基于强化学习的自适应分组算法在协作学习中对组内异质性与绩效平衡的优化 (2).docxVIP

PAGE2

基于强化学习的自适应分组算法在协作学习中对组内异质性与绩效平衡的优化

摘要

本研究聚焦协作学习中分组策略的核心困境——如何在组内异质性与绩效平衡之间实现最优配置。传统随机分组依赖概率偶然性，难以兼顾能力互补、性别均衡与性格适配等多维目标，常导致组内冲突加剧或“搭便车”现象蔓延，削弱协作学习的认知增益效果。

本研究以学习科学为理论视域，提出一种基于强化学习的自适应分组算法。该算法将分组过程建模为马尔可夫决策过程，以能力梯度、性别比差与性格相容度构建多维状态空间，以绩效方差与满意度均值作为奖励信号，通过Q-learning迭代逼近帕累托最优分组方案。全文遵循“问题提出—理论解析—机制阐释—算法建构—效能验证”的逻辑主线。

第一章界定研究背景与核心问题，明确协作学习分组中异质性配置的理论困境。第二章系统梳理国内外分组策略研究，揭示静态分组向动态适配的范式转换趋势。第三章界定能力异质性、性格相容性与绩效平衡等核心概念，构建多维异质性协同的理论基础。第四章深入解析分组问题中异质性冲突与绩效均衡的结构性矛盾。第五章阐释强化学习算法如何通过动态适配机制化解上述矛盾。第六章完成从理论模型到算法框架的建构，提出基于自适应分组的理论命题。第七章与第八章分别总结研究发现、理论贡献，并反思研究局限与未来展望。

研究结果表明，相较于随机分组，基于强化学习的自适应分组算法使组间绩效方差收敛于