刘红霞　赵蔚　陈雷

摘 要：研究证明，学习风格是影响学习效果的重要因素。本文对当前多种学习风格模型的特点和应用情况进行了深入分析，选定FSLSM作为自适应学习系统的学习风格模型，并提出了学习风格显性诊断和隐性修正的具体方案，针对学习者的学习风格差异，从学习资源的提供、学习路径的安排、自适应规则等方面构建出语义网环境下的自适应教学策略模型。

关键词：语义网；自适应学习系统；学习风格；教学策略

中图分类号：G434 文献标志码：B 文章编号：1673-8454（2014）06-0024-04

研究证明，许多因素包括学习环境、学习风格等都可以对学习产生影响。主流的课程管理系统大多忽视学习者的个性特征，为其提供同样的资源和活动，也无法根据学习者知识背景、学习结果的改变而作出智能调整，大大降低了网络学习的效率。

自适应学习系统（Adaptive Learning System），是针对个体学习过程中的差异性而提供适合个体特征的学习支持的学习系统，能够为学习者提供个性化的资源及学习过程和学习策略等。[1]本文主要是对自适应学习系统中基于学习风格的教学策略模型作出详细的介绍。该模块的研究主要涉及以下几个问题：

1.采用何种学习风格模型作为自适应学习系统的标准，以及如何选择或设计一个有效的、定量的学习风格测量量表；

2.学习风格的诊断方法、学习风格中的哪些特征需要被诊断及被适应、学习行为中的哪些信息可以用于确定学习者的学习风格；

3.自适应学习系统如何实现自适应，即基于学习风格的自适应教学策略的生成。

一、学习风格模型的确定

在测量学习者的学习风格之前，要选择一个学习风格模型，并设计一个可供量化的学习风格测量量表。目前存在多种类型的学习风格模型，Coffield等人[2]从模型的设计角度出发将学习风格模型分为五类。第一类主要是将学习风格和偏好分为四个模块：视觉、听觉、动觉和触觉，例如Felder and Sliverman。第二类认为学习风格是认知结构的深层次特征，包括能力模式等。第三类认为学习风格是一个相对稳定的个性特征的组合，例如Myers-Briggs。第四类学习风格被看作是一种弹性的基本稳定的学习偏好，例如Honey and Mumford、Kolb等。最后一类将学习风格看作是学习方法、策略，例如Pask、Entwistle、Grasha-Riechmann等。这些模型在教育超媒体系统中都已经有广泛的应用。

在本研究进行之初，我们对主流的自适应教育超媒体系统（Adaptive Educational Hypermedia System， AEHS）中学习风格模型的选择进行了调查，并对各系统所采用的学习风格维度、针对各维度采取的自适应教学策略等进行了深入的分析。目前主流的学习风格模型在教育超媒体系统中的应用情况如表1所示。

我们选择FSLSM（Felder & Sliverman Learning Style Model），首先是基于它的可靠性。截至目前为止，FSLSM已经被其作者和多位专家所证实（Zywno， 2003）（Felder & Spurlin， 2005），[3]并且成功应用到了多种自适应超媒体教育系统中。这些成功的案例都表明了该模型具有良好的有效性和可靠性。

其次在于FSLSM提供了一个定量的学习风格测量量表ILS（Index of Learning Styles），该表是一个可计算的模型，通过对四个维度分别进行量化，其测量结果容易理解并具有很强的可操作性。同时FSLSM重视媒体类型的差异，对网络学习中基于学习风格的教学策略的制定也有很强的指导性。

基于以上三点优势，我们选择FSLSM作为自适应学习系统的学习风格模型，并采用该模型自备的学习风格测量量表对学习风格进行诊断。

二、学习风格的诊断

学习风格的诊断包括显性和隐性两种方式。显性方式主要是指学生填写学习风格调查问卷，隐性方式主要是通过在学习过程中监控学习者的各种行为进而确定其学习风格。在自适应学习系统中，我们采用了显隐性相结合的方式对学习风格进行诊断。在进入知识学习之前，建议学习者参与学习风格测试，如果学习者对测试结果提出异议，系统提供“学习风格切换”接口，可以在知识学习过程中随时对学习风格做出适当的调整。在学习过程中，制定了一套基于学习者学习行为的隐性的学习风格修正方案。

1.显性诊断

在学习风格的显性诊断阶段，我们采用FSLSM中自带的学习风格测量量表ILS，分别从信息加工、感知、输入、理解四个方面将学习风格分为4个维度8种类型。四个维度彼此独立，分别是：活跃/沉思，感悟/直觉，视觉/言语，序列/综合。

（1）学习风格前测

学习风格前测主要是对学习者模型中“学习风格”模块中部分字段的初始化。ILS具有很强的可操作性，学习者在回答ILS中设置的问题后，系统通过问题答案分析学习者的学习风格倾向和每种风格的强弱程度，进而推断出学习者所归属的学习风格类型。

（2）学习风格切换

由于量表测试往往会存在一定的误差，学习者使用系统前期缺乏修正误差所需的数据，并且一些学习者的学习风格倾向性并不明显，因此不将量表测试结果作为认定学习风格的唯一依据，而是提供给学习者充分自由的选择空间，提供“学习风格切换”功能，使学习者在学习过程中根据需要对学习风格进行调整，为量表的不足提供人性化的解决方案。

2.隐性修正

通过ILS对学习者进行的学习风格测试，以及学习者在学习过程中进行的学习风格切换，都存在较强的主观意识。并且学习者的学习风格也不是一成不变的，单一的量表也存在一定的误差，所以需要后期的数据挖掘对学习风格模型进行修正。在学习活动的过程中，我们将对学习者的各种行为进行监控，通过其各种行为表现对学习风格进行修正。在学习风格的隐性修正阶段，我们需要确定学习行为中的哪些信息可以用于确定学习者的学习风格。表2中详细列出了学习风格模型中各个维度的相关行为模式。

（1）活跃/沉思维度

活跃型学习者往往不深入思考就采取行动，喜欢积极表达自己的想法，在交流、协作等活动中来掌握信息，倾向于在集体的氛围中进行学习。沉思型学习者喜欢安静地思考问题，力求在头脑中完成对问题的全面、精细的分析之后再进行表达，倾向于独立进行学习。这一维度，主要通过学习者的论坛参与情况以及练习和实例的浏览次数对其进行修正。

（2）感悟/直觉维度

感悟型学习者喜欢学习事实性的知识，关注知识的细节，认真仔细并具有耐心，对知识往往偏重记忆，倾向于做一些现成的工作。直觉型学习者比较擅长抽象思维，能够更快地掌握新概念并积极应对复杂情况和突发情况，倾向于发现某种可能性和事物之间的关系。[4] 这一维度，主要通过学习者对不同抽象程度材料的浏览情况以及浏览实例的时间对其风格倾向进行修正。

（3）视觉/言语维度

视觉型学习者对于图像刺激比较敏感，喜欢从图片、图表、影片等内容中获取知识。言语型学习者对于文字信息和口头的阐释拥有更强的理解力。这一维度，主要通过记录学习者对不同媒体类型的浏览情况来修正其所属风格类型。

（4）序列/综合维度

序列型学习者喜欢按照线性的方式按部就班地进行学习，学习步调往往比较程序化，由局部到整体逐步掌握知识。综合型学习者喜欢先把握全局，在头脑中形成知识的整体框架，再通过顿悟等方式完成对知识的深入理解。这一维度，主要通过学习者对知识树、概述、总结等知识体系相关内容的浏览情况为其风格修正提供依据。

三、自适应教学策略的生成

每种学习风格都既有优势，又有劣势。教育的根本目的是要充分发挥其优势，又要尽力弥补由于学习方式、学习倾向所表现出的不足。自适应学习系统的短期目标是提高本知识点的学习效率，长期目标是使学习者均衡发展，能够适应所有类型的资源。本研究尝试找出一种针对学习风格差异的学习服务模式。

1.自适应内容的呈现

在语义网环境下，利用本体建模，可以通过语义元数据方便地添加关于资源本身的属性。结合学习风格涉及的多种影响因素，为学习资源定义了知识类型、媒体类型、抽象程度等元数据信息，表3中列出了部分与学习风格相关的语义元数据。系统针对学习者的学习风格提供了相应的知识呈现方式，同时，为了使学习者不局限于我们直接呈现出的内容，我们为学习者提供了一个可接触到平台其它优质资源的接口，使学习者能够有效利用本知识点相关的更多资源。

2.自适应导航的呈现

对于不同风格的学习者，合理的学习路径对于其认知过程有着重要影响。例如，综合型学习者适合首先掌握知识的整体架构再逐步细化，序列型学习者则与之相反。自适应学习系统主要通过自适应导航来为各种类型的学习者提供个性化的学习路径。

在语义网环境下，我们利用本体为每一个知识点设置了知识类型、前向知识、后向知识、难度级别、父子层级、相关知识等属性，使学习内容形成统一、规范、清晰的语义组织结构，从而实现了知识点之间的有效推理，为自适应导航的实现提供了可能。

自适应学习系统中的导航可以分为全局性导航和局部导航。全局性导航主要由领域知识树形结构来呈现。树形结构可以显示出课程的完整知识体系，并通过学习状态标记显示出当前学习者对知识的掌握状态。通过全局性导航，各类型的学习者都可以明确自己当前所学内容在知识体系中所处位置以及自己对课程知识的掌握情况，从而避免了信息迷航和对学习情况模糊不清的状况。

局部导航是系统进行自适应导航的关键。不同风格类型的学习者正是通过局部导航来获取个性化的学习路径。系统为学习者提供学习路径导航图，建议的学习步骤从上到下依次排列，学习者既可以按建议步骤进行学习，也可以自行安排。同时，局部导航还为学习者提供了知识概念图，使学习者可以方便地进入当前知识点的相关知识、先前知识、后向知识等，帮助学习者生成合理的图式。

3.资源的自适应排序

通过自适应的知识内容和学习路径呈现，我们为学习者提供了个性化的学习方案。而针对某一种风格的学习者，在确定为其呈现资源的方式之后，还需要保证学习者能够优先学习到最优质的资源。为此，有必要对学习资源进行有效的评价与排序。在语义网环境下的自适应学习系统中，我们通过Web2.0理念下的智能挖掘技术来实现资源的自适应排序，其中最为典型的应用是掘客。我们将掘客移植到自适应学习系统中，从而使传统的自上而下的由少数专家作为主导的资源呈现体系转变为自下而上的由切身参与学习的广大学习者的影响作为主要控制因素的自适应资源体系。

在我们的自适应学习系统中，掘客作为系统的一种功能和服务，主要通过学习者对学习资源的评价作为实现的依据。系统为学科专家和学习者的评价设置相应的权值，在系统使用初期，由于缺乏足够的用户，学科专家对资源的评价占主导地位，这在一定程度上解决了“冷开始”的问题，使最初的学习者也可以优先浏览到高质量的资源。随着学习者的增多，系统动态调整权值分配，学习者的评价将逐渐替代专家意见，成为影响资源评价和排序的主要因素，对资源的评价也将趋于客观和稳定。

四、总结

语义网是下一代的智能网络，语义网环境下的自适应学习也将成为智能化学习的重要发展趋势。针对不同学习风格的学习者建立自适应教学策略模型，为自适应学习系统功能的实现和教学应用提供了依据。本研究是自适应学习系统中的用户模型和领域模型沟通的桥梁，三者共同构成自适应学习系统的三大核心组件。

参考文献：

[1]黄伯平，赵蔚，余延冬.自适应学习系统参考模型对比分析研究[J].中国电化教育，2009（8）：97-101.

[2]Graf S. Adaptivity in Learning Management Systems Focussing on Learning Styles[D]. University of Vienna，2007.

[3]Elvira Popescu. Dynamic adaptive hypermedia systems for e-learning [D]. University of Craiova， 2008.

[4]邱百爽，赵蔚，刘秀琴.基于语义网的自适应学习系统中用户模型的研究[J].开放教育研究， 2008（4）：106-111.

[5]陈品德，李克东.适应性教育超媒体系统——模型、方法与技术[J].现代教育技术，2002（1）：11-17.

[6]Brusilovsky， P. Methods and techniques of adaptive hypermedia， User Modeling and User Adapted Interaction[J] .1996， 6（2-3）： 87-129.

[7]Berlanga， A.J.， García-Pe?alvo， F.J. Learning Design in Adaptive Educational Hypermedia Systems， Journal of Universal Computer Science. 2008， 14 （22）：3627-3647.

（编辑：李晓萍）