基于SOM網絡的遠程教育教學行為分析模型

郭富強

（陜西廣播電視大學資源建設與現代教育技術中心，陜西西安 710119）

0 引言

傳統的綜合分析以總體優劣判別教師，主要關注教師教學的綜合排名，在評優、評職中使用較多。而分類分析則以教師的改進和提高為目的，深入到教學行為的微觀層面，著眼于分析教師在教學過程中的行為和狀態。通過行為分析提供的分析信息，一方面為教師的教學活動提供針對性的反饋與指導，使教師有目的的改善自己的不良教學行為，形成高質量的教學活動，提升教學水平。另一方面，對教師進行科學分類，掌握教師的特點、優點和不足，研究影響遠程教學的因素，為制定科學的教學管理策略，優化教學支持服務，實施分類管理、個別化管理提供信息支持。

在遠程教育中,承認和識別教師教學行為的差異，了解教師教學的行為特點,是做好教師管理的前提。理論上講，不同教師應該使用不同的管理策略，但教師千差萬別，把每一個個體都作為一類既沒有必要，也沒有可能。合理而可行的做法是，根據評價指標對教師進行科學分類，每類實行不同的管理和督導策略。

建立教學行為分析模型，需要解決教學行為有效聚類這個核心問題。由于遠程教育教學的諸因素之間存在很強的非線性關系，選取常規變量的因子分析法和逐步回歸法等多是建立在線性模型基礎上的，不大適用復雜的聚類問題。自組織特征映射(SOM)模型具有自學習、自組織、自適應能力和強容錯性的特點,能夠自動尋找樣本中的內在規律和本質屬性，對大量的多維數據進行智能化的聚類分析,計算簡單、快捷，分類結果可靠。

本文將SOM網絡引入教學行為分析，結合分類管理思想、遠程教育特點和實踐，建立了遠程教育教師的教學行為分析模型，并通過實例證實該模型的有效性。

1 將SOM用于教學行為研究的適用性分析

1.1 SOM網絡

自組織特征映射網絡（Self－Organizing FeatureMap，簡稱SOM）是由芬蘭赫爾辛基大學神經網絡專家科荷倫（Teuvo Kohonen）教授于1981年提出的一種自組織競爭神經網絡。它仿照人類腦皮層對外界信號刺激的感知和處理分區進行的功能，對不同網絡輸入產生不同的響應，通過網絡中神經元之間的相互競爭和交互作用，實現對大量多維數據的聚類。

SOM網絡由輸入層和競爭層組成的兩層網絡，競爭層同時作為網絡的輸出層。輸入層各神經元通過權向量將外界信息匯集到輸出層的各神經元，輸出神經元之間存在側抑制。輸入層的節點接收數據的輸入，輸出層神經元一般排列為一維線陣、二維平面陣和三維柵格陣。網絡學習采用kohonen算法。每輸入一個向量，讓競爭層來竟爭對輸入模式的響應機會，最后僅有一個神經元成為競爭的勝利者。這一獲勝神經元的輸出則代表對輸入模式的分類[1]。

圖1 遠程教育教學行為分析模型

1.2 適用性分析

教學行為的量化記錄是一個復雜的由諸多因素構成的多維數據。在多維模式空間，很多模式的分布具有復雜的結構，從數據觀察很難發現其內在規律。SOM網絡具有高維輸入、低維輸出的特點，當通過SOM網絡將高維數據映射到低維輸出空間后，其規律往往一目了然。因此引入SOM網絡對教學行為進行分析聚類。

2 遠程教育教師教學行為分析指標體系

指標體系依據遠程教育的特點、教師在遠程教育中的職責等因素來建立。

行走在龍口市七甲鎮史家莊村1.9公里長、被群眾稱為“脫貧路”的嶄新水泥路上，不時可見三三兩兩進山勞作的村民。“以前這段山路坑坑洼洼，水果采摘運輸難，極易損傷。現在道路硬化了，群眾生產勞作方便多了。”史家莊村村民史信功高興地說。今年以來，龍口市人大常委會機關以“包村聯戶推進脫貧攻堅，精準扶貧助力鄉村振興”為工作思路，強化組織領導，明確任務目標，通過選派“第一書記”、加強村級基礎設施建設、因戶制宜精準幫扶等措施，實現了所包村村級收入有增加、群眾生活有改善、村容村貌有變化，取得了較好工作成效。

2.1 遠程教育的特點

在教學理念上，堅持以學生為中心，通過系統有效的學習支持服務，滿足學生自主學習、主動學習、個別化學習的要求，培養學生的學習能力和解決問題的能力。在教學手段上，主要通過多媒體網絡承載和傳遞課程內容，建立師生的交互關系，提供學習支持服務，實施教學管理。同時輔之以面授輔導等傳統方式。在教學方式上，以“導”為主，以“教”為輔，以網上教學為主，以面授輔導為輔，充分發揮網絡教學平臺和教學資源的優勢，構建創設尊重、平等、輕松、活潑的學習環境，激勵學生積極思考，加強對學習的指導、檢查和督促，了解學生的需求，解決學習中遇到的困難。在師生關系上，學習者在虛擬化的教育環境里聽課、參加討論、完成作業和參加考試。教師的權威性弱化，教師不再是知識的傳播者，而是促進學生的學習，環境的創設者，思考的激發者，意見的交換者，資信的提供者，問題的發現者，討論的參與者。

2.2 教學行為分析指標

根據以上分析，遠程教育教師教學行為分析指標體系包括學習組織、教學任務、教學方式和學習支持四個一級指標，以及15個二級指標。每項指標的內涵、考察重點詳見表1。數據來源主要有四個方面：教學平臺在教學過程中自動記錄的有關網上教學的數據；同行教師評價；督導專家的評價；通過網絡對學生進行專門調查得到的數據。

3 分析模型的結構

遠程教育教學行為分析模型分為教學行為分析和督導策略生成兩大部分。教學行為分析器是模型的核心部分，主要組成是SOM網絡。見圖1。

模型有兩種運行狀態，即訓練狀態和工作狀態。在訓練狀態，先后輸入訓練樣本和測試樣本，完成教學行為聚類分析，生成教師分類庫，并在專家的參與下，完成各類教師的管理策略分析，形成督導策略庫。在工作狀態，輸入待分析數據，完成對待分析對象的類型識別，并生成相應的督導策略。

4 實例及分析

4.1 樣本設計

數據的內在關系越復雜，樣本中含的噪聲越大，為了保證一定的分類精度所需要的樣本數就越多。規律蘊藏在樣本中，因此樣本一定要有代表性，樣本的選擇要注意樣本類別的均衡，盡量使每個類別的樣本數量大致當等。即使是同一類樣本也要注意樣本的多樣性與均勻性。不同類別的樣本交叉輸入。

樣本篩選自2012年秋陜西廣播電視大學開放教育學院遠程開放教育計算機科學與技術專業的任課教師的教學調查數據。見表2。樣本數據共20組，其中前15組作為MOS網絡的訓練樣本，后5組作為測試樣本。

?

4.2 SOM網絡的結構設計

從表2可以看出，樣本是15維數據，因此輸入層節點數15。結構設計的主要任務是確定競爭層神經元的數量。原則上該層節點數與訓練樣本包含的模式數有關，如果節點數少于模式數，則不足以區分全部模式，訓練的結果勢必將相近的模式合并為一類。根據實際分析，樣本中包含的模式不超過6個，因此網絡競爭層神經元的組織結構為2×3的二維平面陣。模型通過MATLAB進行設計、調試、仿真，其中距離函數為linkdist，網絡的初始權值設為0.5，

?

經反復試探，訓練步數設為600。

4.3 模型的訓練和測試

網絡創建后，輸入訓練樣本對網絡進行學習訓練。訓練結果將教學行為分為1、2、3、4、5等5類，并分別對應5、1、3、2、4號神經元。6號神經元與任何輸入模式沒有對應，稱為盲點，在工作時不能被激發。訓練結束后，網絡權值固定，以后每輸入一個值，網絡就會自動激發對應的神經元，對其進行分類。聚類結果、測試結果分別見表3、表4。

?

?

4.4 結果分析

聚類結果的分析是模型應用的關鍵環節。為便于應用，根據每種類型的特點，將其分別命名為隨機型、勤奮型、計劃型、創新型、技術型。并分析了每種類型的優點和不足。

1 類隨機型：善于嘗試新的教學方法，易于與學生溝通，不墨守成規。但計劃性差,自我控制能力不強,教學時間沒有保證，教學任務完成較差；教學改革缺乏持續精神。18、20號樣本即屬此類。應督促教師加強教學的計劃性和責任心，加強教學的督促、檢查和提醒，培養其扎實、負責、服務的精神。

2 類勤奮型：責任意識強，對自己要求嚴格，熱愛教學，善于思考，教學準備充分，教學任務完成較好。但缺乏溝通交流意識和技能，對網上教學、協作學習重視不夠，多媒體教學資源應用不足，教學效率不高。

3 類計劃型：教學的計劃性強，教學過程完整，遵守教學規范，自我控制能力強。但過多注意學習環節的完整和教學任務的完成，教學方法單一，缺少特色，對教學質量關注不夠。16號樣本即屬此類。應指導教師以學生的發展為教學的出發點，樹立質量意識、創新意識和品牌意識，大膽探索適合自己的教學方法，塑造優良教學風格。

4 類創新型：重視教學的一體化設計，善于探索和總結通過多種方式和資源進行教學，形成了自己的教學風格，教學能力強，效率好，質量高。但往往教學的計劃性較弱，自我檢查和反思較少，不重視面授輔導。17號樣本即屬此類。

5 類技術型：重視網絡技術、多媒體技術、數字教學資源的運用；主要通過網上討論、多媒體課件等進行教學；善于利用教學平臺的課程討論區、QQ、電子郵件、微博等進行交流。但過多依賴技術和媒體資源，面授輔導較少；對學生的學習心理關注不足，教學的系統性不強。19號樣本即屬此類。應指導教師正確認識技術的特點和不足，將教學目標、內容和策略與嫻熟的技術結合起來；重視面授輔導；注意教師個人素質和魅力對教學的影響。

5 結語

本文基于SOM和分類管理的思想，建立了遠程教育教學行為分析模型，并以陜西電大為實例進行了測試，結果表明，該模型能夠較好的實現教學行為分析。但也存在不足，一是表征教學行為的指標體系進行了一定簡化，本模型只是從可以測量到的行為入手，挖掘不同的教學行為模式，還不是一個“完全”的分析模型。二是模型分類的精確程度與采集數據的完備性有直接關系，訓練數據如果沒有包含所有的“類”，則分類的可靠性不高，而測試數據的采集和選擇對模型的使用人員有較高要求。三是模型結果的運用需要使用者有較高的理論水平和豐富的經驗，特別是要熟悉遠程教育的教學管理。

[1]楊黎剛，蘇宏.基于SOM聚類的數據挖掘方法及其應用研究[J].計算機工程與科學，2007.

[2]王斌.試論現代遠程教育中教師的地位和作用[J].中國成人教育,2011(1):50-52.