王晨煜，管明輝，殷傳濤，熊 璋

(北京航空航天大學 中法工程師學院，北京 100191)

基于Felder-Silverman學習風格模型的網(wǎng)絡(luò)學習風格研究

王晨煜，管明輝，殷傳濤，熊 璋

(北京航空航天大學 中法工程師學院，北京 100191)

結(jié)合學習風格的在線教育平臺能提供給學習者與其學習風格相符合的教學資源，因此關(guān)于在線學習風格的研究也成為了重點。基于Felder-Silverman學習風格模型，首先通過所羅門風格量表顯式得到學習者的線下學習風格，并對量表進行修正，隨后應(yīng)用J48、邏輯回歸以及貝葉斯網(wǎng)絡(luò)算法對學習者的線上學習風格進行研究，從而得到3種方法的結(jié)果，并對其進行比對。

在線學習;學習風格;Felder-Silverman模型;分類算法

algorithm

學生在學習過程中的個體差異越來越受到人們的重視，這些差異可以通過學習風格來體現(xiàn)。因此，近年來對于學習風格的研究也逐漸成為熱點。研究者們認為，如果向?qū)W習者們提供與其學習風格相適應(yīng)的教學資源以及教學策略，則學習者對教學內(nèi)容的掌握程度將大大提升，學習效果也會得到改善。雖然這一想法在學生數(shù)量眾多的傳統(tǒng)課堂中難以實施，但隨著網(wǎng)絡(luò)教學和計算機教學的發(fā)展，基于學習風格的教學逐漸得到人們的關(guān)注，由計算機給學習者們提供與其相適應(yīng)的教學也成為了可能。

學習風格理論于1954年由美國學者Herbert Thelen提出，但目前仍沒有一個統(tǒng)一的定義。Keefe認為：“學習風格是學習者特有的認知、情感和生理行為，它是反映學習者如何感知信息，如何與學習環(huán)境相互作用并對之做出反應(yīng)的相對穩(wěn)定的學習方式”。 Honey和Mumford 認為學習風格是“對決定學習方式偏好的態(tài)度和行為的描述”。 James和Gardner將學習風格進行了更為詳細的定義：“人們在某些條件下以復雜的方式有效地感知、處理、存儲、回憶他們所學的內(nèi)容”。Felder定義學習風格為“學習者在獲取信息過程中表現(xiàn)出來的偏好和特點”。雖然學者們對學習風格的定義并不統(tǒng)一，但是對學習風格的基本認知是一致的，即學習風格是獨特的、穩(wěn)定的,且是個性化的。研究者們根據(jù)不同的學習風格定義提出多種模型[1-2]，比較有代表性的有Kolb學習風格模型(1984)、Honey and Mumford模型(1986)、Dunn模型(1982)及Felder-Silverman模型(1988)等。

Kolb模型對學習過程有著詳細的闡述，將學習過程分為具體經(jīng)驗、反思觀察、抽象概括和積極實踐，并在此基礎(chǔ)之上將學習者分為順應(yīng)型、同化型、聚合型和發(fā)散型[3]。在Kolb的理論基礎(chǔ)上，Honey和Mumford提出了新的學習風格模型，即行動型、反思型、理論型和應(yīng)用型[4]。Dunn夫婦[5]根據(jù)環(huán)境、情緒、社會、生理以及心理要素將學習者分為5大類27個要素。在各類研究中常采用的Felder-Silverman模型將學習者分為4個維度：信息加工、感知、信息輸入以及內(nèi)容理解[6-7]。

在學習風格測量方面存在兩種方法。第1種是顯式地通過相關(guān)量表來分析學習者的學習風格，每個學習風格模型皆有與其相匹配的學習風格量表，其中基于Felder-Silverman學習風格模型的所羅門風格量表比較具有代表性。所羅門風格量表由Felder和Solomon于1997年提出，用Felder-Silverman學習風格模型來顯式推斷學習者的學習風格[8]。第2種是隱式的方法，即通過分析在線學習行為數(shù)據(jù)，并采用相關(guān)的算法分析學習者學習風格。相較于顯式的方法，隱式方法不需要學習者耗費大量的時間在回答問卷上，且能客觀真實地反映學習者的學習風格。但其有“冷開始”這一缺點，即在最開始時因缺少數(shù)據(jù)不能得到學習風格。迄今為止，已有許多研究者針對學習者線上線下的學習風格進行對比，以得到良好的隱式計算方法，其中J48、貝葉斯網(wǎng)絡(luò)等方法都是經(jīng)常采用的隱式計算方法。

本文首先采用所羅門風格量表顯式地計算獲得學生的學習風格，繼而采用隱式的方法，通過線上采集學生的各種學習行為數(shù)據(jù)，并利用相關(guān)算法分析獲得學生的線上學習風格。本文采用J48、貝葉斯網(wǎng)絡(luò)以及邏輯回歸3種方法對學習者的學習風格進行分析，并對3種方法的實驗結(jié)果進行了比對[9]。

1 Felder-Silverman學習風格模型與測量

Felder-Silverman模型借鑒了其他很多學習風格模型，例如Kolb學習風格模型，因此更加完整。同時Felder-Silverman模型在進行學習風格測量時能得到學習者在每個維度上的傾向程度，因此在網(wǎng)絡(luò)學習研究中應(yīng)用廣泛，從而得到了學者們的青睞。本文也將采用Felder-Silverman模型對學習風格進行研究。

隨著我國農(nóng)業(yè)的不斷發(fā)展，傳統(tǒng)農(nóng)業(yè)正逐漸向精準農(nóng)業(yè)轉(zhuǎn)變。早在20世紀60年代，美國就率先建立了完善的測土體系，覆蓋80%以上的作物。美國也通過測土檢驗和施肥推薦，進行土壤數(shù)據(jù)化處理，實現(xiàn)了現(xiàn)代化農(nóng)業(yè)的精細化管理。而我國的土壤檢測則更多依賴田間取樣法，通過田間試驗獲取作物最佳施肥量、施肥時期、施肥方法，從而篩選、驗證土壤養(yǎng)分、建立施肥指標體系。

Felder-Silverman模型中在每個維度下皆有兩種不同類型的學習者[10]。

1) 信息加工維度中有活躍型(active)和沉思型(reflective)學習者。活躍型學習者傾向于通過積極地做一些事情、討論或應(yīng)用或解釋給別人聽來汲取知識，喜歡團隊合作。沉思型學習者往往通過深入思考來學習，偏愛獨自學習或者與固定的學習搭檔共同學習。

2) 感知維度中有感悟型(sensing )和直覺型(intuitive)學習者。前者習慣學習事實，而后者更喜歡學習理論知識。感悟型學習者對細節(jié)很有耐心，擅長記憶事實，但對復雜的事物有所回避。直覺型學習者更擅長掌握新概念，喜歡復雜的事物，相較于感悟型學習者對抽象概念具有更好的理解能力，但同時比較粗心。

3) 信息輸入維度分為視覺型(visual)和言語型(verbal)學習者。視覺型學習者善于記住他們所看到的東西，例如視頻、圖片等。言語型學習者善于記憶他們聽到或者讀到的內(nèi)容。

4) 內(nèi)容理解維度下有序列型(sequential)和綜合型(global)學習者。序列型學習者偏向于按部就班地學習，按照一定的邏輯順序理解內(nèi)容。全局型學習者更喜歡全面地思考問題，思維比較發(fā)散和跳躍。在進行測試的時候，序列型學習者往往會從后往前回答問題；與之相反，綜合型學習者會先瀏覽題目，再選擇題目進行回答。

所羅門學習風格量表是基于Felder-Silverman學習風格模型的調(diào)查問卷，針對模型的每個維度各有11個問題，共有44個問題。每個問題有a，b兩個選項分別對應(yīng)相應(yīng)維度下的兩種類型的學習者。對每個維度的答案進行統(tǒng)計，得到a，b選項的數(shù)量，取其差值，可以得到11a，9a，7a，5a，3a，1a，1b，3b，5b，7b，9b，11b中的一種情況。隨后可以進一步將這12個值劃分為3種類型。以活躍型和沉思型為例，最終結(jié)果為：11a，9a，7a，5a屬于活躍型；3a，1a，1b，3b 定義為平衡型；5b，7b，9b，11b 屬于沉思型。其中，平衡型學習者學習風格的趨向性不強烈，不能十分明顯地歸為某一類型[11]。

以表1為例，該學習者在4種維度下的最終統(tǒng)計處理結(jié)果為：5a(8-3=5)，1a，7a和3b，因此其在不同維度下的學習風格為：活躍型(活躍型/沉思型)、平衡型(感悟型/直覺型)、視覺型(視覺型/言語型)、平衡型(序列型/綜合型)。

對北京航空航天大學某理工科學院的30位學習者的線下學習情況進行了調(diào)查，對每一位的調(diào)查結(jié)果分別獨立進行了統(tǒng)計與處理，得到不同學習者的具體學習風格，計算結(jié)果見表2。

從計算結(jié)果中發(fā)現(xiàn)：除在視覺/言語型維度上該30名學生的學習風格得到了較明顯的區(qū)分外，在其余的3個維度上，更多的學習者屬于中間的平衡型。因此，可以針對平衡型學習者所占比例較大、區(qū)分度不夠明顯的特點，對上述數(shù)據(jù)處理方式進行修正于優(yōu)化，進而提高學習者學習風格的區(qū)分度。

2 線下學習風格研究與分析

在前面的線下學習風格調(diào)查中，表3為30名同學對44道問題的回答情況。通過統(tǒng)計結(jié)果可以發(fā)現(xiàn)：在某些問題上，受調(diào)查者們有基本一致的選擇(加黑的部分，選項百分比為0%～10%或90%～100%)，說明這些問題在學習風格的區(qū)分上并沒有起到應(yīng)有的作用。同時，在某些問題上，受調(diào)查者們的選擇差異很大(標下劃線部分，選項百分比為40%～60%)，說明在這些問題在學習風格的區(qū)分上起到了很好的作用。

針對于上述分析，在統(tǒng)計過程中可針對每道題的影響賦予相應(yīng)的權(quán)重。例如，針對影響微小的題目(第3、12題)，將其權(quán)重減為0.5；對影響較大的題目(第8，14，16，20，24，30，32，33，37，40，42，44題)，將其權(quán)重加至1.5。

表4為修正后的某一學生的量表分析結(jié)果?？梢钥吹剑盒拚笤撏瑢W的學習風格從5a，1a，7a，3b變?yōu)?a，1.5a，6.5a，5b。在學習風格區(qū)分閾值不變的情況下，該同學的分析結(jié)果變?yōu)椋夯钴S型、平衡型、視覺型以及綜合型。

表1 Felder-Silverman風格量表

表2 30名學生學習風格統(tǒng)計

表3 30名學生問卷問題答案統(tǒng)計

表4 修正后Felder-Silverman學習風格量表

圖1為修正前后30名學生的學習風格分布的比較結(jié)果?？梢娖胶庑蛯W生的數(shù)量有了較為顯著的下降，學習風格的區(qū)分度有所提高，不同類型的學習風格有了更為精確的趨向性區(qū)分，學習風格的劃分也更加合理。

圖1 修正前后30名學生學習風格分布

3 線上學習風格研究與分析

為了分析該30名學生的線上學習風格，本文使用了基于XAMPP(Apache，mySQ，php，PERL)的開源教育學習平臺MOODLE作為數(shù)據(jù)收集的實驗平臺。并將MOODLE部署在AZURE Cloud上，使得學習者皆能訪問實驗性課程網(wǎng)站。除此之外應(yīng)用了CDN(content delivery network，內(nèi)容分發(fā)網(wǎng)絡(luò))技術(shù)，使得學習者能快速地訪問相關(guān)的視頻資源。

考慮到先前知識對實驗結(jié)果的影響，筆者在MOODLE上開設(shè)了以春秋時期為背景的一段鮮為人知的歷史故事作為實驗性學習課程。該課程分為4個章節(jié)，每個章節(jié)中包含視頻或者文本兩種學習資料供學習者選擇，還包括其他各種類型的附加學習材料以供選擇。同時，學生需在結(jié)束課程時進行相關(guān)測驗以檢測其對課程內(nèi)容的掌握情況，在測驗中設(shè)置有細節(jié)知識題、附加內(nèi)容知識題等。除此之外，MOODLE自帶的導航欄功能也能輔助對內(nèi)容理解維度進行測試。

由于參加調(diào)查的學習者數(shù)量有限，進行訓練和測試的數(shù)據(jù)規(guī)模比較小，因此在模型建構(gòu)時采用十折交叉驗證的方法[12]。同時采用J48方法、貝葉斯網(wǎng)絡(luò)以及邏輯回歸方法來挖掘網(wǎng)絡(luò)學習行為，構(gòu)建學習風格模型[13-19]。

J48算法與貝葉斯網(wǎng)絡(luò)已被廣泛應(yīng)用于在線教育的研究當中。其中J48算法是基于C4.5決策樹的算法，有2個參數(shù)可以調(diào)節(jié)：① confidenceFactor(置信因子)，置信因子越小，則需減掉更多的枝；② minNumObj,為新分類的葉子節(jié)點上需要含有的實例個數(shù)[20]。貝葉斯網(wǎng)絡(luò)又稱信念網(wǎng)絡(luò)，是一個基于概率的不確定性推理網(wǎng)絡(luò)[20]。 本文中貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習算法選用K2算法，條件概率表的估計采用simpleEstimator算法。邏輯回歸使用sigmoid函數(shù)實現(xiàn)分類。

1) 信息加工維度

根據(jù)線上學習的信息加工維度定義，結(jié)合課程設(shè)計的特點，筆者選取了3種學習行為數(shù)據(jù)來推測學習者在信息加工維度中的學習風格:實例材料閱讀時長、測試時長、論壇訪問次數(shù)。最后得到3個分類的計算結(jié)果，見表5。J48中參數(shù)confidenceFactor=0.25，minNumObj=2；貝葉斯網(wǎng)絡(luò)estimator采用SimpleEstimator，SearchAlgorith采用K2。

表5 信息加工維度分類結(jié)果

2) 感知維度

根據(jù)感知維度的線上學習風格，并結(jié)合課程設(shè)計的特點，筆者選取了4種學習行為及測試結(jié)果來推測學習者在感知維度上的學習風格：相關(guān)實例材料的閱讀時長、測試中細節(jié)題的答題情況、測試中抽象題的答題情況、測試時長。由此得到在感知維度上3個分類結(jié)果，見表6。J48中參數(shù)confidenceFactor=0.4，minNumObj=2；貝葉斯網(wǎng)絡(luò)estimator采用SimpleEstimator，SearchAlgorith采用K2。

表6 感知維度分類結(jié)果

3) 輸入維度

根據(jù)輸入維度學習風格模型的定義，筆者選取了兩種學習行為進行計算：文本材料閱讀時長、視頻材料閱讀時長。由此得到在輸入維度上的3個分類結(jié)果，見表7。J48中參數(shù)confidenceFactor=0.25，minNumObj=2；貝葉斯網(wǎng)絡(luò)estimator采用SimpleEstimator，SearchAlgorith采用K2。

表7 輸入維度分類結(jié)果

4) 理解維度

根據(jù)理解維度學習風格模型的定義，結(jié)合課程設(shè)計特點，筆者選取了“是否使用導航欄”等數(shù)據(jù)推測學習者在理解維度的學習風格。由此得到3個分類方法的計算結(jié)果，見表8。J48中參數(shù)confidenceFactor=0.25，minNumObj=2；貝葉斯網(wǎng)絡(luò)estimator采用SimpleEstimator，SearchAlgorith采用K2。

表8 理解維度分類結(jié)果

圖2描述了這3種隱式計算方法在4個維度上與線上學習風格相比的正確率?？梢娯惾~斯網(wǎng)絡(luò)的正確率普遍偏高。3種方法在輸入維度上的正確率都比較高，在其余3個維度上的正確率偏低，原因主要是：① 線上線下學習環(huán)境存在一定的差異，例如相較于線下，線上更多的學習者表現(xiàn)出了全局型的學習風格，因為在線學習可以提供更方便的導航欄；② 在行為數(shù)據(jù)的選取方面可能存在欠缺；③ 實驗課程只是進行模擬實驗，與真實的在線教育課程有一定的差距；④ 算法的選取以及相關(guān)算法的參數(shù)選取可能存在問題；⑤ 學習者在進行測驗時可能沒有表現(xiàn)出其真實的學習行為習慣。

圖2 3種隱式計算方法與線上學習風格相比的正確率

4 結(jié)束語

在線學習是今后教育領(lǐng)域發(fā)展的大方向，且與學習風格相結(jié)合的在線教育平臺也是研究重點。通過對在線學習風格的研究可以將學習風格應(yīng)用于在線教育平臺上，使得在線教育能實現(xiàn)“因材施教”，給學習者推送與其學習風格相適應(yīng)的教學資源以及教學策略。

本文主要基于Felder-Silverman學習風格模型研究了30名在校理工科大學生線下及線上的學習風格，對所羅門學習風格量表進行了參數(shù)修正，使得學習風格在不同的維度上得到了更好的區(qū)分。隨后，通過收集在線模擬實驗課程的行為數(shù)據(jù)，利用J48、邏輯回歸以及貝葉斯網(wǎng)絡(luò)算法研究該30名學生的線上學習風格。經(jīng)過比較分析發(fā)現(xiàn)：3種方法之中，相對于線下學習風格的顯式計算來說，貝葉斯網(wǎng)絡(luò)的計算方法正確率偏高；3種隱式計算方法輸入維度上正確率較高，而在其他3個維度上的正確率偏低。

本研究仍存有很多可以改進的方面：在進行所羅門風格量表的修正是，權(quán)重選擇為0.5和1.5，在權(quán)重賦值時缺少進一步討論；3種分類算法在除輸入維度外的其他3個維度上的正確率偏低，算法有很大的改進空間。下一步的研究重點在量表修正系數(shù)的選取研究以及進一步研究各分類算法在學習風格上的分類情況，在提高其正確率的同時研究其他可能的分類算法。

[1] 康淑敏.學習風格理論--西方研究綜述[J].山東外語教學,2006(3):24-28.

KANG Shumin.On Learning Style[J].Shandong Foreign Languages Journal,2006(3):24-28.

[2] KEEFE J W.School applications of the learning style concept:Student learning styles[Z].Reston,VA.National Association of Secondary School Principals,1979.

[3] Kolb D A.Learning style inventory:Version 3[M].Boston:Hay/McBer Training Resources Group,1999.

[4] 陳仕品,張劍平.適應(yīng)性學習支持系統(tǒng)的學生模型研究[J].中國電化教育,2010(5):112-117.

CHEN Shipin,ZHANG Jianping.Research on the student model of adaptive learning support system[J].China Educational Technology,2010(5):112-117.

[5] DUNN R.Hemispheric preference:the newest element of learning style[J].American Biology Teacher,1982,44(5):291-94.

[6] GRAF S.Adaptivity in learning management systems focussing on learning styles[D].Vienna:Vienna University of Technology,2007.

[7] GRAF S,SHUK K,LIU T C.Identifying learning styles in learning management systems by using indications from students’ behaviour[C]//Advanced Learning Technologies,2008.ICALT’08.Eighth IEEE International Conference on.IEEE.2008:482-486.

[8] FELDER R M,SOLOMON B.Learning and teaching styles in engineering education[EB/OL].[2015-09-16].http://www.engr.ncsu.edu/learningstyles/ilsweb.html.

[9] 杜欣.自適應(yīng)學習系統(tǒng)中用戶學習風格模型修正研究[D].沈陽：東北師范大學,2010.

DU Xin.Study on the modification of user learning style model in adaptive learning system[D].Shenyang:Northeast Normal University,2010.

[10]FELDER R M,SILVEMAN L K.Learning and teaching styles in engineering education[J].Engineering education,1988,78(7):674-681.

[11]姜強,趙蔚,杜欣.基于 Felder—Silverman 量表用戶學習風格模型的修正研究[J].現(xiàn)代遠距離教育,2010(1):62-66.

JIANG Qiang,ZHAO Wei,DU Xin.Research on user learning style model based on Felder - Silverman scale[J].Modern Distance Education,2010(1):62-66.

[12]吳青,羅儒國.基于網(wǎng)絡(luò)學習行為的學習風格挖掘[J].現(xiàn)代遠距離教育,2014(1):54-62.

WU Qing,LUO Ruguo.Learning style mining based on network learning behavior[J].Modern Distance Education,2014(1):54-62.

[13]CHA H J,KIM Y S,PARK S H,et al.Learning styles diagnosis based on user interface behaviors for the customization of learning interfaces in an intelligent tutoring system[C]//Intelligent tutoring systems.Springer Berlin Heidelberg.2006:513-524.

[14]GARCíA P,AMANDI A,SCHIAFFINO S,et al.Evaluating Bayesian networks’ precision for detecting students’ learning styles[J].Computers & Education,2007,49(3):794-808.

[15]陳燕,陳亞林,蘭詩梅.基于MapReduce的樹增強型貝葉斯算法的并行實現(xiàn)[J].激光雜志,2015(12):140-144.

CHEN Yan,CHEN Yalin,LAN Simei; Map Reduce Based Implementation of Tree Augmented Navive Bayes Algorithm[J].Laser Journal,2015(12):140-144.

[16]程浩,趙瑾,劉俊友.基于信息融合的貝葉斯網(wǎng)絡(luò)毀傷評估方法[J].四川兵工學報,2015,36(4):104-107.

CHENG Hao,ZHAO Jin,LIU Junyou.Damage Effect Assessment Approach Study of Bayesion Networks Based on Information Fusion[J].Journal of Sichuan Ordnance,2015,36(4):104-107.

[17]姜強,趙蔚,王朋嬌.基于網(wǎng)絡(luò)學習行為模式挖掘的用戶學習風格模型建構(gòu)研究[J].電化教育研究,2012(11):55-61.

JIANG Qiang,ZHAO Wei,WANG Pengjiao.Research on the construction of user learning style model based on E-learning behavior pattern mining[J].E-education Research,2012(11):55-61.

[18]王曉園，蔣經(jīng)農(nóng)．貝葉斯線性分層模型估計個體農(nóng)業(yè)保費[J].重慶理工大學學報(自然科學)，2015(9):131-136．

WANG Xiaoyuan，JIANG Jingnong．Bayesian Linear Hierarchical Models to Estimate Individual Yield Crop Insurance[J]．Journal of Chongqing University of Technology(Natural Science)，2015(9):131 -136．

[19]王守選,葉柏龍,李偉健,等.決策樹,樸素貝葉斯和樸素貝葉斯樹的比較[J].計算機系統(tǒng)應(yīng)用,2013(12):221-224.

WANG Shouxuan,YE Bailong,LI Weijian.Comparison of Decision Tree,Native Bayesion and Natvie Bayesion Tree[J].Computer Systems & Applications,2013(12):221-224.

(責任編輯 劉 舸)

Research on Online Learning Style Based on Felder-Silverman Learning Style Model

WANG Chen-yu, GUAN Ming-hui, YIN Chuan-tao, XIONG Zhang

(Sino-French Engineering School，Beihang University, Beijing 100191, China)

The online education system which is combined with learning styles would be able to deliver the education resources based on students’ learning styles. Thus, online learning styles become more and more important nowadays. This research will apply the Felder-Silverman learning style model and use the Solomman qustionnaire to analyze the learning styles and then apply some classification algorithms such as J48, logistic regeression and Bayesian network to analyze the online learning styles, through which we obtained the results of the 3 methods and compared them.

online education; learning style; Felder-Silverman learning style model; classification

2015-02-23 基金項目：國家自然科學基金資助項目(61402028)；教育部高等學校博士學科點專項科研基金資助項目(20121102110037)

王晨煜(1991—)，女，碩士研究生，主要從事學習風格的研究，E-mail:wcycc212@126.com。

王晨煜，管明輝，殷傳濤，等.基于Felder-Silverman學習風格模型的網(wǎng)絡(luò)學習風格研究[J].重慶理工大學學報(自然科學)，2017(2):102-109.

format：WANG Chen-yu, GUAN Ming-hui, YIN Chuan-tao,et al.Research on Online Learning Style Based on Felder-Silverman Learning Style Model[J].Journal of Chongqing University of Technology(Natural Science)，2017(2):102-109.

10.3969/j.issn.1674-8425(z).2017.02.018

TP39

A

1674-8425(2017)02-0102-08