郭富強(qiáng)

（陜西廣播電視大學(xué) 資源建設(shè)與現(xiàn)代教育技術(shù)中心，陜西 西安 710068）

遠(yuǎn)程教育的學(xué)習(xí)行為，是指學(xué)習(xí)者在自主學(xué)習(xí)過程中表現(xiàn)出來的學(xué)習(xí)態(tài)度、學(xué)習(xí)方式、學(xué)習(xí)風(fēng)格、學(xué)習(xí)過程的總合。具體內(nèi)容包括學(xué)習(xí)的計劃制定、媒體選擇、資源使用、時間分配、溝通交流、自我調(diào)控、任務(wù)完成等幾個方面。學(xué)習(xí)行為與學(xué)習(xí)效果有著密切的關(guān)系，良好的學(xué)習(xí)行為是完成學(xué)習(xí)任務(wù)，提高學(xué)習(xí)質(zhì)量的重要保障。

在遠(yuǎn)程教學(xué)環(huán)境下，教與學(xué)的時空分離的特點，使得教師難以直接觀察學(xué)習(xí)者的各種行為表現(xiàn)，對學(xué)習(xí)者的學(xué)習(xí)過程進(jìn)行有效的監(jiān)控與評價，給出具有針對性的學(xué)習(xí)反饋與學(xué)習(xí)指導(dǎo)[1]。因此，建立遠(yuǎn)程教育環(huán)境下的學(xué)習(xí)行為分析模型，進(jìn)行科學(xué)智能的學(xué)習(xí)行為分析，具有重要意義。一是根據(jù)模型提供的分析信息，為學(xué)習(xí)者的學(xué)習(xí)活動提供有效的反饋與指導(dǎo)，使學(xué)習(xí)者有目的的調(diào)整自己的學(xué)習(xí)行為，形成高質(zhì)量的學(xué)習(xí)活動；二是通過模型可以根據(jù)學(xué)習(xí)行為對學(xué)習(xí)者進(jìn)行分類，掌握各類學(xué)習(xí)者的學(xué)習(xí)特征，研究影響遠(yuǎn)程學(xué)習(xí)的因素，實行分類教學(xué)，為制定科學(xué)的教學(xué)管理策略，優(yōu)化學(xué)習(xí)支持服務(wù)，實施個性化教學(xué)提供支持；三是通過模型可為網(wǎng)絡(luò)學(xué)習(xí)平臺的建設(shè)、網(wǎng)絡(luò)學(xué)習(xí)資源的開發(fā)、遠(yuǎn)程教育課程教學(xué)設(shè)計提供依據(jù)，模型也可作為智能教學(xué)系統(tǒng)的組成部分，配合實現(xiàn)個性化教學(xué)、智能教學(xué)的功能。

國內(nèi)遠(yuǎn)程教育在學(xué)習(xí)行為研究方面，目前還主要處于人口學(xué)分析層次上，如研究學(xué)生的年齡分布、成人和青年學(xué)生的比例、就業(yè)狀況、學(xué)歷比例、學(xué)習(xí)動機(jī)等等，當(dāng)然，也有對學(xué)習(xí)方法、學(xué)習(xí)條件的調(diào)查分析，但對于學(xué)習(xí)過程中學(xué)習(xí)者的心理、行為、學(xué)習(xí)效果及其相互關(guān)系等深層次的研究還很少。另一方面，在以往的研究中，還有一個明顯的不足，就是將遠(yuǎn)程教育的學(xué)習(xí)簡單化為網(wǎng)上教學(xué)，往往只考慮基于網(wǎng)絡(luò)的學(xué)習(xí)活動，忽略線下學(xué)習(xí)的大量信息，比如面授輔導(dǎo)、通過教材學(xué)習(xí)、課程實踐等學(xué)習(xí)環(huán)節(jié)，得到的結(jié)論也不完整。因此，只有構(gòu)建全面的分析模型，才能提高分析的實際意義，才能向?qū)W習(xí)者提供全面有效的指導(dǎo)。

建立學(xué)習(xí)行為分析模型，有效聚類是需要解決的核心問題。現(xiàn)有的聚類模型，它們較多的是相關(guān)、回歸、因子和主成分分析等統(tǒng)計方法，由于遠(yuǎn)程教育下學(xué)習(xí)的諸因素之間具有很強(qiáng)的非線性關(guān)系，選取常規(guī)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(chǔ)上的，不大適用復(fù)雜的聚類問題。自組織特征映射（SOM）模型具有自學(xué)習(xí)、自適應(yīng)能力和強(qiáng)容錯性的特點，能夠?qū)Υ罅康亩嘣獢?shù)據(jù)進(jìn)行智能化的聚類分析，計算簡單、準(zhǔn)確快捷、可靠，分類結(jié)果的客觀性和可靠性能夠得到保證。

本文將SOM網(wǎng)絡(luò)引入學(xué)習(xí)行為分析，結(jié)合混合學(xué)習(xí)理論、分類教學(xué)思想和遠(yuǎn)程教育實踐，建立了遠(yuǎn)程教育學(xué)習(xí)者的學(xué)習(xí)行為分析模型，并通過實例證實該模型的有效性。

1 SOM網(wǎng)絡(luò)與學(xué)習(xí)行為分析

SOM是無教師、競爭式的自組織和自學(xué)習(xí)網(wǎng)絡(luò)。它的典型特性就是可以將n維空間的數(shù)據(jù)抽取信息特征，映射到低維空間（1維或是2維），形成輸入信號的特征拓?fù)浞植迹⒈３制渫負(fù)浣Y(jié)構(gòu)不變。SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 SOM網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 SOM network structure

SOM網(wǎng)絡(luò)分為兩層，輸入層中的神經(jīng)元節(jié)點數(shù)量與其包含的變量數(shù)一致，其功能是獲取數(shù)據(jù)。輸出層神經(jīng)元構(gòu)成一維或二維網(wǎng)格（圖中為二維網(wǎng)格）。 SOM網(wǎng)絡(luò)是全連接的，每個輸入神經(jīng)元節(jié)點都同所有的輸出神經(jīng)元節(jié)點相連接[2]。

本文通過SOM網(wǎng)絡(luò)的聚類分析功能實施學(xué)習(xí)行為的分類。聚類是指將物理或抽象對象的集合分成由類似的對象組成的多個類的過程。由聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象與同一個簇中的對象彼此相似，與其他簇中的對象相異。聚類分析又稱群分析，它所要求劃分的類是未知的。因此，SOM網(wǎng)絡(luò)特別適合高維空間的復(fù)雜數(shù)據(jù)聚類。遠(yuǎn)程教育的學(xué)習(xí)是一個多因素的復(fù)雜過程，通過聚類能幫助教學(xué)和教學(xué)管理人員從龐大的學(xué)習(xí)行為庫庫中發(fā)現(xiàn)不同的學(xué)習(xí)群，并且用學(xué)習(xí)模式來刻畫不同的學(xué)習(xí)群的特征，為教學(xué)和學(xué)習(xí)支持服務(wù)的決策提供關(guān)鍵性依據(jù)[3]。

2 學(xué)習(xí)行為分析的指標(biāo)體系設(shè)計

分類的指標(biāo)體系依據(jù)遠(yuǎn)程教育的特點、學(xué)習(xí)者主要特征和混合學(xué)習(xí)的理論來建立。

2.1 遠(yuǎn)程教育的特點

現(xiàn)代遠(yuǎn)程教育是伴隨著現(xiàn)代信息技術(shù)的發(fā)展而產(chǎn)生的一種新型教育形式，是構(gòu)筑知識經(jīng)濟(jì)時代終身學(xué)習(xí)體系的主要手段。它以多媒體教學(xué)資源為支撐，以遠(yuǎn)程教學(xué)和服務(wù)為主要手段，綜合面授、函授和自學(xué)等教學(xué)形式完成課程教學(xué)。遠(yuǎn)程教育可以有效地發(fā)揮各種教育資源的優(yōu)勢，為不同的學(xué)習(xí)對象提供方便、快捷、廣泛的教育服務(wù)。與傳統(tǒng)的學(xué)習(xí)相比，現(xiàn)代遠(yuǎn)程教育主要具有以下特點：

1）遠(yuǎn)程性：學(xué)生和教師、學(xué)生和教育機(jī)構(gòu)之間處于準(zhǔn)分離狀態(tài)，主要采用多種技術(shù)媒體承載和傳遞課程內(nèi)容，建立師生的交互關(guān)系，通過學(xué)習(xí)資源和支持服務(wù)兩個方面對學(xué)生的學(xué)習(xí)施加影響。因此，保持師生溝通，加強(qiáng)對學(xué)生學(xué)習(xí)的管理就顯得尤其重要。

2）開放性：開放性是遠(yuǎn)程教育的首要特征。開放性體現(xiàn)在教育對象、學(xué)習(xí)方式和學(xué)習(xí)資源的開放等方面。學(xué)習(xí)資源通過網(wǎng)絡(luò)實現(xiàn)充分共享與無限延伸。在以學(xué)習(xí)者為中心的開放環(huán)境中，給予學(xué)習(xí)者最大的學(xué)習(xí)自由，同時對學(xué)習(xí)者也是一種挑戰(zhàn)，因此，就應(yīng)該強(qiáng)調(diào)每個個體學(xué)習(xí)的計劃性。

3）虛擬性：學(xué)習(xí)者在虛擬化的教育環(huán)境里聽課、參加討論、完成作業(yè)和參加考試。在網(wǎng)絡(luò)環(huán)境里，活動主體具有隱蔽性，無形中弱化了教師的權(quán)威性，學(xué)生可以和教師在這個自由、平等的虛擬課堂上暢所欲言，自由地交換意見。但由于這種虛擬性，學(xué)習(xí)者缺少傳統(tǒng)校園學(xué)習(xí)的約束和引導(dǎo)，很容易自我放松和迷航。這就需要培養(yǎng)學(xué)習(xí)者學(xué)習(xí)的自覺性和自我控制能力。

4）個別化學(xué)習(xí)、自主學(xué)習(xí)：學(xué)習(xí)者根據(jù)自己的具體情況和需求制定學(xué)習(xí)計劃，自己選擇學(xué)習(xí)資源和學(xué)習(xí)方式，自我控制，自我評價，直至達(dá)到學(xué)習(xí)目標(biāo)。教學(xué)由原來的以“教”為主轉(zhuǎn)變?yōu)橐浴皩W(xué)”為主。根據(jù)個別化學(xué)習(xí)的思想，學(xué)習(xí)者應(yīng)該分析和識別自己的特點，逐漸形成適合自己的學(xué)習(xí)方式。

5）協(xié)作學(xué)習(xí)：學(xué)習(xí)者之間可以通過協(xié)作化交流、協(xié)商和合作，進(jìn)行思維的碰撞，從而有助于他們理解知識、思考問題、解決疑難。協(xié)作學(xué)習(xí)的方式既可以通過遠(yuǎn)程教學(xué)平臺進(jìn)行，也可以通過本地建立的學(xué)習(xí)小組進(jìn)行。

2.2 學(xué)習(xí)者主要特征

遠(yuǎn)程教育學(xué)習(xí)者一般都具有一定的工作經(jīng)驗，有利于學(xué)習(xí)，但需要處理學(xué)習(xí)與工作、家庭及社會活動的關(guān)系；大多在社會中處于弱勢，提升自己的意識強(qiáng)烈；知識水平參差不齊，總體較低，學(xué)習(xí)有一定難度；學(xué)習(xí)方式多樣，學(xué)習(xí)時間較為靈活，在家中通過網(wǎng)絡(luò)學(xué)習(xí)者居多，學(xué)習(xí)具有不連續(xù)性；在學(xué)習(xí)資源的使用方面，以遠(yuǎn)程學(xué)習(xí)平臺為主，配合使用網(wǎng)絡(luò)搜索引擎，對網(wǎng)絡(luò)資源的依賴度極高，往往缺乏對繁冗信息的識別能力；在交流互動方面，注意利用教學(xué)平臺的課程討論區(qū)、QQ、電子郵件、微博等進(jìn)行交流。

2.3 混合式學(xué)習(xí)理論

MargaretDriscoll在2002年提出混合式學(xué)習(xí)（Blended Learning），包括4個不同的概念：1）結(jié)合或混合多種網(wǎng)絡(luò)化技術(shù)（如實時虛擬教室、自定步調(diào)學(xué)習(xí)、協(xié)作學(xué)習(xí)、流式視頻、音頻和文本）實現(xiàn)教育目標(biāo)。2）結(jié)合多種教學(xué)方法（如建構(gòu)主義、行為主義、認(rèn)知主義），利用或不利用教學(xué)技術(shù)產(chǎn)生最佳的學(xué)習(xí)成果。3）將任何一種教學(xué)技術(shù)與面授課堂教學(xué)相結(jié)合。4）將教學(xué)技術(shù)與實際工作任務(wù)相混合或結(jié)合，以使學(xué)習(xí)和工作協(xié)調(diào)一致[4]。

根據(jù)混合學(xué)習(xí)理論，分析指標(biāo)應(yīng)充分表現(xiàn)學(xué)習(xí)者基于多種資源、多種方式、多種方法的學(xué)習(xí)行為。

2.4 學(xué)習(xí)行為分析指標(biāo)

根據(jù)以上分析，學(xué)習(xí)行為分析指標(biāo)體系包括學(xué)習(xí)管理、學(xué)習(xí)方式、學(xué)習(xí)表現(xiàn)3個一級指標(biāo)，以及12個二級指標(biāo)[5]。每項指標(biāo)的內(nèi)涵、考察重點、數(shù)據(jù)來源詳見表1。數(shù)據(jù)來源主要有3個方面：有關(guān)教師（導(dǎo)學(xué)教師、課程責(zé)任教師、實驗指導(dǎo)教師）在批閱學(xué)習(xí)者制定的學(xué)習(xí)計劃、作業(yè)、實驗報告，以及面授輔導(dǎo)考勤中形成的記錄；教學(xué)平臺在學(xué)習(xí)者學(xué)習(xí)過程中自動記錄的有關(guān)網(wǎng)上學(xué)習(xí)的數(shù)據(jù)；通過網(wǎng)絡(luò)對學(xué)生進(jìn)行專門調(diào)查得到的數(shù)據(jù)。

表1 學(xué)習(xí)行為分析指標(biāo)體系Tab.1 Learning behavior analysis index system

3 學(xué)習(xí)行為分析模型

遠(yuǎn)程教育學(xué)習(xí)行為分析模型分為學(xué)習(xí)行為分析和教學(xué)策略生成兩大部分。學(xué)習(xí)行為分析器是模型的核心部分，主要組成是SOM網(wǎng)絡(luò)。見圖2。

圖2 遠(yuǎn)程教育學(xué)習(xí)行為分析模型Fig.2 Distance education learning behavior analysis model

模型有兩種運行狀態(tài)，即訓(xùn)練狀態(tài)和工作狀態(tài)。在訓(xùn)練狀態(tài)，先后輸入訓(xùn)練樣本和測試樣本，完成學(xué)習(xí)行為聚類分析，生成學(xué)習(xí)者分類庫，并在專家的參與下，完成各類學(xué)習(xí)者的教學(xué)策略分析，形成教學(xué)策略庫。在工作狀態(tài)，輸入待分析數(shù)據(jù)，完成對待分析對象的類型識別，并生成相應(yīng)的教學(xué)策略。

4 研究實例

4.1 樣本設(shè)計

樣本選自2012年秋陜西廣播電視大學(xué)開放教育學(xué)院遠(yuǎn)程開放教育計算機(jī)科學(xué)與技術(shù)專業(yè)的數(shù)據(jù)庫應(yīng)用技術(shù)課程的實際教學(xué)和調(diào)查。進(jìn)行了較必要的篩選，主要是選取有代表性的數(shù)據(jù)。進(jìn)行了初始化處理，每個指標(biāo)分值按10分制進(jìn)行了換算。表2為經(jīng)過了初始化處理的數(shù)據(jù)，共20組，其中前15組作為MOS網(wǎng)落的訓(xùn)練樣本，后5組作為測試樣本。

表2 樣本數(shù)據(jù)（部分）Tab.2 Sample data（Part）

4.2 SOM網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計

競爭層神經(jīng)元數(shù)量的確定考慮兩個方面的因素，一是聚類不能太細(xì)太多，太細(xì)則失去了聚類的意義，聚類結(jié)果難以使用；二是不能固定聚類數(shù)，應(yīng)由系統(tǒng)根據(jù)實際樣本確定聚類模式和聚類數(shù)。因此，這里設(shè)計15個神經(jīng)元的特征映射網(wǎng)，用以對輸入的多維向量進(jìn)行聚類，其等于訓(xùn)練樣本數(shù)15。網(wǎng)絡(luò)競爭層神經(jīng)元的組織結(jié)構(gòu)為3×5。模型通過MATLAB進(jìn)行設(shè)計、調(diào)試、仿真，其中距離函數(shù)為linkdist，網(wǎng)絡(luò)的初始權(quán)值設(shè)為5，經(jīng)反復(fù)試探，訓(xùn)練步數(shù)設(shè)為800。

4.3 模型的訓(xùn)練和測試

網(wǎng)絡(luò)創(chuàng)建后，輸入訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，抽取輸入信號的模式特征，完成對訓(xùn)練樣本的識別和聚類，從而使網(wǎng)絡(luò)競爭層對不同輸入模式具有不同的響應(yīng)特性。訓(xùn)練結(jié)束后，網(wǎng)絡(luò)權(quán)值固定，以后每輸入一個值，網(wǎng)絡(luò)就會自動對其進(jìn)行分類。聚類結(jié)果、測試結(jié)果分別見表3、表4。

表3 聚類結(jié)果Tab.3 Clustering results

表4 測試結(jié)果Tab.4 Test results

4.4 結(jié)果分析

聚類結(jié)果的分析是模型應(yīng)用的關(guān)鍵環(huán)節(jié)[6]。為便于應(yīng)用，根據(jù)每種類型的特點，將其分別命名為能力型、控制型、資源型、鉆研型、隨機(jī)型和交流型,并分析了每種類型的優(yōu)點、不足，給出了教學(xué)策略建議，如表5所示。

表5 聚類結(jié)果分析Tab.5 Results of clustering analysis

5 結(jié)束語

本文基于SOM，并結(jié)合混合學(xué)習(xí)、分類教學(xué)的思想，建立了遠(yuǎn)程教育學(xué)習(xí)行為分析模型，并以陜西電大為實例進(jìn)行了測試，通過對其結(jié)果進(jìn)行分析,證實了該模型能夠有效實現(xiàn)學(xué)習(xí)行為分析。但也存在不足，一是模型進(jìn)行了一定簡化，因為學(xué)習(xí)行為與社會環(huán)境、學(xué)習(xí)觀念、學(xué)習(xí)條件、學(xué)習(xí)動機(jī)、認(rèn)知結(jié)構(gòu)、學(xué)習(xí)期望等都有一定關(guān)系，本模型只是從容易度量的“行為”分析入手，尋找不同的學(xué)習(xí)模式，而將難以量化的因素根據(jù)多年的教學(xué)經(jīng)驗放在教學(xué)策略中。二是模型經(jīng)訓(xùn)練后只適應(yīng)于指定或類似課程，不同課程學(xué)習(xí)行為可能有一定差異。三是基于SOM聚類的原理缺乏可讀性、透明性，因為其無法解釋結(jié)果是如何產(chǎn)生的，在聚類過程中使用了什么規(guī)則。因此對聚類結(jié)果的分析，需要專家有較高的理論水平和豐富的經(jīng)驗，特別是要熟悉遠(yuǎn)程教育的教學(xué)。

[1]張豪鋒，李海龍.網(wǎng)絡(luò)學(xué)習(xí)評價模式及其影響因素分析[J].現(xiàn)代遠(yuǎn)距離教育，2011（5）：54－57.ZHANG Hao-feng，LI Hai-long.Analysis of online learning evaluation model and its influencing factors[J].Modern Distance Education，2011（5）：54－57.

[2]王修竹.基于SOM的聚類算法在抑郁癥藥物藥效檢測中的應(yīng)用[J].西南科技大學(xué)學(xué)報，2011（2）：62－64.WANG Xiu-zhu.Application of SOM-based clustering algorithm in detecting depression drug’s efficacy[J].Journal of Southwest University of Science and Technology，2011（2）：62－64.

[3]成桂蘭，劉旭東，陳德人.基于混合聚類的個性化推薦算法[J].武漢理工大學(xué)學(xué)報：信息與管理工程版，2011（3）：379－381.CHENG Gui-lan，LIU Xu-dong，CHEN De-ren.A personal recommendation algorithm for digital library based on hybrid clustering technology[J].Journal of Wuhan University of Technology：Information& Management Engineering，2011（3）：379－381.

[4]武開，徐榮貞.混合式學(xué)習(xí)中監(jiān)控方式的實證研究[J].電化教育研究，2011（11）：37－40.WU Kai，XU Rong-zhen.An empirical study on Blended Learning in monitor mode[J].E-Education Research，2011（11）：37－40.

[5]倪美華.遠(yuǎn)程開放教育中學(xué)生學(xué)習(xí)能力的培養(yǎng)[J].中國電化教育，2011（10）：75－78.NI Mei-hua.Cultivating students learning ability in distance and open education[J].China Educational Technology，2011（10）：75－78.

[6]任軍號，吉沛琦，耿躍.SOM神經(jīng)網(wǎng)絡(luò)改進(jìn)及在遙感圖像分類中的應(yīng)用[J].計算機(jī)應(yīng)用研究，2011，28（3）：1170－1172.REN Jun-hao，JI Pei-qi，GENG Yue. Application and improvement of SOM network in remote sensing image classification[J].Application Research of Computers，2011，28（3）：1170－1172.