基于Wiki平台的协作小组分组策略研究.pdf

《基于Wiki平台的协作小组分组策略研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、[摘要】的关键特征类型[关键词】1．引言在Web2．0时代，人们的学习方式发生了很大变化，开始利用社会化软件辅助学习。Web2．0是一种以应用为导向的技术创新，主要形式是：Blog、Wiki、RSS、SNS。Wiki是一种多人协作式写作的超文本系统。wiki可以让大家共同修改网页，以实现知识的完善和经验共享。它允许学习者进行多人的创造和讨论，并可以保存版本，随时查阅过去的内容，不会因为修改错了，而失去正确的东西。由于Wiki的开放编辑、可扩充的特点，而且是免费使用，被很多用户所喜爱。Wiki的特性很多

2、，但对于使用者而言，还要根据自己的需要进行取舍、改造或集成，以适合不同的需求。作者将Wiki平台应用到教育中来，对源代码进行二次开发，以适应教育教学中的协作学习特点。2．Wiki协作学习小组划分策略在Wiki协作平台中要进行协作学习的首要条件就是分组，分小组协作学习是计算机协作学习中的重要环节。小组成员能在一定的激励机制下为共同的目标而学习，获得最优学习效果。目前在教育理论界有二种协作学习分组方式：同质分组和异质分组。同质分组是将个性特征相似的学习者分在一组，这种方式针对性强，有利于教师因材施教，缺点

3、是容易造成小组成员盲目自信和过度自卑。异质分组则是将个性差别较大的学习者分在一个协作小组中，扩大小组成员的差别，让小组成员之间互相交流，以实现互助，共同进步。这种方式针对性不强，不利于因材施教。2．1分组方式我们的Wiki协作平台对小组的划分采用三种方式，一种是自主分组，即学习者自由选择分组；一种是采用“组间同质，组内异质”的分组方式，即教师在后后管理系统中输入小组成员数量，系统先进行学习者特征分析，再按小组成员的性别、能力、学习风格及知识基础的差异进行分组。系统分组后，使组内成员异质。组内异质能让小

4、组成员互相帮助，发挥团队学习成效。当然分组后连带产生了小组间的同质性。组间同质能让小组之间公平竞争；第三种是同伴关系分组，同伴关系测试目的是将人际关系较好的学生尽可能2．2小组规模小组规模是指协作小组成员的人数。国外研究一般建议4．6人，根据我国大班教学的实际，也可以考虑将7．8人学习者分为一组。研究者认为计算机支持的协作学习过程中的小组成员在3．5人之间最为合适。圈l小组分组方式类型3．wikj系统分组过程模型设计W越协作平台根据学生学习特征测量结果，将所有学生分成多个协作小组，系统分组过程模型设计

5、。图2分组过程模型学生必须登录Wiki平台才能进入协作交流中心对任务进行小组讨论。小组讨论之前，系统根据登录的学习者特征测量信息对其进行分组。在该平台上实现协作小组分组的关键在于将小组间的差异度降到最低程度。协作平台上分组首先是将每个学生的特征化信息进行量化放入在数据库中，然后教师输入每位学生知识基础分值，最后由教师输入分组数目及方式：自由分组、异质分组、同伴关系分组。作者简介：阎双．女，辽宁锦州人．学士，讲师，研究方向：计算机应用技术。一59—4．分组算法的关键技术协作小组划分的基本原则是组间同质，

6、组内异质。也就是尽可能将差异度最大的学生分在一个小组中，并且使得小组间的差异度降到最低。解决这个问题的关键是运用聚类分析算法。根据K-means聚类算法找到量化后每个学习者之间特征差异度，将相似度最接近的学习者分到一个聚类，共分成K个聚类，再将K个向量所代表的学生随机分到协作小组中，直至所有向量分配完毕。4．1聚类算法工作过程该算法首先从数据中任意选择K个初始聚类中心，将其余数据与这些聚类中心的相似度比较，把最相似的聚类分在一起，然后再计算获得聚类的聚类中心，也就是聚类中所有对象的平均值，不断重复这个

7、过程，直到标准测度函数收敛为止。这样，同一聚类的对象相似度高，而不同聚类的对象相似度低。相似度的计算采用欧几里距离度量方法。定义如下：d(i，j)=、／kI—xjlI斗Ixn—xj212I№一划耳⋯叫‰一x蝌12其中i．纯。，】‘i2，⋯，蚰，j=(xj。，稚，⋯，蛐是两个N维的数据对象。4．2数据处理学生进行特征测量，获得一个六维向量(xl，x2，x3，x4，x5，x6)，即认知能力，活跃型／深思型，感悟犁／直觉型，视觉型／言语型，序列型／综合型，知识基础。得到的数据不能作为最终的输入数据，需要对数

8、据进行标准化。标准化的过程是通过计算标准分来实现，即用公式：(原始数据．该项指标的平均分)／全体学生该指标的标准差来获得。4．3协作小组划分的具体计算方法①设数据库中共有学生m个，输入小组成员的人数n，学生特征值六维向量(xl，x2，x3，“，x5，x6)，计算分组数目K--m／n，即输出K个聚类；②设变量students初值为数据库中男生的人数和：③repeat④计算男生每维向量数据的平均值，以此作为聚类中心，将男生数据记录中最接近该平均值距离的K个向