張 妤 楊 松 劉祉祺

(1. 東北林業(yè)大學(xué) 機電工程學(xué)院， 哈爾濱 150040)(2. 東北大學(xué) 機械工程與自動化學(xué)院， 沈陽 110000)

2020年突如其來的新冠肺炎疫情，導(dǎo)致大學(xué)生們的春季學(xué)期為網(wǎng)絡(luò)在線學(xué)習(xí)。雖然實現(xiàn)了停課不停學(xué)，但是在新的網(wǎng)絡(luò)授課模式下，教師與學(xué)生在空間上是分離的，教師缺乏有效的手段去掌握學(xué)生學(xué)習(xí)過程和學(xué)習(xí)動態(tài)。這就導(dǎo)致部分學(xué)生學(xué)習(xí)效果不佳，成績下降，出現(xiàn)了諸如：學(xué)生時間管理不合理，效率低；在巨量的網(wǎng)絡(luò)資源面前，學(xué)生不知從何學(xué)起；學(xué)習(xí)過程中持續(xù)動力不足，易放棄，學(xué)習(xí)興趣不濃等問題。分析其原因，其中很重要的一條就是缺乏對學(xué)生學(xué)習(xí)行為數(shù)據(jù)的深入分析。所以為了在網(wǎng)絡(luò)教學(xué)中實現(xiàn)因材施教，必須考慮采用何種方法從學(xué)習(xí)行為數(shù)據(jù)判斷大學(xué)生們的學(xué)習(xí)風(fēng)格。如今，在后疫情時代，網(wǎng)絡(luò)授課并沒有停止，而是更廣泛地應(yīng)用于線上線下混合式教學(xué)。因而對網(wǎng)絡(luò)教學(xué)中學(xué)生學(xué)習(xí)風(fēng)格的研究也是有著重要意義的。

對于學(xué)習(xí)風(fēng)格的研究，國外學(xué)者們研究起步較早，觀點較為成熟。早在2005年，馬來西亞的國際伊斯蘭大學(xué)就開展了對學(xué)習(xí)管理系統(tǒng)的研究[1]。近年來我國相關(guān)學(xué)者也開始關(guān)注對學(xué)習(xí)風(fēng)格研究，但是顯著成果數(shù)量較少。2006年，彭文輝給出了一個基于網(wǎng)絡(luò)學(xué)習(xí)行為分析的學(xué)習(xí)平臺結(jié)構(gòu)，但沒有用數(shù)據(jù)驗證其有效性[2]。2012年，魏順平根據(jù)網(wǎng)絡(luò)日志，探索在線學(xué)習(xí)行為的影響因素[3]，但并沒有對學(xué)生的學(xué)習(xí)風(fēng)格進行劃分。

目前，對于學(xué)習(xí)風(fēng)格的研究，大多采用的方法有兩個：①協(xié)作，用問卷調(diào)查獲得的數(shù)據(jù)建立模型判斷學(xué)習(xí)風(fēng)格，但問卷帶有主觀性，不能反映出學(xué)生的真實風(fēng)格；②自動識別，通過對學(xué)習(xí)行為數(shù)據(jù)的自動采集，利用一定的計算規(guī)則，大多采用機器學(xué)習(xí)算法計算其學(xué)習(xí)風(fēng)格，比如貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)等，但在數(shù)據(jù)的獲取方面存在一定的困難[4]。隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，2020年網(wǎng)絡(luò)學(xué)習(xí)平臺的大量使用很好地解決了學(xué)習(xí)行為數(shù)據(jù)獲取的問題。

在數(shù)據(jù)挖掘領(lǐng)域，以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)的支持向量機(Support Vector Machines，SVM)理論，在小樣本、非線性、高維數(shù)據(jù)問題上，體現(xiàn)了良好的建模性能，預(yù)測結(jié)果也更加準(zhǔn)確。但其參數(shù)設(shè)置會對預(yù)測結(jié)果有較大影響，因而考慮優(yōu)化SVM網(wǎng)絡(luò)參數(shù)。灰狼算法(Grey Wolf Optimization，GWO)具有良好的自組織學(xué)習(xí)性，而且參數(shù)簡單、全局搜索能力強、收斂速度快、易于實現(xiàn)[5]。因此，采用灰狼算法對支持向量機進行優(yōu)化，建立學(xué)習(xí)風(fēng)格預(yù)測模型。

因此，基于GWO-SVM算法，利用在線學(xué)習(xí)平臺采集學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)，從多個維度構(gòu)建大學(xué)生的在線學(xué)習(xí)風(fēng)格模型，利用此預(yù)測模型對大學(xué)生的學(xué)習(xí)風(fēng)格進行劃分，從而可針對性地為學(xué)生提供個性化學(xué)習(xí)內(nèi)容和方法，提高學(xué)習(xí)效率，優(yōu)化學(xué)習(xí)體驗。對于學(xué)生自身，能幫助其發(fā)現(xiàn)潛在的學(xué)習(xí)風(fēng)格，對于教師，能幫助其了解教學(xué)動態(tài)，可動態(tài)調(diào)整教學(xué)方案，實現(xiàn)因材施教的個性化教學(xué)，也可為大規(guī)模、個性化和高質(zhì)量的下一代智能學(xué)習(xí)平臺提供技術(shù)支撐。

1 學(xué)習(xí)風(fēng)格

1954年，“學(xué)習(xí)風(fēng)格”由美國學(xué)者哈伯特·塞倫扭首次提出，被稱為“現(xiàn)代教學(xué)的真正基礎(chǔ)”。但國內(nèi)外學(xué)者們并沒有給出其明確的定義。Kimela認(rèn)為“學(xué)習(xí)風(fēng)格是指個體長期堅持的一種偏愛方式，該方式是學(xué)習(xí)者在處理和分析獲取的知識的進程中所表現(xiàn)出來的慣有的方式”[6]。

目前，國內(nèi)學(xué)者引用較多的是譚頂良教授對此概念的定義，他指出“學(xué)習(xí)風(fēng)格是個體學(xué)習(xí)者所表現(xiàn)出的持續(xù)性的學(xué)習(xí)方式，囊括了學(xué)習(xí)者的在學(xué)習(xí)過程中的策略和傾向，展現(xiàn)出了學(xué)習(xí)者鮮明的個性”[7]。將上述學(xué)者們的觀點進行歸納，可發(fā)現(xiàn)一個共同點，那就是學(xué)者們普遍認(rèn)為學(xué)習(xí)風(fēng)格是學(xué)習(xí)者相對穩(wěn)定的學(xué)習(xí)方式，該學(xué)習(xí)方式能夠通過一定的學(xué)習(xí)行為進行展現(xiàn)。

1.1 學(xué)習(xí)風(fēng)格的分類

學(xué)習(xí)風(fēng)格理論為劃分學(xué)習(xí)者的學(xué)習(xí)風(fēng)格提供了基礎(chǔ)。國內(nèi)外的學(xué)者都試圖從學(xué)習(xí)者個體的差異性進行分析和研究,以此來確定學(xué)習(xí)者的學(xué)習(xí)風(fēng)格,從而更好地進行個性化的教學(xué)。目前比較有影響力的學(xué)習(xí)風(fēng)格劃分模型有以下幾種[8]：

1)Kolb模型

Kolb將學(xué)習(xí)風(fēng)格置于學(xué)習(xí)過程中,并根據(jù)學(xué)習(xí)風(fēng)格的知覺和加工動力特征,將學(xué)習(xí)風(fēng)格劃分為聚合型、同化型、發(fā)散型、順應(yīng)型[9]。

2)lotas模型

勞特斯lotas根據(jù)心理的類型,將學(xué)習(xí)風(fēng)格劃分為四種類型：情感Ⅰ、情感Ⅱ、認(rèn)知Ⅰ、認(rèn)知Ⅱ等四種類型[10]。

3)Felder-Silverman模型(簡稱FSLSM)

Felder-Silverman模型是由Felder和Silverman在1997年開發(fā)的，也是目前為止使用為廣泛的學(xué)習(xí)風(fēng)格模型，該模型的主要研究內(nèi)容有自適應(yīng)的用戶建模、分析學(xué)習(xí)風(fēng)格、推薦學(xué)習(xí)策略等，如表1所示[11]。

表1 Felder-Silverman學(xué)習(xí)風(fēng)格模型

FSLSM因其具備良好的信度與效度，被許多教育領(lǐng)域的專家所認(rèn)可，其可靠實用的效果也已被證實，尤其適用于分析網(wǎng)絡(luò)環(huán)境下的學(xué)習(xí)，所以采用FSLSM。

1.2 學(xué)習(xí)風(fēng)格類型與網(wǎng)絡(luò)學(xué)習(xí)行為的匹配

1)信息加工維度

活躍型，較多地利用學(xué)習(xí)資源協(xié)助學(xué)習(xí)，喜歡與別人溝通。喜歡在論壇中討論、解答問題，發(fā)帖量較大，訪問時間較長，經(jīng)常參加課堂互動。

沉思型，喜歡獨自解決問題，在做決策或采取行動之前傾向于仔細思考。在論壇中讀貼量較大，少有發(fā)帖；傾向于認(rèn)真分析每個問題，確定無誤后提交答案，提交作業(yè)或測試時間較長。

2)信息感知維度

感悟型，喜歡事實和具體的學(xué)習(xí)材料，比較細心。在交作業(yè)前認(rèn)真檢查，提交時間更長。傾向于用更多的文字來表達，通過在討論區(qū)發(fā)帖、回帖等行為來解決問題。

直覺型，思維更加靈活創(chuàng)新一些。關(guān)注抽象概念事物，訪問課程大綱的次數(shù)多、時間多，參加安排好的測試次數(shù)較少。

3)信息輸入維度

視覺型，查看知識樹圖表、學(xué)習(xí)視頻等學(xué)習(xí)資源的時間多、次數(shù)多。視頻反芻比高。

言語型，善于閱讀文本類型學(xué)習(xí)資源，任務(wù)點完成率高。發(fā)帖、看帖多。

4)信息理解維度

綜合型，傾向于全局思考，訪問教學(xué)大綱、知識點總結(jié)的次數(shù)多、時間長。學(xué)習(xí)天數(shù)多。

序列型，傾向于按照序列進行學(xué)習(xí)，點擊上一頁、下一頁導(dǎo)航按鈕的次數(shù)多。

2 GWO-SVM模型

2.1 SVM原理

由Vapnik等提出的支持向量機(SVM)，在小樣本、非線性、高維數(shù)據(jù)問題上，體現(xiàn)了良好的建模性能，預(yù)測結(jié)果也更加準(zhǔn)確[12]。

對于一個線性可分的二分類問題，SVM實質(zhì)上就是尋找一個使兩類樣本分布在兩側(cè)的且距離超平面最遠的一個分類超平面。

設(shè)兩類訓(xùn)練樣本集為：

{(x1,y1),(x1,y2),…,(xn,yn)}

其中，n表示樣本數(shù)，xi是第i個樣本v維特征空間輸入值，yi∈{-1,1}。

在線性可分的情況下，SVM求解的最優(yōu)超平面就可以轉(zhuǎn)化為以下的約束優(yōu)化問題：

(1)

s.t.yi(ω·xi+b)≥1，i=1,2,…,l

式中：ω代表的是所求解的最優(yōu)超平面的法向量；b為偏移量，ωx+b=0就是要尋找的最優(yōu)超平面。

若樣本為線性不可分，SVM則用非線性映射Φ，將樣本從現(xiàn)有空間映射到更高維的空間Ω上，在Ω內(nèi)就轉(zhuǎn)化成線性可分的問題，可在Ω空間內(nèi)求出最優(yōu)分類平面。但是，核函數(shù)必須滿足Mercer條件，即：

k(xi,xy)=Φ(xi)·Φ(xj)

(2)

綜上所述，通過選擇適當(dāng)?shù)暮撕瘮?shù)k(xi,xj)，便可以實現(xiàn)對非線性樣本的線性分類。在引入松弛變量ξi后，原分類面方程可表示為：

yi(ω·Φ(xi)+b)≥1-ξ,i=1,2,…,n

(3)

式中：ω是分類平面的權(quán)系數(shù)向量；b為分類的域值。最優(yōu)分類面的問題就可以被轉(zhuǎn)化為：

(4)

式中：C為懲罰因子，它控制著模型的復(fù)雜度以及逼近誤差。

在引入Lagrange乘法算子之后，最優(yōu)超平面的問題就可以轉(zhuǎn)化為對偶二次規(guī)劃問題，同時將核函數(shù)的內(nèi)積轉(zhuǎn)換代入，式(3)就可以被轉(zhuǎn)換為如下：

(5)

最終的最優(yōu)分類面函數(shù)就表示為：

(6)

2.2 灰狼優(yōu)化算法原理

1)算法概述

2014年，Mirjalili提出了灰狼優(yōu)化(GWO)算法，模擬狼群家族的社會制度和狩獵策略，以迭代的方式不斷尋找最優(yōu)值的一種群優(yōu)化算法。具有結(jié)構(gòu)簡單、收斂快速等優(yōu)點。

狼以群居為主，每個狼群中平均有7～12只狼，具有較為嚴(yán)格的等級制度[13]。按社會地位高低依次定義α、β、δ、ω狼，α為頭狼，β是α的顧問，δ聽從α和β的指示，ω負(fù)責(zé)跟蹤圍捕獵物。

頭狼α帶領(lǐng)捕食活動，首先狼群以團隊形式對獵物進行跟蹤、追趕、靠近，然后從各個方向包圍并恐嚇獵物直到獵物停止運動，最后攻擊獵物。

2)數(shù)學(xué)模型

D為狼群與獵物的距離，其數(shù)學(xué)模型用公式(7)表示，狼群會根據(jù)獵物位置和D更新其位置，用公式(8)表示：

D=|C·XP(t)-X(t)|

(7)

X(t+1)=XP(t)-A·D

(8)

式中：X為狼的位置向量；Xp為獵物的位置向量；t為當(dāng)前迭代步；可調(diào)整系數(shù)向量A、C，使狼可以到達獵物周圍的不同位置，可用公式(9)和(10)計算。

A=2ar1-a

(9)

C=2r2

(10)

式中：a在迭代過程中，從2到0線性減??；r1和r2為[0，1]之間的隨機向量。

設(shè)主導(dǎo)整個圍捕過程的是α，β和δ，而且α狼的位置是最優(yōu)的，其次是β，最后是δ。α，β和δ對獵物的潛在逃竄位置有較好的洞察能力。首先，確定α，β和δ到獵物的距離，如公式(11)所示，再根據(jù)式(12)移動到下一步的位置，ω則根據(jù)這3頭位置最好的狼來更新自己的位置。由以上方法，迭代計算，直至滿足終止條件，便可得到優(yōu)化目標(biāo)的最優(yōu)解、次優(yōu)解等。

Da=|C1·Xa-X|,Dβ=|C2·Xβ-X|,Dδ=|C3·Xδ-X|

(11)

X1=Xα-DαA1,X2=Xβ-DβA2,X3=Xδ-DδA3,

(12)

(13)

2.3 GWO-SVM模型構(gòu)建

在SVM模型中，參數(shù)有重要作用，人為給定會導(dǎo)致結(jié)果不理想，所以優(yōu)化參數(shù)是很必要的。利用GWO優(yōu)化SVM中懲罰因子C和核參數(shù)σ這兩個參數(shù)，這樣可以有效地提高SVM模型的準(zhǔn)確率。GWO優(yōu)化SVM參數(shù)流程如圖1所示。

圖1 GWO優(yōu)化SVM參數(shù)流程

3 基于GWO-SVM的網(wǎng)絡(luò)學(xué)習(xí)風(fēng)格模型

3.1 學(xué)習(xí)風(fēng)格預(yù)測模型

基于以上分析，選擇學(xué)生登錄學(xué)習(xí)平臺的時間、課程互動、作業(yè)提交時間、視頻觀看時長、發(fā)帖數(shù)、視頻反芻比、章節(jié)學(xué)習(xí)次數(shù)、回帖數(shù)、任務(wù)點完成數(shù)、訪問大綱次數(shù)等學(xué)習(xí)參數(shù)，作為量化學(xué)習(xí)行為的重要指標(biāo)。在FSLSM學(xué)習(xí)風(fēng)格模型的四大維度上，基于GWO-SVM模型對學(xué)習(xí)風(fēng)格進行預(yù)測，流程如圖2所示。

圖2 基于GWO-SVM的學(xué)習(xí)風(fēng)格預(yù)測流程

研究對象為東北林業(yè)大學(xué)機電工程學(xué)院“電機與拖動”在線課程的學(xué)生，在2020年春季4個月的學(xué)習(xí)過程中的10種學(xué)習(xí)行為變量為輸入變量，采集了164組數(shù)據(jù)，因SVM模型對[0，1]范圍內(nèi)數(shù)據(jù)十分敏感，首先進行歸一化處理，將其中50%作為訓(xùn)練集，50%作為測試集。然后使用訓(xùn)練集建立基于GWO-SVM的學(xué)習(xí)風(fēng)格預(yù)測模型。核函數(shù)選取RBF，懲罰參數(shù)C和核函數(shù)參數(shù)σ用上述灰狼算進行優(yōu)化，直至滿足迭代終止條件，設(shè)狼群數(shù)為10，最大迭代次數(shù)為10，參數(shù)C和σ的搜索區(qū)間為[0.01，100]。最后，用測試集對學(xué)習(xí)風(fēng)格模型的準(zhǔn)確性進行評估。分類目標(biāo)屬性分別是各個學(xué)習(xí)風(fēng)格維度屬性。

3.2 預(yù)測結(jié)果比較分析

分別通過問卷調(diào)查和GWO-SVM算法兩種方法對學(xué)習(xí)風(fēng)格進行分類，得到了相同的80名大學(xué)生的兩組學(xué)習(xí)風(fēng)格數(shù)據(jù)，具體情況如表2所示。

從表2數(shù)據(jù)中，首先可看出，兩種方法的分類結(jié)論是一致的，該學(xué)期“電機與拖動”大部分被測學(xué)生的學(xué)習(xí)風(fēng)格為活躍型、感悟型、視覺型與綜合型。但是兩種方法預(yù)測結(jié)果在數(shù)值上是存在差異的，分析其原因歸結(jié)為：其一，學(xué)生對自身的學(xué)習(xí)行為認(rèn)識不夠，調(diào)查問卷帶有一定的主觀性，對自己潛在的學(xué)習(xí)風(fēng)格并不自知；其二，影響網(wǎng)絡(luò)風(fēng)格的因素是十分復(fù)雜的，只選取了十個網(wǎng)絡(luò)學(xué)習(xí)行參數(shù)作為GWO-SVM網(wǎng)絡(luò)輸入，因而會帶來兩種預(yù)測結(jié)果的差異。所以，為了更客觀地劃分學(xué)生在線學(xué)習(xí)風(fēng)格，弱化主觀因素對其影響，對于兩種方法有不同學(xué)習(xí)風(fēng)格劃分結(jié)果的學(xué)生，課程按照GWO-SVM算法預(yù)測結(jié)果分類。

表2 學(xué)習(xí)風(fēng)格分類比較

其次，觀察表2中數(shù)據(jù)可以發(fā)現(xiàn)同一維度中，問卷調(diào)查結(jié)果人數(shù)相差越小，方法的差異率越小。如視覺型/言語型，問卷結(jié)果為54人/26人，差異率最低為7.5%。分析其原因，是有充分的訓(xùn)練數(shù)據(jù)對應(yīng)兩種風(fēng)格，因而差異率越小。因而采集訓(xùn)練數(shù)據(jù)時，盡量平均對應(yīng)兩種風(fēng)格。

最后，從表2的劃分結(jié)果可以看出，學(xué)生的學(xué)習(xí)風(fēng)格偏向于感悟型和視覺型，這就引導(dǎo)授課教師在建設(shè)課程時，應(yīng)多加一些視頻素材，PPT中多一些動畫素材等。同時，在整理學(xué)習(xí)行為數(shù)據(jù)時，教師能夠根據(jù)學(xué)生對課程資源的利用情況，合理增減資源。

3.3 學(xué)習(xí)行為數(shù)據(jù)統(tǒng)計分析

在以上學(xué)習(xí)風(fēng)格分類劃分的過程中，同時對大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)行為的統(tǒng)計數(shù)據(jù)進行了分析。如圖三所示，為學(xué)生4月份的章節(jié)學(xué)習(xí)數(shù)量統(tǒng)計圖，從圖3中可以看出，學(xué)生在上課前1天和上課當(dāng)天的學(xué)習(xí)量較大，課后1天明顯下降，呈規(guī)律性變化。并且學(xué)習(xí)量與課程難易程度成正比。

這說明學(xué)生可以根據(jù)課前教師布置的預(yù)習(xí)任務(wù)，積極地自主學(xué)習(xí)。這些數(shù)據(jù)對教師來說是一個非常棒的反饋，實現(xiàn)了閉環(huán)教學(xué)。

圖3 章節(jié)學(xué)習(xí)數(shù)量統(tǒng)計圖

另外，統(tǒng)計了學(xué)生在一天中每個時間段的學(xué)習(xí)次數(shù)，如圖4所示。以4月30日為例是課程前一天，50%以上學(xué)生在12點前完成，90%在20點前都完成了預(yù)習(xí)任務(wù)，說明大部分學(xué)生能夠很容易完成預(yù)習(xí)任務(wù)，預(yù)習(xí)任務(wù)難度適中。

圖4 每日分時段學(xué)習(xí)次數(shù)統(tǒng)計

4 學(xué)習(xí)風(fēng)格模型在教學(xué)中的應(yīng)用

在后疫情時代，學(xué)生們的學(xué)習(xí)方式更多為線上線下混合式教學(xué)。因而，根據(jù)在線學(xué)習(xí)行為建立的學(xué)習(xí)風(fēng)格除了能優(yōu)化在線教學(xué)之外，對線下教學(xué)也是有指導(dǎo)意義的。依拖電氣工程及其自動化專業(yè)的人才培養(yǎng)方案和“電機與拖動”課程教學(xué)大綱，基于學(xué)習(xí)風(fēng)格模型和學(xué)習(xí)行為數(shù)據(jù)統(tǒng)計分析，教師能夠更加深入地掌握學(xué)生的基本情況、學(xué)習(xí)偏好和學(xué)習(xí)心理。該學(xué)期“電機與拖動”大部分被測學(xué)生的學(xué)習(xí)風(fēng)格為活躍型、感悟型、視覺型與綜合型?；钴S型，傾向于積極做事，喜歡團隊合作；感悟型，喜歡用已有的事實來考慮和解決問題，能按照程序解決學(xué)習(xí)過程中遇到的問題；視覺型，擅長于記住圖表、照片、視頻等看到的事物；綜合型，喜歡總攬全局，再找解決問題的突破口。所以，教師適時調(diào)整和改善線下課程設(shè)計體現(xiàn)在以下三個方面。

1) 教學(xué)內(nèi)容的優(yōu)化

在課前，教師提出預(yù)設(shè)問題，讓學(xué)生自主查找資料，采用團隊合作方式，給出解決方案。課中，重點分析難點概念，課件中增加圖表和視頻等素材。課后，要求學(xué)生將所學(xué)不同電機的相同內(nèi)容進行對比和理解，繪制知識導(dǎo)圖，強化對知識掌握。

2) 教學(xué)方法的改革

在教學(xué)方法上增加案例導(dǎo)入、討論交流和頭腦風(fēng)暴環(huán)節(jié)。教師在授課過程中，增加實際電力拖動案例，讓學(xué)生真正地學(xué)以致用，極大地提高學(xué)生學(xué)習(xí)熱情。課堂授課采用問題導(dǎo)向的方式，能夠促使學(xué)生在討論交流和頭腦風(fēng)暴時推進對知識點的深入理解。

3) 教學(xué)手段的調(diào)整

在教學(xué)過程中，增加實踐環(huán)節(jié)，如三相異步電動機的拆裝，對學(xué)習(xí)交流電機電樞繞組結(jié)構(gòu)及原理是非常有幫助的。另外，課件中增加動畫等視覺材料，增加學(xué)習(xí)趣味。

5 結(jié)語

建立了基于GWO-SVM的多維度網(wǎng)絡(luò)學(xué)習(xí)風(fēng)格模型，研究視角著眼于在線學(xué)習(xí)行為分析的各個要素層面，系統(tǒng)地分析了大學(xué)生在線學(xué)習(xí)風(fēng)格特征，完善了在線學(xué)習(xí)行為分析的指標(biāo)體系，為教師的個性化線上線下教學(xué)提供理論支持。同時，研究對學(xué)習(xí)風(fēng)格的建模方法，也可為自適應(yīng)學(xué)習(xí)系統(tǒng)的建設(shè)奠定了基礎(chǔ)。對于不同風(fēng)格的學(xué)習(xí)者，給出不同的學(xué)習(xí)方案，比如學(xué)習(xí)內(nèi)容的個性排序，學(xué)習(xí)資源的分類提供等。最終實現(xiàn)個性化教學(xué)，為學(xué)習(xí)者提供愉悅的學(xué)習(xí)體驗。