基于Felder-Silverman学习风格的自适应e-learning系统

翟小可，李怀亮，崔春生

（1.北京理工大学 珠海学院管理与经济学院，广东 珠海 519085；2.首都师范大学 信息工程学院，北京 100048；3.河南财经政法大学 计算机与信息工程学院，河南 郑州 450002）

随着互联网和教育信息化的发展，以学生为中心地位的e-learning系统无疑是未来教学模式的方向。目前的e-learning系统缺乏依据学生特征的个性化调整策略，学习风格是学习情境中个体表现出来的比较稳定的处理方式和学习策略倾向，反映了学生的个性类型特征。因此，针对e-learning系统的这一缺陷，设计开发一个能够根据学生学习风格进行动态调整的自适应e-learning系统显得很有必要。

1 Felder-Silverman学习风格模型

学习风格（learning style）是在学习情境中个体表现出来的比较稳定的处理方式和学习策略倾向。简单地说就是每个人的主要学习方式、学习倾向、学习策略。

心理学家Felder和Silverman将学习风格分为4个维度，分别是感知，输入，处理和理解。其中每个维度又分为两种风格，分别是感知型-直觉型（感知维度）、视觉型-言语型（输入维度）、主动性-反思型（处理维度），全局型-序列型（理解维度）。该模型一般称为Felder-Silverman学习风格模型[1]，包括4个维度和8种学习风格。前两个维度表示学生如何在学习过程中接受知识和信息的风格，后两种维度表示学生在学习过程中喜欢如何加工知识和信息，这4个维度不是截然分开的，每一个学生的学习风格都是这4个维度的组合，我们只能认为学生更倾向于那个学习风格。

根据Felder-Silverman学习风格模型理论，学生的学习风格可以用一个四元组进行形式化的表示[2]，LS表示学习风格（learning style）的公式如下：

其中，（Ti，ei）（1≤i≤4）依次为 Felder-Silverman 学习风格的4个维度的取值，这里Ti表示该Felder-Silverman学习风格分类的 4个类型（Ti∈{“感知型-直觉型”，“视觉型-言语型”，“主动性-反思型”，“全局型-序列型”}），ei为模糊取值（ei∈[0，1]），它代表学习风格在 Ti维度的取值。

举例说明，某一个学生Longer Lee的学习风格为：LS（Longer Lee）=[（感知型-直觉型，0.8），（视觉型-言语型，0.2），（主动性-反思型，0.6），（全局型-序列型，0.9）]则表示该学生在感知维度上偏向于直觉型，在输入维度上偏向于视觉型，在处理维度上偏向于反思性，在理解维度上偏向于序列型。

2 学习风格生成算法

虽然教育者早就注意到学生们在学习风格方面有很大差异，但苦于没有很好的测试方法，由于不能预测和量化，也不能很好地应用在教学策略的推理上。所罗门 （Barbara A.Solomon）学习风格量化表具有很强的操作性，可以进行较好的学习风格测试[3]。Solomon学习风格量化表共有44个题目，而且每个题目的设计针对不同的学习风格维度。学习风格分为4个维度，每个维度11个问题，每一个问题有两个答案供用户选择。

由于基于Solomon量化表的操作性强，我们结合本系统的需要提出了基于Solomon量化表的学习风格生成算法，步骤如下：

1）将Solomon量化表的答案填入统计表，并按照学习风格维度统计选项的总计个数α，如表1所示。

表1 一个基于Solomon量化表的学习风格生成算法示例Tab.1 An example of learning style generation algorithm based on Solomon quantization table

2）按照“（较大数-较小数）+较大数的字母”的规则，生成4个维度上的分值。表示为：

其中 α 取值为 11、9、7、5、3、1，e 取值为 a，b。 因此为每一种量表 Ti的取值可能为 11a、9a、7a、5a、3a、a、11b、9b、7b、5b、3b、b中的一种。若得到字母“a”，表示属于前者学习风格，且“a”前的系数越大，表明程度越强烈；若得到字母“b”，表示属于后者学习风格，且“b”前的系数越大，同样表明程度越强烈。例如：在活跃型/沉思型量表中得到“8a”，表明测试者属于主动型的学习风格，且程度很强烈。在视觉型/言语型量表中得到“a”，表明测试者属于视觉型的学习风格，且程度非常弱；如果得到“3b”，则表明测试者属于言语型的学习风格，且程度较弱。

3）公式（1）表示学生的学习风格，而取之ei为模糊取值（ei∈[0，1]）。 为便于分类表示，根据步骤 1）得到的取值，定义公式（3）如下：

于是，将ei量化到区间[0，1]内。为了计算和推理的方便，我们简单处理，将趋向学习风格较弱的视为0.3，趋向该学习风格一般视为0.6，趋向该学习风格较强者视为0.9。使其按照0.3的步长递增。表1是一个基于该算法的一个部分实例， 那么该学生的学习风格可以表示为：LS=[（T1，0.6），（T2，0.3），（T3，0.6），（T4，0.9）]。

3 系统设计

根据Felder-Silverman的学习风格分类，不同的学习风格对应着不同的学习特征倾向和教学策略，个性的差异在一定程度上影响着学生学习的效果和效率。这意味着在e-learning教学的环境下根据学习风格制定一定的网络教学策略，系统促进学生按照自己的个性特点去学习，从而提高学习效率。Felder-Silverman分类中8种学习风格的学习趋向和偏好特征如表2所示[4]。

表2 Felder-Silverman学习风格趋向和偏好特征表Tab.2 Felder-Silverman learning style trend and preference characteristic table

针对8种学习风格的不同学习偏好特征，系统依据学生学习风格自动调整界面教学内容呈现和知识结构导航，基于学习风格的e-learning学习流程如图1所示。

图1 基于学习风格的e-learning学习流程Fig.1 Learning process of e-learning based on learning style

4 系统主要功能实现

基于Felder-Silverman学习风格模型的自适应性elearning系统采用.NET分层架构，开发平台为Visual Studio 2008，开发语言为C#、ASP.NET，数据库采用SQL SERVER 2005，学习课程内容选用《人工智能》[5-6]。

4.1 登录模块

系统包括3个角色：管理员，教师和学习者。管理员主要功能是对系统权限管理，数据管理，消息管理等；教师主要功能是课程管理，试题管理，成绩管理等；学生主要功能是个人信息管理，在线学习，在线交流等，如图2所示。

图2 自适应e-learning系统登录界面图Fig.2 Login interface of the adaptive e-learning system

4.2 学习风格生成模块

作为系统的首次使用者，系统需要分析学生的学习风格进一步来设定个性化的教学风格，学习风格获取采用的Solomon的学习风格量化表和本文给出的Solomon量化表的学习风格生成算法。学生在认真作答问卷提交之后，就可以得到该学生的四维学习风格，如图3所示。系统根据学习风格的各自特点，设计符合学习风格特点的个性化的内容呈现机制。

4.3 自适应学习风格的学习界面

系统根据学习风格记录中学习风格类型，选择符合学习风格的学习导航和学习媒体内容呈现，系统具有适应学生学习风格的特点，这便于激发学习兴趣和学习热情。如图4所示，对于趋向于感知型，视觉型，思考性，全局型学习风格特点的学生的学习中心主界面显示，采用了知识点结构导航，Flash动画和图片的媒体表现。

图3 学生的学习风格生成界面图Fig.3 Interface of the learning style generation

图4 符合学习风格的学习内容呈现界面图Fig.4 Interface of present study conternt to meet learning style

5 结束语

符合学生个性化特征的自适应[7]e-learning系统能够自动调整网络教学策略，并且能充分利用e-learning系统的丰富教学媒体和友好交互模式，极大保证网络教学质量。本文开发的基于Felder-Silverman学习风格的自适应性e-learning系统能够学生的学习风格自动调整界面的内容呈现方式和知识结构导航，符合个性化的e-learning趋势，系统发布后运行稳定，学生反馈良好。

[1]Felder R M，Silverman L K.Learning and teaching styles in engineering education[J].Engineering Education，1988，78（7）:674-681.

[2]Alfonseca E，Rosa M.Carro， Martin E， et al.The impact of learning styles on student grouping for collaborative learning:a case study[J].User Modelling and User-Adapted Interaction，2006（9）:377-401.

[3]Solomon.Index of Learning Styles Questionnaire[EB/OL].[2011-03-20].http://www.engr.ncsu.edu/learningstyles/ilsweb.html.

[4]张建平，陈仕品，张家华.网络学习及其适应性学习支持系统研究[M].北京：科学出版社，2010.

[5]王万森.人工智能原理及其应用[M].北京：电子工业出版社，2006.

[6]Franzoni A.L.，Assar， S.Student learning styles adaptation method based on teaching strategies and electronic media[J].Educational Technology and Society， 2009，12（4）：15-29.

[7]周巧俏，汤云岩，海晓涛.基于改进自适应遗传算法的分布式电源的选址和定容[J].陕西电力，2010，38（6）：40-44.ZHOU Qiao-qiao，TANG Yun-yan，HAI Xiao-tao.Location and sizing of distributed generation based on improved selfadaptive genetic algorithm[J].Shaanxi Electric Power，2010，38（6）：40-44.