利用模糊神经网络方法建立CSCL分组模型.pdfVIP

第32卷第4期 渤海大学学报(自然科学版) Vo1．32．No．4 2011年 l2月 Journal of Bohai University(Natural Science Edition) Dec．201l 利用模糊神经网络方法建立CSCL分组模型 伦淑娴 ，杨友林 (渤海大学工学院，121000) 摘 要：针对目前计算机支持的协作学习存在硬性分组和分组依据模糊性等问题，提出利用 数据挖掘方法获取影响协作学习分组性能的基本因素，然后利用模糊神经网络方法对基本因素 进行分析进而构建出协作学习的分组模型。并且该方法在某高中信息技术课程的协作学习分组 中得到有效应用。 关键词：CSCL分组；学习者特征；模糊神经网络；数据挖掘；分组模型 中图分类号：O171 文献标识码：A 文章编号：1673—0569(2011)04—0358—04 0 引言 随着网络技术的普及和教育信息化程度的提高，计算机支持的协作学习(Computer Supported Collabo— rative Learning，简称CSCL)的研究和应用己经成为目前网络教育领域的一个研究热点…。计算机支持的 协作学习是指利用计算机技术来辅助和支持协作学习的一种新的技术手段，是教育技术中最具前景的技 术E 2)。CSCL研究的目的是探讨在计算机支持的环境中，尤其是网络环境下学生如何开展协作学习活动。 它更加强调老师和学生之间、学生和学生之问各种教学信息的实时交互和学习的协同，从而将传统课堂教 学与网络教学的优势充分结合起来。CSCL是一个综合的研究领域，它集成了教育学、心理学、社会学、计 算机技术和人工智能等领域的研究成果。目前国内外对于CSCL协作过程的前期准备即怎样分组的研究 相对较少，当前大部分协作学习系统对分组缺乏科学的判断依据，多数是硬性分组的，且分组依据也是较 模糊的，轻视了分组的过程在协作过程中的地位。因此很有必要提出科学合理的学生分组方式，建立一个 知识和能力结构合理的学习小组，有助于发挥学生的聪明才智，提高学生主动学习的热情，达到较好的协 作学习效果。因此，本文以如何分组为中心问题，根据待分组对象(学习者)的个体特征具有模糊性 ， 利用模糊神经网络建立CSCL的分组模型。 1 国内外研究状况 当前，计算机支持的协作学习己经成为国际和国内计算机技术及教育领域研究的重点和热点。国外 有关CSCL的研究开始于20世纪80年代，该领域的研究者主要来自北美的美国、加拿大和欧州的英国、 法国、荷兰、德国、挪威等。在国外，对协作学习的研究比较多，无论是在理论上还是实践上都有了很大发 展。我国在该领域的研究大致开始于20世纪90年代末，国内的研究者同样在协作学习的研究领域做了 大量工作。而每年主要在欧美国家举行的CSCL年会，更是专门将CSCL作为其研究专题的重要学术论 坛 。 目前国内外对于CSCL的研究一般集中在CSCL的基本概念、基本要素、基本模式、一般方法、综合评 收稿日期：201】一lO一3O． 基金项目：辽宁省教育科学“十一五”规划重点课题(No：JG09DA012)；渤海大学教改立项． 作者简介：伦淑娴(1972一)，女，教授，博士，硕士生导师，主要研究方向：计算智能、智能控制 360 渤海大学学报(自然科学版) 第32卷 图2 CSCL分组模型 (2)CSCL分组属性分析模型的建立 本文用BP模糊神经网络方法构建CSCL分组属性分析模型。模糊神经网络具有很强的非线性建模、推 理和可解释的能力，因此，本文综合各个学者对学习者基本特征的理解，利用粗糙集等数据挖掘方法确定影 响学习者分组的基本因素，这些基本因素对协作小组的形成起到重要作用，统称为学习者的分组属性。如通 过数据挖掘技术和专家的评价相结合，对学习者原始特征数据进行分析，获得学生的学习风格、交流能力和 知识基础的低一层次因素等对协作学习的绩效有重要的影响。这些低一层次因素构成了影响