基于SOM网络的远程教育学习行为分析模型

郭富强

（陕西广播电视大学 资源建设与现代教育技术中心，陕西 西安 710068）

远程教育的学习行为，是指学习者在自主学习过程中表现出来的学习态度、学习方式、学习风格、学习过程的总合。具体内容包括学习的计划制定、媒体选择、资源使用、时间分配、沟通交流、自我调控、任务完成等几个方面。学习行为与学习效果有着密切的关系，良好的学习行为是完成学习任务，提高学习质量的重要保障。

在远程教学环境下，教与学的时空分离的特点，使得教师难以直接观察学习者的各种行为表现，对学习者的学习过程进行有效的监控与评价，给出具有针对性的学习反馈与学习指导[1]。因此，建立远程教育环境下的学习行为分析模型，进行科学智能的学习行为分析，具有重要意义。一是根据模型提供的分析信息，为学习者的学习活动提供有效的反馈与指导，使学习者有目的的调整自己的学习行为，形成高质量的学习活动；二是通过模型可以根据学习行为对学习者进行分类，掌握各类学习者的学习特征，研究影响远程学习的因素，实行分类教学，为制定科学的教学管理策略，优化学习支持服务，实施个性化教学提供支持；三是通过模型可为网络学习平台的建设、网络学习资源的开发、远程教育课程教学设计提供依据，模型也可作为智能教学系统的组成部分，配合实现个性化教学、智能教学的功能。

国内远程教育在学习行为研究方面，目前还主要处于人口学分析层次上，如研究学生的年龄分布、成人和青年学生的比例、就业状况、学历比例、学习动机等等，当然，也有对学习方法、学习条件的调查分析，但对于学习过程中学习者的心理、行为、学习效果及其相互关系等深层次的研究还很少。另一方面，在以往的研究中，还有一个明显的不足，就是将远程教育的学习简单化为网上教学，往往只考虑基于网络的学习活动，忽略线下学习的大量信息，比如面授辅导、通过教材学习、课程实践等学习环节，得到的结论也不完整。因此，只有构建全面的分析模型，才能提高分析的实际意义，才能向学习者提供全面有效的指导。

建立学习行为分析模型，有效聚类是需要解决的核心问题。现有的聚类模型，它们较多的是相关、回归、因子和主成分分析等统计方法，由于远程教育下学习的诸因素之间具有很强的非线性关系，选取常规变量的因子分析法和逐步回归法等多是建立在线性模型基础上的，不大适用复杂的聚类问题。自组织特征映射（SOM）模型具有自学习、自适应能力和强容错性的特点，能够对大量的多元数据进行智能化的聚类分析，计算简单、准确快捷、可靠，分类结果的客观性和可靠性能够得到保证。

本文将SOM网络引入学习行为分析，结合混合学习理论、分类教学思想和远程教育实践，建立了远程教育学习者的学习行为分析模型，并通过实例证实该模型的有效性。

1 SOM网络与学习行为分析

SOM是无教师、竞争式的自组织和自学习网络。它的典型特性就是可以将n维空间的数据抽取信息特征，映射到低维空间（1维或是2维），形成输入信号的特征拓扑分布，并保持其拓扑结构不变。SOM网络结构如图1所示。

图1 SOM网络结构Fig.1 SOM network structure

SOM网络分为两层，输入层中的神经元节点数量与其包含的变量数一致，其功能是获取数据。输出层神经元构成一维或二维网格（图中为二维网格）。 SOM网络是全连接的，每个输入神经元节点都同所有的输出神经元节点相连接[2]。

本文通过SOM网络的聚类分析功能实施学习行为的分类。聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。聚类分析又称群分析，它所要求划分的类是未知的。因此，SOM网络特别适合高维空间的复杂数据聚类。远程教育的学习是一个多因素的复杂过程，通过聚类能帮助教学和教学管理人员从庞大的学习行为库库中发现不同的学习群，并且用学习模式来刻画不同的学习群的特征，为教学和学习支持服务的决策提供关键性依据[3]。

2 学习行为分析的指标体系设计

分类的指标体系依据远程教育的特点、学习者主要特征和混合学习的理论来建立。

2.1 远程教育的特点

现代远程教育是伴随着现代信息技术的发展而产生的一种新型教育形式，是构筑知识经济时代终身学习体系的主要手段。它以多媒体教学资源为支撑，以远程教学和服务为主要手段，综合面授、函授和自学等教学形式完成课程教学。远程教育可以有效地发挥各种教育资源的优势，为不同的学习对象提供方便、快捷、广泛的教育服务。与传统的学习相比，现代远程教育主要具有以下特点：

1）远程性：学生和教师、学生和教育机构之间处于准分离状态，主要采用多种技术媒体承载和传递课程内容，建立师生的交互关系，通过学习资源和支持服务两个方面对学生的学习施加影响。因此，保持师生沟通，加强对学生学习的管理就显得尤其重要。

2）开放性：开放性是远程教育的首要特征。开放性体现在教育对象、学习方式和学习资源的开放等方面。学习资源通过网络实现充分共享与无限延伸。在以学习者为中心的开放环境中，给予学习者最大的学习自由，同时对学习者也是一种挑战，因此，就应该强调每个个体学习的计划性。

3）虚拟性：学习者在虚拟化的教育环境里听课、参加讨论、完成作业和参加考试。在网络环境里，活动主体具有隐蔽性，无形中弱化了教师的权威性，学生可以和教师在这个自由、平等的虚拟课堂上畅所欲言，自由地交换意见。但由于这种虚拟性，学习者缺少传统校园学习的约束和引导，很容易自我放松和迷航。这就需要培养学习者学习的自觉性和自我控制能力。

4）个别化学习、自主学习：学习者根据自己的具体情况和需求制定学习计划，自己选择学习资源和学习方式，自我控制，自我评价，直至达到学习目标。教学由原来的以“教”为主转变为以“学”为主。根据个别化学习的思想，学习者应该分析和识别自己的特点，逐渐形成适合自己的学习方式。

5）协作学习：学习者之间可以通过协作化交流、协商和合作，进行思维的碰撞，从而有助于他们理解知识、思考问题、解决疑难。协作学习的方式既可以通过远程教学平台进行，也可以通过本地建立的学习小组进行。

2.2 学习者主要特征

远程教育学习者一般都具有一定的工作经验，有利于学习，但需要处理学习与工作、家庭及社会活动的关系；大多在社会中处于弱势，提升自己的意识强烈；知识水平参差不齐，总体较低，学习有一定难度；学习方式多样，学习时间较为灵活，在家中通过网络学习者居多，学习具有不连续性；在学习资源的使用方面，以远程学习平台为主，配合使用网络搜索引擎，对网络资源的依赖度极高，往往缺乏对繁冗信息的识别能力；在交流互动方面，注意利用教学平台的课程讨论区、QQ、电子邮件、微博等进行交流。

2.3 混合式学习理论

MargaretDriscoll在2002年提出混合式学习（Blended Learning），包括4个不同的概念：1）结合或混合多种网络化技术（如实时虚拟教室、自定步调学习、协作学习、流式视频、音频和文本）实现教育目标。2）结合多种教学方法（如建构主义、行为主义、认知主义），利用或不利用教学技术产生最佳的学习成果。3）将任何一种教学技术与面授课堂教学相结合。4）将教学技术与实际工作任务相混合或结合，以使学习和工作协调一致[4]。

根据混合学习理论，分析指标应充分表现学习者基于多种资源、多种方式、多种方法的学习行为。

2.4 学习行为分析指标

根据以上分析，学习行为分析指标体系包括学习管理、学习方式、学习表现3个一级指标，以及12个二级指标[5]。每项指标的内涵、考察重点、数据来源详见表1。数据来源主要有3个方面：有关教师（导学教师、课程责任教师、实验指导教师）在批阅学习者制定的学习计划、作业、实验报告，以及面授辅导考勤中形成的记录；教学平台在学习者学习过程中自动记录的有关网上学习的数据；通过网络对学生进行专门调查得到的数据。

表1 学习行为分析指标体系Tab.1 Learning behavior analysis index system

3 学习行为分析模型

远程教育学习行为分析模型分为学习行为分析和教学策略生成两大部分。学习行为分析器是模型的核心部分，主要组成是SOM网络。见图2。

图2 远程教育学习行为分析模型Fig.2 Distance education learning behavior analysis model

模型有两种运行状态，即训练状态和工作状态。在训练状态，先后输入训练样本和测试样本，完成学习行为聚类分析，生成学习者分类库，并在专家的参与下，完成各类学习者的教学策略分析，形成教学策略库。在工作状态，输入待分析数据，完成对待分析对象的类型识别，并生成相应的教学策略。

4 研究实例

4.1 样本设计

样本选自2012年秋陕西广播电视大学开放教育学院远程开放教育计算机科学与技术专业的数据库应用技术课程的实际教学和调查。进行了较必要的筛选，主要是选取有代表性的数据。进行了初始化处理，每个指标分值按10分制进行了换算。表2为经过了初始化处理的数据，共20组，其中前15组作为MOS网落的训练样本，后5组作为测试样本。

表2 样本数据（部分）Tab.2 Sample data（Part）

4.2 SOM网络的结构设计

竞争层神经元数量的确定考虑两个方面的因素，一是聚类不能太细太多，太细则失去了聚类的意义，聚类结果难以使用；二是不能固定聚类数，应由系统根据实际样本确定聚类模式和聚类数。因此，这里设计15个神经元的特征映射网，用以对输入的多维向量进行聚类，其等于训练样本数15。网络竞争层神经元的组织结构为3×5。模型通过MATLAB进行设计、调试、仿真，其中距离函数为linkdist，网络的初始权值设为5，经反复试探，训练步数设为800。

4.3 模型的训练和测试

网络创建后，输入训练样本对网络进行学习训练，抽取输入信号的模式特征，完成对训练样本的识别和聚类，从而使网络竞争层对不同输入模式具有不同的响应特性。训练结束后，网络权值固定，以后每输入一个值，网络就会自动对其进行分类。聚类结果、测试结果分别见表3、表4。

表3 聚类结果Tab.3 Clustering results

表4 测试结果Tab.4 Test results

4.4 结果分析

聚类结果的分析是模型应用的关键环节[6]。为便于应用，根据每种类型的特点，将其分别命名为能力型、控制型、资源型、钻研型、随机型和交流型,并分析了每种类型的优点、不足，给出了教学策略建议，如表5所示。

表5 聚类结果分析Tab.5 Results of clustering analysis

5 结束语

本文基于SOM，并结合混合学习、分类教学的思想，建立了远程教育学习行为分析模型，并以陕西电大为实例进行了测试，通过对其结果进行分析,证实了该模型能够有效实现学习行为分析。但也存在不足，一是模型进行了一定简化，因为学习行为与社会环境、学习观念、学习条件、学习动机、认知结构、学习期望等都有一定关系，本模型只是从容易度量的“行为”分析入手，寻找不同的学习模式，而将难以量化的因素根据多年的教学经验放在教学策略中。二是模型经训练后只适应于指定或类似课程，不同课程学习行为可能有一定差异。三是基于SOM聚类的原理缺乏可读性、透明性，因为其无法解释结果是如何产生的，在聚类过程中使用了什么规则。因此对聚类结果的分析，需要专家有较高的理论水平和丰富的经验，特别是要熟悉远程教育的教学。

[1]张豪锋，李海龙.网络学习评价模式及其影响因素分析[J].现代远距离教育，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的聚类算法在抑郁症药物药效检测中的应用[J].西南科技大学学报，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]成桂兰，刘旭东，陈德人.基于混合聚类的个性化推荐算法[J].武汉理工大学学报：信息与管理工程版，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]武开，徐荣贞.混合式学习中监控方式的实证研究[J].电化教育研究，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]倪美华.远程开放教育中学生学习能力的培养[J].中国电化教育，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]任军号，吉沛琦，耿跃.SOM神经网络改进及在遥感图像分类中的应用[J].计算机应用研究，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.