R E. Educational psychology： theory and practice[M]. New Jersey：Prentice Hall，2019.

[8] 周洪宇.陶行知画传[M].山东：山东教育出版社，2017.

[9] KROUSKA A， VIRVOU M. An enhanced genetic algorithm for heterogeneous group formation based on multi-characteristics in social-networking-based learning[J]. IEEE transactions on learning technologies， 2019， 13（3）： 465-476.

[10] FU Q K， HWANG G J. Trends in mobile technology-supported collaborative learning： a systematic review of journal publications from 2007 to 2016[J]. Computers & education， 2018， 119： 129-143.

[11] 王靖，王琦，邓雯心.协作知识建构中认知冲突消解支架设计与实证[J].电化教育研究，2021，42（9）：84-90，114.

[12] 約翰逊.合作学习[M].伍新春，郑秋，张洁，译.北京：北京师范大学出版社，2004：18-20.

[13] 张诗雅.课堂有效学习的指导策略研究[D].上海：上海师范大学，2015.

[14] 王鉴，王明娣.高效课堂的建构及其策略[J].教育研究，2015，36（3）：112-118.

[15] 王鉴.课堂研究概论[M].北京：人民教育出版社，2007.

[16] 李子建，邱德峰.学生自主学习：教学条件与策略[J].全球教育展望，2017，46（1）：47-57.

[17] LEI S A， KUESTERMEYER B N， WESTMEYER K A. Group composition affecting student interaction and achievement： instructors' perspectives[J]. Journal of instructional psychology， 2010， 37（4）： 317.

[18] LIU C C， TSAI C C. An analysis of peer interaction patterns as discoursed by on-line small group problem-solving activity[J]. Computers & education， 2008， 50（3）： 627-639.

[19] LIN J W， HUANG H H， CHUANG Y S. The impacts of network centrality and self-regulation on an e-learning environment with the support of social network awareness[J]. British journal of educational technology， 2015， 46（1）： 32-44.

[20] MAQTARY N， MOHSEN A， BECHKOUM K. Group formation techniques in computer-supported collaborative learning： a systematic literature review[J]. Technology， knowledge and learning， 2019， 24（2）： 169-190.

[21] YEH Y C. Analyzing online behaviors， roles， and learning communities via online discussions[J]. Journal of educational technology & society， 2010， 13（1）： 140-151.

[22] SCHEUERELL S. Virtual warrensburg： using cooperative learning and the internet in the social studies classroom[J]. The social studies， 2010， 101（5）： 194-199.

[23] OUNNAS A， DAVIS H C， MILLARD D E. A framework or semantic group formation in education[J]. Journal of educational technology & society， 2009， 12（4）： 43-55.

[24] MANSKE S， HECKING T， CHOUNTA I A， et al. Using differences to make a difference： a study on heterogeneity of learning groups[M]. Gothenburg， Sweden： The International Society of the Learning Sciences， 2015.

[25] EVERTSON C M， SANFORD J P， EMMER E T. Effects of class heterogeneity in junior high school[J]. American educational research journal， 1981， 18（2）： 219-232.

[26] GARSHASBI S， MOHAMMADI Y， GRAF S， et al. Optimal learning group formation： a multi-objective heuristic search strategy for enhancing inter-group homogeneity and intra-group heterogeneity[J]. Expert systems with applications， 2019， 11（3）： 506-521.

[27] CESARENI D， CACCIAMANI S， FUJITA N. Role taking and knowledge building in a blended university course[J]. International journal of computer-supported collaborative learning， 2016， 11（1）： 9-39.

[28] QIU M， MCDOUGALL D. Influence of group configuration on online discourse reading[J]. Computers & education，2015，87（9）：151-165.

[29] LOU Y， ABRAMI P C， D'APOLLONIA S. Small group and individual learning with technology： ameta-analysis[J]. Review of educational research， 2001， 71（3）： 449-521.

[30] JOLLIFFE W. Cooperative learning in the classroom： putting it into practice[M]. London： Sage， 2007.

[31] ABUSEILEEK A F. The effect of computer-assisted cooperative learning methods and group size on the EFL learners' achievement in communication skills[J]. Computers & education， 2012， 58（1）： 231-239.

[32] LIN Y T， HUANG Y M， CHENG S C. An automatic group composition system for composing collaborative learning groups using enhanced particle swarm optimization[J]. Computers & education， 2010， 55（4）： 1483-1493.

[33] DWIVEDI P， BHARADWAJ K K. e-Learning recommender system for a group of learners based on the unified learner profile approach[J]. Expert Systems， 2015， 32（2）： 264-276.

[34] 顧小清，李世瑾.人工智能教育大脑：以数据驱动教育治理与教学创新的技术框架[J].中国电化教育，2021（1）：80-88.

[35] 纪守领，李进锋，杜天宇，等.机器学习模型可解释性方法，应用与安全研究综述[J].计算机研究与发展，2019，56（10）：2071.