基于約束聚類的學習共同體智能構建與應用研究*

孔維梁，韓淑云

(河南師范大學 教育技術系，河南 新鄉 453007)

一、問題提出

隨著教育信息化的推進以及《教育信息化2.0行動計劃》[1]等政策的出臺，MOOC等在線開放課程呈現井噴狀的發展勢態，師生對在線學習模式的呼吁愈加強烈。然而，在線學習飛速發展的同時，學習者交互少、孤獨感強、智慧共享度低等問題也日漸突出，嚴重影響了在線學習質量的提升[2]。在線學習共同體的誕生改變了傳統網絡學習空間的“孤島式”學習結構，強調學習者間多元化交互，實現了人際心理相容與溝通，為在線學習構建了智慧協作學習環境[3][4]。

學習同伴是協作學習活動中的重要參與者，合適的學習共同體構建方法是在線協作學習順利開展的前提，對提高在線學習投入、學習質量具有重要影響。但目前該領域的研究大多停留在隨機構建、人工手動構建等層面，研究在智能化實現方面仍有所欠缺，在線學習共同體的智能構建研究已成為在線學習領域中的亟待解決的核心問題[5][6]。研究在異質構建原則和Kolb學習風格分類模型的基礎上，提出了基于約束聚類的在線學習共同體智能構建方法，以學習風格為依據對學習者進行帶約束聚類，實現基于學習風格的異質化均衡分組，并對研究成果進行了實際驗證與應用，分析了智能構建方法對學習者知識建構水平和學習成績方面的影響。

二、相關研究基礎

(一)在線學習共同體構建方法

在線學習共同體是學習共同體的網絡化延伸，是在網絡環境下，為了完成共同的學習目標而形成的學習團體[7]。唐燕兒、于莎等指出在線學習共同體有利于知識的建構、情感的交流，共同學習愿景能夠激發學習的主動性與創造性，增強歸屬感[8][9]。Wu等指出在線學習共同體解決了傳統學習共同體的時空局限性、異步交互缺乏等問題，為信息交流、團隊協作、智慧共享提供了有效支持[10]。

目前，在線學習共同體構建方法主要分為兩大類：隨機或自由構建、人工手動構建。其中，隨機或自由構建方法是最常見的構建方法，由教師(或計算機)按照小組規模進行隨機分組或由學習者根據自身意愿進行自由組合，形成學習共同體。Park在學習者的問題—答案等生成性資源的基礎上，使用Humhub社會網絡軟件建構了自由學習共同體[11]。孫娟提出了基于IM(實時通訊服務)的在線學習共同體構建過程模式，并以QQ群構建了隨機學習共同體[12]。隨機或自由構建方法實現簡單，但沒有充分利用學習者的個性特征，所形成的學習共同體結構復雜，無明顯特征規律，基于該共同體的教學組織也較困難。

人工手動構建是指由教師依據學習者特征(例如，學習風格)進行同質或異質組合，使得學習共同體內和共同體間達到某種規律特性。馬玉慧等將學習者分為建議者趨向、質疑者趨向和學習者趨向三類，然后從三類學習者中手工抽取成員組成異質學習共同體[13]。Chang等利用移動計算設備支持協作學習成員共同進行英語閱讀理解中陌生單詞注解以及短文翻譯，教師根據學習者的英語閱讀能力對學習者進行手動分組[14]。潘洪建指出，相對于同質分組，異質分組除了能有效緩解學習者交互少、孤獨性強等問題，其內部差異化有助于共同體內學習者間的互幫互助以及優勢互補，而外部均衡化有利于保證各共同體的均衡發展，為有效調動學習積極性提供了有效方法[15]。雖然人工構建方式已經考慮到學習者個性特征，但缺乏有效的智能處理方式，對于大規模的在線學習不具有推廣性。

(二)Kolb學習風格分類模型

研究表明，學習風格能夠直接影響學習者的行為表現、情緒狀態，對協作學習活動、知識建構、學習績效等有直接影響[16]。李文昊等從觀點產生、觀點組織和知識融合三個方面探討了學習風格對在線協作學習的影響[17]。Johnson等從學習者滿意度和學習績效兩個方面證實了學習風格對學習分組的影響[18]。目前，基于學習風格的異質構建已經成為被廣大學者所認可的在線學習共同體構建方式[19-21]，該方式強調將不同學習風格的學習者組織在一起，使得學習共同體內部呈現風格異質化，而各共同體之間保持整體風格均衡化，即“組內異質、組間同質”。

研究以Kolb學習風格分類模型對學習者進行風格建模，并以此為依據進行異質學習共同體構建。Kolb學習風格分類模型是20世紀80年代由David Kolb提出，他認為學習風格是學習者偏好的感知與加工信息的方法[22]。該模型從“信息加工”和“感知”兩個維度對學習風格進行描述，其中，信息加工維度描述個體偏好的信息加工或轉換方式的差異，又可分為“主動實踐(AE)”和“反思觀察(RO)”兩個對立面；感知維度描述個體偏好的感知環境或經驗習得方式的不同，又可分為“具體經驗(CE)”和“抽象概念(AC)”兩個對立面[23]。兩個維度的不同組合構成了4種不同的學習風格模型：發散型(具體經驗、反思觀察)、同化型(抽象概念、反思觀察)、聚斂型(抽象經驗、主動實踐)及順應型(具體經驗、主動實踐)[24]。沈博等指出在這個兩極四端的風格分類模型中，學習者對兩極的偏好程度不同，導致了個人獨特的風格類型，即便在同種風格類型的學習者之間，也可能存在較大的差異[25]。Manolis等指出Kolb學習風格分類模型從學習過程的角度對學習者進行剖析，能夠指出學習者在學習過程中的行為表現，有助于理解學習的實質，有助于學習共同體課程的設計與組織，從而引導學習，掌握學習規律[26]，為此，本研究選擇Kolb學習風格模型作為研究基礎。

三、基于約束聚類的學習共同體智能構建

(一)問題描述

根據Kolb學習風格分類模型，學習者的學習風格可用學習風格向量s表示，如公式1所示，其中si,sp分別表示學習者在信息加工維度和感知維度的偏好程度，其值越接近0表示學習者越傾向于主動實踐/具體經驗，反之，越接近1表示越傾向于反思觀察/抽象概念。

學習風格向量可以映射到二維坐標中，如圖1所示，學習者對應圖中節點，節點間的距離表示兩學習者(或兩學習風格向量)的相似程度，距離越短表示相似程度越大。基于學習風格的異質共同體構建從本質上來說可以抽象為帶約束聚類問題：給定聚類數K(即學習共同體個數)的前提下，將學習風格不相似的學習者聚為一類，實現每個聚類內學習者的學習風格異質，而聚類間整體學習風格一致、聚類規模(即學習共同體人數)相當。

但是，經典聚類算法會將風格相似的學習者的聚為一類，而且不能控制聚類的規模，造成學習共同體規模不均衡，無法保證組內異質性和組間同質性，如圖1中圓圈所示為經典聚類算法將學習風格相似的學習者聚類集合。

圖1 學習風格向量映射

(二)基于約束聚類的學習共同體智能構建算法

為了進行異質聚類，并控制聚類規模，研究在結合均值飄移算法和改進經典層次聚類算法的基礎上，提出了基于約束聚類的學習共同體智能構建算法，算法的核心工作包括：初步相似聚類、創建初始學習共同體、層次聚合。算法的基本思想是：首先使用經典均值飄移算法對學習者進行初步相似聚類；然后，從最大相似聚類中選出K個最相似的學習者，創建K個初始學習共同體(這K個學習者風格相似，不會也不應分到同一共同體內)；其次，按照學習風格間的相似度，采用改進的層次聚類法依次為每個共同體合并一個異質成員；重復步驟3直至所有學習者合并，完成學習共同體的智能構建。具體步驟如下：

(1)初步相似聚類。研究使用均值飄移算法[27]將風格相似的學習者進行聚類，均值漂移算法是一種基于密度梯度上升的非參數方法，通過迭代運算找到目標位置，實現聚類，其優點是算法計算量小、實時性好，適合聚類數目不確定的情況。算法的基本思想如圖2左圖所示：給定閾值r(研究中取所有節點間距離的均值)，隨機選擇一個點作為初始質心(即類簇中心)cent；找出離質心cent小于r的所有點集N，根據這些點計算新的質心；重復上一步直到質心不再變化，記住該中心點(圖中“最終質心”)；重復以上三步，直到所有的點都被歸類；最后，根據每個類對每個點的訪問頻率，訪問頻率最大類作為節點的所屬類。

圖2 異質學習共同體構建算法

算法中，節點間距離使用馬氏距離，新的質心計算采用均值法，其計算公式分別如公式2和公式3所示。其中，dist1(u,v)表示節點u,v間的馬氏距離，cent表示當前質心，sui、sup分別表示用戶u在信息加工維度和感知維度的學習風格偏好，N表示以cent為中心點，距離cent小于r的節點集合，||N||表示N的規模。

(2)創建初始學習共同體。初步聚類會將學習風格相似的學習者聚為一類，給定待建學習共同體個數K，在初步聚類結果中選擇規模最大(節點密度也最大)的聚類cmax，并選擇距其質心最近的K個節點創建K個初始共同體(如圖2左圖中實線圓中實心節點所示)。異質分組將學習風格相似的學習者劃分為不同的共同體，即初步相似聚類結果中的學習者應盡可能劃分到不同共同體中，因此，以初步相似聚類結果中最大規模的聚類創建初始共同體是可行的。

(3)層次聚合。經典層次聚類算法[28]按節點與聚類的相似度由高到低排序，逐步從下往上不斷合并類簇，其優點是可隨時停止合并，易于控制合并次序，但卻不能控制最終聚類結果的規模(即學習共同體的大小)。為此，研究改進了經典層次聚類算法以適合學習共同體的異質構建，其基本思想如圖2右圖所示：使用第(2)步創建的K個初始共同體(圖2右圖中三角形節點所示)，計算剩余各節點到每個共同體的距離，按距離從小到大的順序，依次為每個共同體合并一個剩余節點，完成一次合并(如圖中虛線所示為第3次合并)；迭代執行合并過程，直至無剩余節點為止，所形成聚類即為最終學習共同體。

算法中，節點間的距離使用逆向馬氏距離，即取最大可能距離與馬氏距離的差值，學習風格越相似則節點間距離越大，后期被聚為一類的機率越小，反之機率越大，其計算方法如公式4所示。節點與共同體的距離使用平均距離法，即節點與共同體內所有已知節點間距離的平均值，其計算方法如公式5所示。

其中，dist2(u,v)表示節點u和v的逆向馬氏距離，dist3(u,C)表示節點u與聚類C間的距離，dist1(u,v)表示節點u和v的馬氏距離，max(dist1)表示最大可能的節點間距離(從圖1映射圖中可知其等于為聚類C的規模。

另外，由于學習者總體數量與指定共同體個數并非完全成比例，因此，部分學習共同體(即聚類)中學習者個數可能會多一個，如圖2中第2個學習共同體由5個學習者構成，其它幾個學習共同體則由4個學習者構成。

(三)學習共同體智能構建結果驗證

研究選擇10名已知學習風格傾向的學生進行共同體構建，以驗證本文智能構建方法的有效性，10名學生依次編碼s1-s10，其學習風格偏好如表1所示。

表1 學習者學習風格傾向

給定學習共同體個數K=3，分別使用本文的智能構建方法與隨機構建方法進行學習共同體構建，結果如表2所示，表2中的平均風格向量是所有共同體成員在兩個維度上偏好取值的平均值，即學習共同體的整體學習風格傾向。從表2中可以看出，智能構建方法構建的所有共同體人數大致相等，平均風格向量的兩個維度都比較接近，這表明所建學習共同體在共同體規模和組間同質性等方面的控制較好(G1共同體的學習風格向量產生差異是因為它比其他共同體多了一個相似成員所致)。同時，查驗共同體內成員的學習風格向量，會發現每個共同體內部學習風格相差較大，較好地實現組內異質性。反觀隨機構建方法，3個共同體雖然也保證了共同體的規模大小，但在整體學習風格上卻有較大的差異，無法保證組間同質性，同時，其組內異質性也較差，例如，隨機構建方法G1共同體中s1和s4學習風格非常相似，G2共同體中s2和s7學習風格也非常相似。由此可見，研究提出的智能構建方法能夠較好地實現組內異質、組間同質等方面的控制。

表2 學習共同體構建結果比較

四、實證研究設計

(一)研究對象

本研究選取某師范院校選修“Java語言程序設計”的62名二年級學生，該課程采用混合式教學模式，該模式包括課前準備、課上指導、課后加強三個階段。其中，課前準備是學生課下進行在線學習、測試；課上指導教師根據課前學習情況的反饋，對出現的共性問題進行講解或指導學生進行真實任務實施，使學生理論知識與實際操作相結合；課后，通過課程作業、探究任務等環節強化核心技能，促進知識遷移。

參與課程的62名學生，根據隨機分配原則分為實驗組和對照組，每組31人，實驗組使用智能構建方法創建學習共同體，而對照組使用隨機方法創建學習共同體。整個課程持續時間為17周，數據收集包括三個方面：一是學生學習風格數據，研究使用王改花等人的Kolb學習風格量表[29]進行測量；二是學生交互內容數據，主要是學生發帖數、發帖內容，主要從平臺的數據庫中讀取；三是學習成績數據，主要通過在線測試進行收集。

(二)研究目的與假設

研究在Kolb學習風格分類模型的基礎上，提出了基于約束聚類的學習共同體智能構建方法，為了探索該智能構建方法對于學習成效的影響，本研究的研究假設如下：研究假設1：相較于隨機構建方法，智能構建方法能更有效地提高學習者的知識建構水平；研究假設2：相較于隨機構建方法，智能構建方法能更有效地提高學習者成績水平。

(三)學習成效測量方法

研究從學習者的知識建構水平和學習成績兩個維度描述學習成效。其中，知識建構水平以古納瓦德納的知識建構過程模型(Interaction Analysis Model，IAM)為依據[30]，對學習者在線帖子進行編碼并統計每個學習者在知識建構各層次的帖子數量與高水平帖所占比例；學習成績主要以期末在線測試成績來分析。

五、學習成效影響分析

(一)知識建構影響分析

對62名學生涉及的發/回帖進行半自動篩選，使用自然語言處理程序過濾掉灌水等無效帖，然后對剩余的2566個帖子進行手工分類編碼(KC1：分享與澄清、KC2：認知沖突、KC3：意義協商、KC4：檢驗與修正、KC5：達成與應用)，統計每個學生知識建構各個層次的發/回帖數及所占的比例，結果如下頁表3所示。從表3中可以看出，兩組學生的帖子數均隨知識建構層次的升高而降低，且KC5層次都為0。兩組學生低水平帖(KC1、KC2)的所占比較高(分別是78.03%和74.77%)，說明學習共同體中的學生進行了大量的知識共享，并對其進行了一定程度的討論與比較；兩組學生高水平帖的所占比都非常少(分別是21.97%和25.23%)，但是實驗組學生在高層次(KC3、KC4)帖子數明顯高于對照組學生，說明實驗組學生進行了較好的交流討論，在一些問題上達成了意義協商與檢驗。

表3 發/回帖分類編碼統計

為了進一步探究兩組學生在前4個知識建構層次上是否存在顯著差異，研究以兩共同體分組作為分組變量，以KC1-KC4作為檢驗變量，進行獨立樣本t檢驗，并對顯著差異的檢驗變量，計算顯著性效果值(即η2)，結果如表4所示。從表4中可以看出，在低水平層次(KC1、KC2)上兩組學習共同體未呈顯著性差異，而在KC3層次(t=2.512，df=60，p=0.014＜0.05)、KC4層次(t=3.882，df=60，p=0.000＜0.01)上分別達到了0.05與0.01顯著水平，表明實驗組的學生的在KC3、KC4層次的知識建構顯著高于對照組學生，并且重要性變量分別可以解釋KC3、KC4層次變量總方差中的65.3%與58.7%(η2值)的變異量。

表4 獨立樣本t檢驗結果

整體來說，根據兩組學習共同體在低層次知識建構上沒有顯著性差異，原因可能是學生的學習積極性都較高；而在高層次知識建構上呈現顯著性差異，原因是根據學生的學習風格進行異質學習共同體構建能積極發揮不同風格的學生優勢，促進知識建構高層次發展，例如，發散型學生比較活躍、善于發現問題，有利于引導討論；同化型學生善于邏輯整理，有利于知識沖突的有效梳理；順應型學生偏愛具體經驗及主動驗證，適應多變的情況。因此，我們認為，智能構建共同體更有助于知識的建構，研究假設1成立。

(二)學習成績影響分析

為探究智能構建方法對學生學習成績的影響，研究首先采用t檢驗方法對兩組學生的前測成績進行分析，如表5所示。從表5中可知，兩組學生成績的均值及標準差都接近，顯著性值Sig.為0.11(大于0.05)，未達到了顯著水平，說明兩組學生的前測成績一致。

表5 前測成績t檢驗

為了檢驗兩組學生的后測成績差異，使用配對t檢驗方法對兩組學生的前測—后測成績進行分析，如表6所示。由表6中可看出，差異顯著性值Sig.均小于0.05，說明前測與后測成績差異顯著，兩組學生通過協作學習之后，成績都有顯著變化。從表6中還可看出，對照組前測與后測的平均分值差值為-5.038，而實驗組差值為-11.230，該結果表明兩組學生的成績有顯著性提高，而且實驗組學生在智能構建學習共同體的支持下學習成績提升更為明顯。

表6 配對t檢驗

六、總結與思考

在線學習共同體是以學習者為中心，強調真實情境與協作交流對知識建構的重要性，強調協作學習的最終目的是協調一致、達成共識。相關研究表明，在線學習共同體通過學習者間的交流與協作，能夠促使學習者對自身知識的反思，有利于知識的共建與情感的交流，因此，建構良好的在線學習共同體對于進行在線協作學習、知識協同構建、教學管理與干預、教學設計與實施等均有重要價值[31]。研究在Kolb學習風格分類模型及異質構建原則的基礎上，提出了在線學習共同體智能構建方法，并通過實證研究證明：相對于隨機構建方法，智能構建方法對高層知識建構以及學習成績提升均有顯著影響。本研究對在線教育實踐有以下啟示：

(1)準確測量學習者的學習風格，充分發揮不同風格學習者在知識建構中優勢。仇麗君認為學習風格具有高度的滲透性作用，對學習者信息加工方式、情緒狀態、技能發揮都有一定程度的影響[32]。不同風格類型的學習者擅長不同，有的善于知識分享與討論，有的善于邏輯梳理，有的偏愛主動驗證，根據學習風格進行異質化分組能積極發揮不同風格的學生優勢，有利于提升學習者的高層知識構建，從而促進其自身對知識的深度思考與內化遷移。

(2)創設良好的在線學習環境，提高學習者參與交互協作的積極性。武法提等[33]認為在線學習環境是在線教育的重要支撐環境，良好的在線學習環境有助于促進學習者參與的積極性，促進學習者對學習共同體產生歸屬感，提升學習者的學習動機與學習的效果。因此，通過制定共同遵守的交互規則、構建真實情景的協作學習任務等方式營造良好的協作式學習環境是有十分有必要的。另外，交互工具的支持也是在線學習環境的重要組成部分，Liu[34]等指出同時使用同步與異步交互有助于滿足學習者多樣化交互需求，便于學習過程中問題的交流與協商。