發布時間：2020-03-06所屬分類：教育論文瀏覽：1次
摘 要： 摘要：學習風格作為主要的認知模型，是在線學習系統中常用的用戶建模依據。基于此，文章首先基于被使用頻率最高的學習風格模型Kolb模型、VARK模型、Felder-Silverman模型和FDI模型，對學習風格用戶模型進行了分類，并解析了其可能提供的自適應服務;隨后，文
摘要：學習風格作為主要的認知模型，是在線學習系統中常用的用戶建模依據。基于此，文章首先基于被使用頻率最高的學習風格模型——Kolb模型、VARK模型、Felder-Silverman模型和FDI模型，對學習風格用戶模型進行了分類，并解析了其可能提供的自適應服務;隨后，文章從在線學習系統中用戶建模的角度，分析了整合不同學習風格用戶模型的自適應策略;最后，文章總結了影響在線學習系統自適應性能的關鍵問題，以更好地發揮在線學習系統的自適應性能。文章對學習風格用戶模型的解讀及其自適應策略的分析，將有助于在線學習系統對學習者進行更準確的描述和診斷，從而提供更適合的學習資源和學習建議。
關鍵詞：學習風格;認知風格;在線學習系統;用戶模型;自適應策略
引言
學習風格(Learning Style)作為主要的認知模型，是在線學習系統中常用的用戶建模依據。目前，以認知風格為前身的學習風格尚未形成統一的定義，如Keefe[1]認為學習風格是學習者關于感知、交互和響應學習環境的有標志的指征;Kolb[2]將學習風格定義為學習者對發散思維型、同化型、收斂型和調解型四種學習處理模式在不同程度側重使用傾向性上存在的普遍差異;Dunn 等[3]指出學習風格是學習者從集中注意力到信息處理再到獲得并維持新信息和較困難信息的不同方式;VARK學習風格模型的開發者認為學習風格是個體采集、組織、思考信息時的特征及其喜好的方式[4];使用率最高的Felder-Silverman學習風格模型開發者則將學習風格描述為個體獲取并處理信息的有突出特點的優勢和喜好[5]。綜上可知，學習風格是一些學習者在學習過程中產生的群體性指征，這些指征主要體現在學習者在學習過程中接收處理信息時的行為特征、思維喜好和擅長等。
學習行為統計的不斷數字化，使得在智能學習系統中動態搜集學習者的學習行為并進而判斷學習者的學習風格偏向性成為可能[6]，并據此為學習者提供自適應的學習資源。基于此，本研究主要從在線學習系統中用戶建模的角度分析了不同類型的學習風格用戶模型，并分析了整合不同學習風格用戶模型的自適應策略，最后總結了影響在線學習系統自適應性能的關鍵問題。
一 學習風格用戶模型分類
目前所使用的學習風格模型多達百種，但Coffield等[7]在2004年發布的關于學習風格在基礎教育領域的應用研究報告中指出，很多學習風格模型在實際課堂應用中存在缺陷，其中包括無法保證測量工具的可靠性和有效性等問題。因此，本研究僅討論具有較高認可度和實用性較強的學習風格模型——在自適應學習系統中，被使用頻率最高的學習風格模型有Kolb模型、VARK 模型、Felder-Silverman模型和FDI模型，而通過這些模型的測量工具來采集學習者的學習風格偏向性是主要的自適應用戶模型構建方式。基于此，本研究將聚焦于上述四種學習風格模型在構建自適應用戶模型中的應用，對覆蓋學習者信息感知、信息輸入、信息組織、信息處理和信息理解的信息處理閉環中可能提供的自適應服務展開全面解析。
1 基于 Kolb 模型的學習風格用戶模型
Kolb模型理論是對四步驟實驗學習過程中學習者不同組合使用模式的檢測[8]，更貼近有一定教學目標的正式學習的過程。在Kolb模型中，Kolb學習風格包括四種類型：發散思維型(Diverger)、同化型(Assimilator)、收斂型(Converger)和調解型(Accommodator)。基于Kolb 模型的學習風格用戶模型可能提供的自適應服務如表1所示。
2 基于 VARK 模型的學習風格用戶模型
VARK模型是早期神經語言學模型的擴展。在VARK模型中，VARK學習風格包括視覺型、聽覺型、讀寫型和動覺型等四種類型。需要注意的是，Fleming[11]的相關研究報告表明，參與VARK 學習風格測試的很多被試都在兩個以上的測試項上具有明顯偏向性，因此在進行用戶建模時，只是盲目地根據VARK學習風格的分類維度來對學習者進行劃分是不準確的。基于VARK模型的學習風格用戶模型可能提供的自適應服務如表2所示。
3 基于 Felder-Silverman 模型的學習風格用戶模型
Felder-Silverman模型是迄今為止使用最為廣泛的學習風格模型，涉及學習者用戶模型建模、學習者學習策略推薦、學習者學習風格與其它學習能力的關聯性分析等各方面的研究內容[15]。 Felder-Silverman模型對學習者進行了四個維度的測量和劃分，且在每個維度上均設置了兩級化的指征，具體包括感知型、直覺型，視覺型、言語型，主動型、反射型，順序型、全局型。值得注意的是，部分研究因為對學習風格模型解讀的主觀性過大，反而造成了用戶模型中規則構建的沖突。因此，單純地從學習者的喜好角度來采樣他們的在線學習行為是不準確的[20]。基于 Felder-Silverman模型的學習風格用戶模型可能提供的自適應服務如表3所示。
4 基于 FDI 模型的學習風格用戶模型
FDI模型是場依存(Field Dependent)/場獨立(Field Independent)模型的簡稱，是由Witkin 等[21]于1977年提出來的一種人格特征測試模型。在學習系統中使用FDI模型，對學習者建模的意義在于可以根據學科的特點來設置協作學習任務、討論學習任務的數量和任務完成模式，同時根據長期的學習目標有針對性地強化訓練學習者所需的信息感知和處理風格。基于FDI模型的學習風格用戶模型可能提供的自適應服務如表4所示。
總的來說，上述四種學習風格用戶模型都沒有覆蓋信息處理閉環中全部節點的自適應性能，特別是在信息感知和信息理解這兩個節點上的自適應性能非常缺乏。此外，這四種學習風格用戶模型能實現的動態自適應也很少，原因在于僅僅通過在線學習系統的行為統計、學習風格測量無法獲得用戶在這些認知能力方面的準確信息，也很難支撐別的動態自適應。
二 學習風格用戶模型的自適應策略
在線學習系統中整合不同學習風格提供自適應服務的根本目的，是希望基于學習者穩定的學習指征，能為學習者提供滿足其個性化學習需求的學習策略，以提升學習者的學習效果、提高在線學習的滿意度。結合上文對不同學習風格用戶模型可能提供的自適應服務的解析，本研究分析了在線學習系統中整合不同學習風格用戶模型的自適應策略。
1 靜態自適應策略
靜態自適應策略主要通過三個步驟實現：
①通過學習風格文獻描述，建立不同風格與自適應策略之間的一階邏輯關系[24][25];
②通過學習風格測量工具，采集學習者的學習風格偏向性數據;
③在線學習系統根據學習者的測量結果，為學習者推薦不同的學習策略[26][27]。
在學習環境參數(包括學習對象、學習目標和學習內容)不改變的前提下，在線學習系統采取靜態自適應策略能幫助學習者取得較好的學習效果。但是，隨著學習系統規模的擴大和適用范圍的拓展，動態自適應策略更能滿足當前在線學習系統的智能性需求。
2 動態自適應策略
(1)動態挖掘學習風格偏向性與自適應策略
之間可能的關聯學習風格偏向性與自適應策略之間沒有固定的關聯，它們之間的關聯是在線學習系統通過機器學習/數據挖掘技術動態構建的，故不同的學習內容、學習對象和學習模式都有可能導致所找到的關聯不同。如Hwang等[28]發現，學習者選擇的游戲模式未必符合其學習風格偏向性，而根據學習者喜好所選擇的游戲模式也并不能為學習者帶來預想的學習效果。盡管如此，由于這些關聯都與學習內容、學習對象和學習模式緊密聯系，雖然找到的關聯結論并不一定能遷移到別的在線學習場景，但動態發掘當前學習環境下學習者學習風格偏向性與自適應策略之間的關聯仍然很有必要。
(2)動態推斷學習者的學習風格偏向性
要想獲得在線學習系統推薦的自適應學習策略，就需通過機器學習技術使系統具備學習風格預測的能力。早期的學習風格偏向性推斷主要基于研究者自己理解的學習行為特征空間，如 García等[29]認為，學習者行為特征空間包括發帖數、回帖數、郵件數、測驗修改數等內容，這些行為特征是研究者根據經驗確定的，可據此預測新加入學習者的學習風格偏向性;而更廣泛的應用是在搜索引擎中獲得學習者對學習資源的偏好[30]，并根據這些在線資源選擇行為和測量工具所采集的學習風格偏向性標簽來構建動態預測的訓練數據——相較于前者，這種基于搜索引擎的學習者學習資源偏好行為特征采集更具有針對性。此外，Yang等[31]提出，學習行為特征空間的建立應綜合多個經驗研究中都提到的學習行為，然后在預測模型中加入關鍵特征空間篩選模塊，使預測學習風格偏向性的在線學習行為特征空間可隨學習內容和學習目標動態變化[32]。
(3)動態生成自適應方案
當學習內容和學習目標發生變化時，自適應推薦策略也需進行動態更新。動態自適應策略同樣需要使用機器學習技術學習已有學習者的成功自適應經驗，以在環境參數改變的情況下能正確做出策略推薦調整。如Dascalu等[33]提出使用Jaccard相似度來比較當前學習者與具有相同學習風格偏向性的已有學習者的學習行為相似度，然后為其推薦具有相同學習風格偏向性的已有學習者的成功學習策略和學習路徑，策略的變化可隨學習者學習行為的相似度來進行判斷。
推薦閱讀：教育類普刊中單位認可度高的的刊物
三 影響在線學習系統自適應性能的關鍵問題
為了更好地發揮在線學習系統的自適應性能，本研究將影響在線學習系統自適應性能的關鍵問題總結如下：
1 如何準確判定學習風格的偏向性
對于學習風格測量工具信度和效度的問題，如果從傳統心理學的研究方法入手可能無法獲得 理 想 的 解 決 方 案 ， 但 神 經 科 學 方 面 的 技 術 可 能 會 提 供 一 些 幫 助，如應用 腦 電(Electroencephalograph，EEG)和眼動追蹤(Eye Gaze Detecting)技術等，不僅有助于將在線學習系統中的經驗智能轉變為事實智能，而且能提供更有力的神經學基礎和認知解釋模型。例如，可分別以學習效果和學習體驗度為目標，搜集學習者在線學習過程中的相關腦部活動數據，挖掘在線學習環境中不同學習者從感知信息到處理信息過程中腦部活動的個體差異與群體差異，以“腦部活動數據+操作日志”作為解決在線學習行為特征空間誤差的途徑，從而更準確地判斷學習者的在線學習行為模式。
2 如何動態生成學習風格用戶模型學習風格用戶模型
動態生成是指模型中的屬性和指征可以根據學習者與在線學習系統的交互動態生成，但目前這方面的相關研究成果缺乏。已有自適應學習系統用戶模型中關于學習風格的指征均根據學習風格測量工具的結論來設立，這直接導致推薦策略和學習風格預測度低下，因為學習者隨時可能會因學習內容和環境變化而改變自己的學習風格偏向性。所以，動態構建學習風格用戶模型是目前和未來自適應學習系統必須解決的另一個關鍵問題。在已解決特征空間誤差的前提下，高預測率的黑盒機器學習技術(如深度學習技術)可以獲得更高準確率的動態用戶模型，是構建動態用戶模型的首選。但深度學習技術所需的訓練時耗無法滿足在線學習系統的時間響應需求，故在獲得穩定特征空間的支撐下，可考慮建立公用的學習風格訓練網絡和可用于機器遷移學習的二次開發框架。
3 如何基于更多的認知模型推薦自適應策略
目前在線學習系統中整合了認知機制的用戶模型大都局限于學習風格模型，但除此之外，學習者在其它方面穩定的認知能力還未被系統設計者納入考慮范圍。如學習者在注意力、關注力、理解力、短時記憶、長時記憶等多方面認知能力的個體差異，可能會更需要系統提供智能化的自適應服務。因此，在學習風格用戶模型中整合更多的認知模型，將是在線學習系統提升智能性的另一個關鍵問題。目前，在自適應學習系統中納入情感計算模塊是一個可行方案。
四 結語
教育學、心理學及神經科學等多學科的快速發展和新興教育信息技術的不斷涌現，為自適應學習的研究帶來了新的機遇與挑戰。學習風格作為描述學習者個體差異的一個重要指標，有助于對學習者進行更準確的描述和診斷，從而提高在線學習系統的自適應能力，為學習者提供更準確的學習資源和學習建議。針對影響在線學習系統自適應性能的關鍵問題，后續研究將進一步深化學習風格用戶模型及其自適應策略的理論研究，如利用神經科學方面的技術更準確地判定學習者的學習風格偏向性、通過優化深度學習網絡和情感計算成本動態生成學習風格用戶模型、整合更多的認知模型做好自適應策略推薦等;同時，在實踐應用的過程中對學習風格用戶模型予以不斷完善。
SCISSCIAHCI
