發(fā)布時(shí)間：2020-03-06所屬分類：教育論文瀏覽：1次
摘 要： 摘要：學(xué)習(xí)風(fēng)格作為主要的認(rèn)知模型，是在線學(xué)習(xí)系統(tǒng)中常用的用戶建模依據(jù)�；诖耍恼率紫然诒皇褂妙l率最高的學(xué)習(xí)風(fēng)格模型Kolb模型、VARK模型、Felder-Silverman模型和FDI模型，對(duì)學(xué)習(xí)風(fēng)格用戶模型進(jìn)行了分類，并解析了其可能提供的自適應(yīng)服務(wù);隨后，文
摘要：學(xué)習(xí)風(fēng)格作為主要的認(rèn)知模型，是在線學(xué)習(xí)系統(tǒng)中常用的用戶建模依據(jù)�；诖�，文章首先基于被使用頻率最高的學(xué)習(xí)風(fēng)格模型——Kolb模型、VARK模型、Felder-Silverman模型和FDI模型，對(duì)學(xué)習(xí)風(fēng)格用戶模型進(jìn)行了分類，并解析了其可能提供的自適應(yīng)服務(wù);隨后，文章從在線學(xué)習(xí)系統(tǒng)中用戶建模的角度，分析了整合不同學(xué)習(xí)風(fēng)格用戶模型的自適應(yīng)策略;最后，文章總結(jié)了影響在線學(xué)習(xí)系統(tǒng)自適應(yīng)性能的關(guān)鍵問(wèn)題，以更好地發(fā)揮在線學(xué)習(xí)系統(tǒng)的自適應(yīng)性能。文章對(duì)學(xué)習(xí)風(fēng)格用戶模型的解讀及其自適應(yīng)策略的分析，將有助于在線學(xué)習(xí)系統(tǒng)對(duì)學(xué)習(xí)者進(jìn)行更準(zhǔn)確的描述和診斷，從而提供更適合的學(xué)習(xí)資源和學(xué)習(xí)建議。
關(guān)鍵詞：學(xué)習(xí)風(fēng)格;認(rèn)知風(fēng)格;在線學(xué)習(xí)系統(tǒng);用戶模型;自適應(yīng)策略
引言
學(xué)習(xí)風(fēng)格(Learning Style)作為主要的認(rèn)知模型，是在線學(xué)習(xí)系統(tǒng)中常用的用戶建模依據(jù)。目前，以認(rèn)知風(fēng)格為前身的學(xué)習(xí)風(fēng)格尚未形成統(tǒng)一的定義，如Keefe[1]認(rèn)為學(xué)習(xí)風(fēng)格是學(xué)習(xí)者關(guān)于感知、交互和響應(yīng)學(xué)習(xí)環(huán)境的有標(biāo)志的指征;Kolb[2]將學(xué)習(xí)風(fēng)格定義為學(xué)習(xí)者對(duì)發(fā)散思維型、同化型、收斂型和調(diào)解型四種學(xué)習(xí)處理模式在不同程度側(cè)重使用傾向性上存在的普遍差異;Dunn 等[3]指出學(xué)習(xí)風(fēng)格是學(xué)習(xí)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(xué)習(xí)風(fēng)格模型的開發(fā)者認(rèn)為學(xué)習(xí)風(fēng)格是個(gè)體采集、組織、思考信息時(shí)的特征及其喜好的方式[4];使用率最高的Felder-Silverman學(xué)習(xí)風(fēng)格模型開發(fā)者則將學(xué)習(xí)風(fēng)格描述為個(gè)體獲取并處理信息的有突出特點(diǎn)的優(yōu)勢(shì)和喜好[5]。綜上可知，學(xué)習(xí)風(fēng)格是一些學(xué)習(xí)者在學(xué)習(xí)過(guò)程中產(chǎn)生的群體性指征，這些指征主要體現(xiàn)在學(xué)習(xí)者在學(xué)習(xí)過(guò)程中接收處理信息時(shí)的行為特征、思維喜好和擅長(zhǎng)等。
學(xué)習(xí)行為統(tǒng)計(jì)的不斷數(shù)字化，使得在智能學(xué)習(xí)系統(tǒng)中動(dòng)態(tài)搜集學(xué)習(xí)者的學(xué)習(xí)行為并進(jìn)而判斷學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向性成為可能[6]，并據(jù)此為學(xué)習(xí)者提供自適應(yīng)的學(xué)習(xí)資源。基于此，本研究主要從在線學(xué)習(xí)系統(tǒng)中用戶建模的角度分析了不同類型的學(xué)習(xí)風(fēng)格用戶模型，并分析了整合不同學(xué)習(xí)風(fēng)格用戶模型的自適應(yīng)策略，最后總結(jié)了影響在線學(xué)習(xí)系統(tǒng)自適應(yīng)性能的關(guān)鍵問(wèn)題。
一 學(xué)習(xí)風(fēng)格用戶模型分類
目前所使用的學(xué)習(xí)風(fēng)格模型多達(dá)百種，但Coffield等[7]在2004年發(fā)布的關(guān)于學(xué)習(xí)風(fēng)格在基礎(chǔ)教育領(lǐng)域的應(yīng)用研究報(bào)告中指出，很多學(xué)習(xí)風(fēng)格模型在實(shí)際課堂應(yīng)用中存在缺陷，其中包括無(wú)法保證測(cè)量工具的可靠性和有效性等問(wèn)題。因此，本研究?jī)H討論具有較高認(rèn)可度和實(shí)用性較強(qiáng)的學(xué)習(xí)風(fēng)格模型——在自適應(yīng)學(xué)習(xí)系統(tǒng)中，被使用頻率最高的學(xué)習(xí)風(fēng)格模型有Kolb模型、VARK 模型、Felder-Silverman模型和FDI模型，而通過(guò)這些模型的測(cè)量工具來(lái)采集學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向性是主要的自適應(yīng)用戶模型構(gòu)建方式。基于此，本研究將聚焦于上述四種學(xué)習(xí)風(fēng)格模型在構(gòu)建自適應(yīng)用戶模型中的應(yīng)用，對(duì)覆蓋學(xué)習(xí)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(huán)中可能提供的自適應(yīng)服務(wù)展開全面解析。
1 基于 Kolb 模型的學(xué)習(xí)風(fēng)格用戶模型
Kolb模型理論是對(duì)四步驟實(shí)驗(yàn)學(xué)習(xí)過(guò)程中學(xué)習(xí)者不同組合使用模式的檢測(cè)[8]，更貼近有一定教學(xué)目標(biāo)的正式學(xué)習(xí)的過(guò)程。在Kolb模型中，Kolb學(xué)習(xí)風(fēng)格包括四種類型：發(fā)散思維型(Diverger)、同化型(Assimilator)、收斂型(Converger)和調(diào)解型(Accommodator)。基于Kolb 模型的學(xué)習(xí)風(fēng)格用戶模型可能提供的自適應(yīng)服務(wù)如表1所示。
2 基于 VARK 模型的學(xué)習(xí)風(fēng)格用戶模型
VARK模型是早期神經(jīng)語(yǔ)言學(xué)模型的擴(kuò)展。在VARK模型中，VARK學(xué)習(xí)風(fēng)格包括視覺(jué)型、聽覺(jué)型、讀寫型和動(dòng)覺(jué)型等四種類型。需要注意的是，F(xiàn)leming[11]的相關(guān)研究報(bào)告表明，參與VARK 學(xué)習(xí)風(fēng)格測(cè)試的很多被試都在兩個(gè)以上的測(cè)試項(xiàng)上具有明顯偏向性，因此在進(jìn)行用戶建模時(shí)，只是盲目地根據(jù)VARK學(xué)習(xí)風(fēng)格的分類維度來(lái)對(duì)學(xué)習(xí)者進(jìn)行劃分是不準(zhǔn)確的�；赩ARK模型的學(xué)習(xí)風(fēng)格用戶模型可能提供的自適應(yīng)服務(wù)如表2所示。
3 基于 Felder-Silverman 模型的學(xué)習(xí)風(fēng)格用戶模型
Felder-Silverman模型是迄今為止使用最為廣泛的學(xué)習(xí)風(fēng)格模型，涉及學(xué)習(xí)者用戶模型建模、學(xué)習(xí)者學(xué)習(xí)策略推薦、學(xué)習(xí)者學(xué)習(xí)風(fēng)格與其它學(xué)習(xí)能力的關(guān)聯(lián)性分析等各方面的研究?jī)?nèi)容[15]。 Felder-Silverman模型對(duì)學(xué)習(xí)者進(jìn)行了四個(gè)維度的測(cè)量和劃分，且在每個(gè)維度上均設(shè)置了兩級(jí)化的指征，具體包括感知型、直覺(jué)型，視覺(jué)型、言語(yǔ)型，主動(dòng)型、反射型，順序型、全局型。值得注意的是，部分研究因?yàn)閷?duì)學(xué)習(xí)風(fēng)格模型解讀的主觀性過(guò)大，反而造成了用戶模型中規(guī)則構(gòu)建的沖突。因此，單純地從學(xué)習(xí)者的喜好角度來(lái)采樣他們的在線學(xué)習(xí)行為是不準(zhǔn)確的[20]�；� Felder-Silverman模型的學(xué)習(xí)風(fēng)格用戶模型可能提供的自適應(yīng)服務(wù)如表3所示。
4 基于 FDI 模型的學(xué)習(xí)風(fēng)格用戶模型
FDI模型是場(chǎng)依存(Field Dependent)/場(chǎng)獨(dú)立(Field Independent)模型的簡(jiǎn)稱，是由Witkin 等[21]于1977年提出來(lái)的一種人格特征測(cè)試模型。在學(xué)習(xí)系統(tǒng)中使用FDI模型，對(duì)學(xué)習(xí)者建模的意義在于可以根據(jù)學(xué)科的特點(diǎn)來(lái)設(shè)置協(xié)作學(xué)習(xí)任務(wù)、討論學(xué)習(xí)任務(wù)的數(shù)量和任務(wù)完成模式，同時(shí)根據(jù)長(zhǎng)期的學(xué)習(xí)目標(biāo)有針對(duì)性地強(qiáng)化訓(xùn)練學(xué)習(xí)者所需的信息感知和處理風(fēng)格�；贔DI模型的學(xué)習(xí)風(fēng)格用戶模型可能提供的自適應(yīng)服務(wù)如表4所示。
總的來(lái)說(shuō)，上述四種學(xué)習(xí)風(fēng)格用戶模型都沒(méi)有覆蓋信息處理閉環(huán)中全部節(jié)點(diǎn)的自適應(yīng)性能，特別是在信息感知和信息理解這兩個(gè)節(jié)點(diǎn)上的自適應(yīng)性能非常缺乏。此外，這四種學(xué)習(xí)風(fēng)格用戶模型能實(shí)現(xiàn)的動(dòng)態(tài)自適應(yīng)也很少，原因在于僅僅通過(guò)在線學(xué)習(xí)系統(tǒng)的行為統(tǒng)計(jì)、學(xué)習(xí)風(fēng)格測(cè)量無(wú)法獲得用戶在這些認(rèn)知能力方面的準(zhǔn)確信息，也很難支撐別的動(dòng)態(tài)自適應(yīng)。
二 學(xué)習(xí)風(fēng)格用戶模型的自適應(yīng)策略
在線學(xué)習(xí)系統(tǒng)中整合不同學(xué)習(xí)風(fēng)格提供自適應(yīng)服務(wù)的根本目的，是希望基于學(xué)習(xí)者穩(wěn)定的學(xué)習(xí)指征，能為學(xué)習(xí)者提供滿足其個(gè)性化學(xué)習(xí)需求的學(xué)習(xí)策略，以提升學(xué)習(xí)者的學(xué)習(xí)效果、提高在線學(xué)習(xí)的滿意度。結(jié)合上文對(duì)不同學(xué)習(xí)風(fēng)格用戶模型可能提供的自適應(yīng)服務(wù)的解析，本研究分析了在線學(xué)習(xí)系統(tǒng)中整合不同學(xué)習(xí)風(fēng)格用戶模型的自適應(yīng)策略。
1 靜態(tài)自適應(yīng)策略
靜態(tài)自適應(yīng)策略主要通過(guò)三個(gè)步驟實(shí)現(xiàn)：
①通過(guò)學(xué)習(xí)風(fēng)格文獻(xiàn)描述，建立不同風(fēng)格與自適應(yīng)策略之間的一階邏輯關(guān)系[24][25];
�、谕ㄟ^(guò)學(xué)習(xí)風(fēng)格測(cè)量工具，采集學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向性數(shù)據(jù);
③在線學(xué)習(xí)系統(tǒng)根據(jù)學(xué)習(xí)者的測(cè)量結(jié)果，為學(xué)習(xí)者推薦不同的學(xué)習(xí)策略[26][27]。
在學(xué)習(xí)環(huán)境參數(shù)(包括學(xué)習(xí)對(duì)象、學(xué)習(xí)目標(biāo)和學(xué)習(xí)內(nèi)容)不改變的前提下，在線學(xué)習(xí)系統(tǒng)采取靜態(tài)自適應(yīng)策略能幫助學(xué)習(xí)者取得較好的學(xué)習(xí)效果。但是，隨著學(xué)習(xí)系統(tǒng)規(guī)模的擴(kuò)大和適用范圍的拓展，動(dòng)態(tài)自適應(yīng)策略更能滿足當(dāng)前在線學(xué)習(xí)系統(tǒng)的智能性需求。
2 動(dòng)態(tài)自適應(yīng)策略
(1)動(dòng)態(tài)挖掘?qū)W習(xí)風(fēng)格偏向性與自適應(yīng)策略
之間可能的關(guān)聯(lián)學(xué)習(xí)風(fēng)格偏向性與自適應(yīng)策略之間沒(méi)有固定的關(guān)聯(lián)，它們之間的關(guān)聯(lián)是在線學(xué)習(xí)系統(tǒng)通過(guò)機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘技術(shù)動(dòng)態(tài)構(gòu)建的，故不同的學(xué)習(xí)內(nèi)容、學(xué)習(xí)對(duì)象和學(xué)習(xí)模式都有可能導(dǎo)致所找到的關(guān)聯(lián)不同。如Hwang等[28]發(fā)現(xiàn)，學(xué)習(xí)者選擇的游戲模式未必符合其學(xué)習(xí)風(fēng)格偏向性，而根據(jù)學(xué)習(xí)者喜好所選擇的游戲模式也并不能為學(xué)習(xí)者帶來(lái)預(yù)想的學(xué)習(xí)效果。盡管如此，由于這些關(guān)聯(lián)都與學(xué)習(xí)內(nèi)容、學(xué)習(xí)對(duì)象和學(xué)習(xí)模式緊密聯(lián)系，雖然找到的關(guān)聯(lián)結(jié)論并不一定能遷移到別的在線學(xué)習(xí)場(chǎng)景，但動(dòng)態(tài)發(fā)掘當(dāng)前學(xué)習(xí)環(huán)境下學(xué)習(xí)者學(xué)習(xí)風(fēng)格偏向性與自適應(yīng)策略之間的關(guān)聯(lián)仍然很有必要。
(2)動(dòng)態(tài)推斷學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向性
要想獲得在線學(xué)習(xí)系統(tǒng)推薦的自適應(yīng)學(xué)習(xí)策略，就需通過(guò)機(jī)器學(xué)習(xí)技術(shù)使系統(tǒng)具備學(xué)習(xí)風(fēng)格預(yù)測(cè)的能力。早期的學(xué)習(xí)風(fēng)格偏向性推斷主要基于研究者自己理解的學(xué)習(xí)行為特征空間，如 García等[29]認(rèn)為，學(xué)習(xí)者行為特征空間包括發(fā)帖數(shù)、回帖數(shù)、郵件數(shù)、測(cè)驗(yàn)修改數(shù)等內(nèi)容，這些行為特征是研究者根據(jù)經(jīng)驗(yàn)確定的，可據(jù)此預(yù)測(cè)新加入學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向性;而更廣泛的應(yīng)用是在搜索引擎中獲得學(xué)習(xí)者對(duì)學(xué)習(xí)資源的偏好[30]，并根據(jù)這些在線資源選擇行為和測(cè)量工具所采集的學(xué)習(xí)風(fēng)格偏向性標(biāo)簽來(lái)構(gòu)建動(dòng)態(tài)預(yù)測(cè)的訓(xùn)練數(shù)據(jù)——相較于前者，這種基于搜索引擎的學(xué)習(xí)者學(xué)習(xí)資源偏好行為特征采集更具有針對(duì)性。此外，Yang等[31]提出，學(xué)習(xí)行為特征空間的建立應(yīng)綜合多個(gè)經(jīng)驗(yàn)研究中都提到的學(xué)習(xí)行為，然后在預(yù)測(cè)模型中加入關(guān)鍵特征空間篩選模塊，使預(yù)測(cè)學(xué)習(xí)風(fēng)格偏向性的在線學(xué)習(xí)行為特征空間可隨學(xué)習(xí)內(nèi)容和學(xué)習(xí)目標(biāo)動(dòng)態(tài)變化[32]。
(3)動(dòng)態(tài)生成自適應(yīng)方案
當(dāng)學(xué)習(xí)內(nèi)容和學(xué)習(xí)目標(biāo)發(fā)生變化時(shí)，自適應(yīng)推薦策略也需進(jìn)行動(dòng)態(tài)更新。動(dòng)態(tài)自適應(yīng)策略同樣需要使用機(jī)器學(xué)習(xí)技術(shù)學(xué)習(xí)已有學(xué)習(xí)者的成功自適應(yīng)經(jīng)驗(yàn)，以在環(huán)境參數(shù)改變的情況下能正確做出策略推薦調(diào)整。如Dascalu等[33]提出使用Jaccard相似度來(lái)比較當(dāng)前學(xué)習(xí)者與具有相同學(xué)習(xí)風(fēng)格偏向性的已有學(xué)習(xí)者的學(xué)習(xí)行為相似度，然后為其推薦具有相同學(xué)習(xí)風(fēng)格偏向性的已有學(xué)習(xí)者的成功學(xué)習(xí)策略和學(xué)習(xí)路徑，策略的變化可隨學(xué)習(xí)者學(xué)習(xí)行為的相似度來(lái)進(jìn)行判斷。
三 影響在線學(xué)習(xí)系統(tǒng)自適應(yīng)性能的關(guān)鍵問(wèn)題
為了更好地發(fā)揮在線學(xué)習(xí)系統(tǒng)的自適應(yīng)性能，本研究將影響在線學(xué)習(xí)系統(tǒng)自適應(yīng)性能的關(guān)鍵問(wèn)題總結(jié)如下：
1 如何準(zhǔn)確判定學(xué)習(xí)風(fēng)格的偏向性
對(duì)于學(xué)習(xí)風(fēng)格測(cè)量工具信度和效度的問(wèn)題，如果從傳統(tǒng)心理學(xué)的研究方法入手可能無(wú)法獲得 理 想 的 解 決 方 案 ， 但 神 經(jīng) 科 學(xué) 方 面 的 技 術(shù) 可 能 會(huì) 提 供 一 些 幫 助，如應(yīng)用 腦 電(Electroencephalograph，EEG)和眼動(dòng)追蹤(Eye Gaze Detecting)技術(shù)等，不僅有助于將在線學(xué)習(xí)系統(tǒng)中的經(jīng)驗(yàn)智能轉(zhuǎn)變?yōu)槭聦?shí)智能，而且能提供更有力的神經(jīng)學(xué)基礎(chǔ)和認(rèn)知解釋模型。例如，可分別以學(xué)習(xí)效果和學(xué)習(xí)體驗(yàn)度為目標(biāo)，搜集學(xué)習(xí)者在線學(xué)習(xí)過(guò)程中的相關(guān)腦部活動(dòng)數(shù)據(jù)，挖掘在線學(xué)習(xí)環(huán)境中不同學(xué)習(xí)者從感知信息到處理信息過(guò)程中腦部活動(dòng)的個(gè)體差異與群體差異，以“腦部活動(dòng)數(shù)據(jù)+操作日志”作為解決在線學(xué)習(xí)行為特征空間誤差的途徑，從而更準(zhǔn)確地判斷學(xué)習(xí)者的在線學(xué)習(xí)行為模式。
2 如何動(dòng)態(tài)生成學(xué)習(xí)風(fēng)格用戶模型學(xué)習(xí)風(fēng)格用戶模型
動(dòng)態(tài)生成是指模型中的屬性和指征可以根據(jù)學(xué)習(xí)者與在線學(xué)習(xí)系統(tǒng)的交互動(dòng)態(tài)生成，但目前這方面的相關(guān)研究成果缺乏。已有自適應(yīng)學(xué)習(xí)系統(tǒng)用戶模型中關(guān)于學(xué)習(xí)風(fēng)格的指征均根據(jù)學(xué)習(xí)風(fēng)格測(cè)量工具的結(jié)論來(lái)設(shè)立，這直接導(dǎo)致推薦策略和學(xué)習(xí)風(fēng)格預(yù)測(cè)度低下，因?yàn)閷W(xué)習(xí)者隨時(shí)可能會(huì)因?qū)W習(xí)內(nèi)容和環(huán)境變化而改變自己的學(xué)習(xí)風(fēng)格偏向性。所以，動(dòng)態(tài)構(gòu)建學(xué)習(xí)風(fēng)格用戶模型是目前和未來(lái)自適應(yīng)學(xué)習(xí)系統(tǒng)必須解決的另一個(gè)關(guān)鍵問(wèn)題。在已解決特征空間誤差的前提下，高預(yù)測(cè)率的黑盒機(jī)器學(xué)習(xí)技術(shù)(如深度學(xué)習(xí)技術(shù))可以獲得更高準(zhǔn)確率的動(dòng)態(tài)用戶模型，是構(gòu)建動(dòng)態(tài)用戶模型的首選。但深度學(xué)習(xí)技術(shù)所需的訓(xùn)練時(shí)耗無(wú)法滿足在線學(xué)習(xí)系統(tǒng)的時(shí)間響應(yīng)需求，故在獲得穩(wěn)定特征空間的支撐下，可考慮建立公用的學(xué)習(xí)風(fēng)格訓(xùn)練網(wǎng)絡(luò)和可用于機(jī)器遷移學(xué)習(xí)的二次開發(fā)框架。
3 如何基于更多的認(rèn)知模型推薦自適應(yīng)策略
目前在線學(xué)習(xí)系統(tǒng)中整合了認(rèn)知機(jī)制的用戶模型大都局限于學(xué)習(xí)風(fēng)格模型，但除此之外，學(xué)習(xí)者在其它方面穩(wěn)定的認(rèn)知能力還未被系統(tǒng)設(shè)計(jì)者納入考慮范圍。如學(xué)習(xí)者在注意力、關(guān)注力、理解力、短時(shí)記憶、長(zhǎng)時(shí)記憶等多方面認(rèn)知能力的個(gè)體差異，可能會(huì)更需要系統(tǒng)提供智能化的自適應(yīng)服務(wù)。因此，在學(xué)習(xí)風(fēng)格用戶模型中整合更多的認(rèn)知模型，將是在線學(xué)習(xí)系統(tǒng)提升智能性的另一個(gè)關(guān)鍵問(wèn)題。目前，在自適應(yīng)學(xué)習(xí)系統(tǒng)中納入情感計(jì)算模塊是一個(gè)可行方案。
四 結(jié)語(yǔ)
教育學(xué)、心理學(xué)及神經(jīng)科學(xué)等多學(xué)科的快速發(fā)展和新興教育信息技術(shù)的不斷涌現(xiàn)，為自適應(yīng)學(xué)習(xí)的研究帶來(lái)了新的機(jī)遇與挑戰(zhàn)。學(xué)習(xí)風(fēng)格作為描述學(xué)習(xí)者個(gè)體差異的一個(gè)重要指標(biāo)，有助于對(duì)學(xué)習(xí)者進(jìn)行更準(zhǔn)確的描述和診斷，從而提高在線學(xué)習(xí)系統(tǒng)的自適應(yīng)能力，為學(xué)習(xí)者提供更準(zhǔn)確的學(xué)習(xí)資源和學(xué)習(xí)建議。針對(duì)影響在線學(xué)習(xí)系統(tǒng)自適應(yīng)性能的關(guān)鍵問(wèn)題，后續(xù)研究將進(jìn)一步深化學(xué)習(xí)風(fēng)格用戶模型及其自適應(yīng)策略的理論研究，如利用神經(jīng)科學(xué)方面的技術(shù)更準(zhǔn)確地判定學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向性、通過(guò)優(yōu)化深度學(xué)習(xí)網(wǎng)絡(luò)和情感計(jì)算成本動(dòng)態(tài)生成學(xué)習(xí)風(fēng)格用戶模型、整合更多的認(rèn)知模型做好自適應(yīng)策略推薦等;同時(shí)，在實(shí)踐應(yīng)用的過(guò)程中對(duì)學(xué)習(xí)風(fēng)格用戶模型予以不斷完善。
