一种虚拟学习社区模型构建方法

《一种虚拟学习社区模型构建方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、一种虚拟学习社区模型构建方法　　摘要：虚拟学习社区作为一种异构的复杂知识网络，模型构建研究有助于帮助我们认识、分析大规模虚拟学习社区的要素、结构与关系。论文从理论模型和结构模型两个角度分析了已有虚拟学习社区模型的构建研究，提出了一种基于主题模型的虚拟学习社区模型构建方法。　　关键词：虚拟学习社区；模型构建；主题模型　　中图分类号：G434文献标志码：A文章编号：1673-8454（2013）15-0087-03　　一、引言　　《国家中长期教育改革和发展规划纲要（2010-2020年）》提出：信息技术对教育发展具有革命性影响，必须予以高度重视；要加强优质教育资源开发与应用。虚拟学习社区

2、（VLC）是一种基于网络而形成的学习型组织，是由计算机、互联网和人所组成的人――机系统，融合了媒体信息、用户行为和网络关系结构三大要素，是一种复杂的媒体形态。　　随着Web技术的发展，虚拟学习社区的应用形式和应用范围不断发展和丰富。在当前环境下，虚拟学习社区呈现出新的特点：大规模虚拟学习社区发展成为一个异构的信息网络，其要素类型、互动过程及网络关系变得日益复杂；同时，虚拟学习社区中蕴含了丰富的知识，是一个覆盖面广，扩展性好，实时性强的知识库，这些知识隐含在社区中文本、学习者之间的互动和学习者与资源之间的交互中。　　虚拟学习社区的发展和特点，要求从学习角度和技术角度对虚拟学习社区做深入

3、研究，同时关注教育学、社会学和技术科学的研究方法。对模型构建的研究是虚拟学习社区研究中的重要环节，有助于帮助我们认识、分析大规模虚拟学习社区的要素、结构与关系，更好地设计和优化虚拟学习社区，指导虚拟学习社区的学习实践。　　二、虚拟学习社区模型构建研究综述　　虚拟学习社区模型用于描述社区的要素、结构与关系，已有的模型构建研究可以划分为理论模型构建和结构模型构建两个层面。　　1.理论模型研究　　在理论模型的构建研究上，Tu和Corry提出了一个三角形理论模型，认为虚拟学习社区由教学的、技术的和社会互动的三个维度组成，为开展VLC研究提供了指导。[1]Garrison等提出的COI模型提出

4、了在线学习社区的社会存在、认知存在和教学存在三个要素，认为这三种要素将影响到网络学习的效果。[2]马凤娟等构建了Web2.0环境下虚拟学习社区的理论模型，描述了虚拟学习社区的组织结构以及知识的流动与存储。[3]　　2.结构模型研究　　在结构模型研究上，当前研究主要有社会网络分析法和复杂网络建模法。近年虚拟学习社区社会网络关系的重要性受到广泛认同，主要使用社会网络分析方法定量寻找虚拟学习社区中各角色之间的关系及其在社区中的位置。[4]王陆教授对虚拟学习社区的社会网络结构进行了深入研究，证明了虚拟学习社区具有的社会网络结构特征，提出虚拟学习社区社会网络结构与网络教育效果的因果模型。[5]

5、陈向东等以东行记为案例，从网络密度、小团体、中心性等角度探讨了Blog虚拟学习社区的社会网络结构。[6]　　相对于社会网络分析法，复杂网络建模侧重于对网络动态学的研究，强调社区结构的拓扑性质与演化、对社区的人员和关系演化过程进行很好的建模分析。我们前期研究构建了E-learning标签网络，分析了其所具备的小世界现象和无标度特征的复杂网络性质。[7]　　从虚拟学习社区的研究方法角度分析，当前我国对于虚拟学习社区的研究方法相对单一，应注重方法的多样性和先进性，丰富虚拟学习社区研究方法。由于VLC是在技术的基础上建设的社区，因此在关注社会学研究方法的同时，还需要关注技术科学的研究方法。　

6、　三、基于主题模型的虚拟学习社区建模方法　　社会网络分析和复杂网络建模侧重对社区的关系结构分析，其分析方法在分析大规模网络时对社区要素内在的语义信息和要素间的语义关系反映不足。主题模型是复杂随机系统建模的有力工具，其优点在于可以有效描述要素的语义信息和要素间的语义关系，并且可以利用高效的推断算法进行计算，更适合处理大规模数据。　　1.主题模型概述　　主题模型是一种生成式模型，借鉴了概率图模型理论和方法，以LatentDirichletAllocation（LDA）模型为代表，最初用于文档分析，主要通过引入隐含语义主题，用来捕捉各种要素之间的隐含语义联系。[8]主题模型的主要思想是：认

7、为一篇文档可以理解成是由若干个隐含主题组合形成的，而这些主题由文本中特定词汇体现，如图1左所示。如一篇关于“虚拟环境下的泛在学习”的Blog文档，当描述主题“虚拟环境”时，可能使用“virtual”、“reality”、“3D”、“space”等词，而“mobile”、“ubiquitous”、“wireless”、“handheld”等词汇则描述了主题“泛在学习”，如图1右所示。因此可将隐含主题看作是词的一种概率分布，单个文档则表示为这些隐含主题特定比例