网络学习系统中认知风格测量工具的研究

常青

（锦州医科大学　公共基础学院，辽宁　锦州　121000）

网络学习系统中认知风格测量工具的研究

常青

（锦州医科大学公共基础学院，辽宁锦州121000）

在网络教育中，学习者的认知风格可以明确的反映出学习者应该采取何种学习方式，它也对网络的学习活动和学习媒体的设计有着重要的影响，所以，确定网络学习者的认知风格类型就变得尤为重要。在网络学习系统中，测量学习者的认知风格类型，通常会使用CSA（认知风格分析系统）。它的测量结果与被测试者的反应时间有着重要的关系，所以在实际的应用中，就会有一些不确定的因素影响测试结果。文章通过对网络学习系统以及系统中学习者的学习行为属性进行研究分析，同时借鉴了专家的意见以及一部分已有的研究成果，确定了与认知风格相关的学习行为属性，主要通过数据挖掘技术，设计出基于网络学习系统的认知风格测量工具。

认知风格；数据挖掘；决策树

1　概念

1.1认知风格

认知风格是一个变量，标志着每个人的个体差异。有的人用语言符号的形式来表现运用信息，有的人用图形的形式来表现信息。认知风格的研究领域范围广泛，有的研究是针对问题的解决，有的研究是针对学习，有的研究是针对知觉特点等，彼此间也存在很大的差异性。虽然有人提出过认知风格类型的分类如此之多，主要是因为认知本身太过复杂，不过也会认为如此多的认知风格类型划分，并不利于深入性的研究。

在网络学习的模式中，学习是通过自已的原有知识或经验，与个性化的学习系统进行交互，以此来获取知识与能力的过程。学生可以组织、制订、执行自己的学习计划，自行的对学习策略进行选择，还可以控制全部的学习过程，对学习成果进行自我评价。它充分的考虑到了教学行为和学习行为的个人化。它根据各学生不同的需求，对教学资源进行不同的组合。学生的学习过程受本人支配。学生在这一系统的学习中，不仅掌握了所学的知识，同时也掌握了学习的方法。

2　个性化网络课程设计

最终形成的学习效果与教学资源的组合形式有着非常重要的关系。交互界面的设计对学习者认知呈现出的效果，会与界面让学习者所看到的窗口大小、标题、材料的整体配合效果，以及每个界面展示出学习材料的多少、布局等因素有关。图像型的学习者比文本型的学习者表现要好，这主要来取决于各个媒体的表达特征。例如，通过视频的方式来进行学习，图像、声音和视频的表现方式对图像型学习者更有帮助。所以，通常会认为不同认知风格的人会从与自己风格相适应的学习资源中获益。本文所设计的网络课程，是基于二维认知风格理论基础之上的，通过分析学习者的认知风格类型，利用学习模式和媒体资源的不同组合，形成9种（3×3）不同的学习课程，提供给9种不同认知风格的学习者，从而促进学习者实施有效学习。

学习模式设计的策略，主要是为了给具有不同特点的学生，提供更适合他们的网络课程，从而设计出的三种不同的学习模式。它弥补了具有不同特点的学生在认知上的不足，换句话说，就是网络课程在面对不同的认知风格学习者，可以采用不同的结构、不同的学习次序和不同的使用方式。

3　数据挖掘

数据挖掘，它可以从数量多，或者不完全，甚至是模糊的数据内，提取出有用的信息和知识，这些信息和知道隐含在这些数据中，而人们事先并不知道［1］。它可以挖掘出数据的潜在模式，指导决策，并找出最有价值的信息。数据挖掘过程如下：

（1）数据挖掘的结果是要在大型的数据库中，发现令人产生兴趣的有用信息，必须要明确定义和挖掘目标信息［2］。

（2）对数据进行准备。首先根据用户的需求，在原始的数据库中提取数据，确定要操作的对象。再对数据做预处理，也就是对已经提取出来的数据进行加工，筛查，检查数据的完整性、一致性。最后将这些数据转换成一个适合于挖掘算法的分析模型。

当学生认识了自己的错误解法，学生就多了一种对错误的“免疫力”。而当学生分辨出对错后，教师没有“见好就收”，而是“乘胜追击”。引导学生反思为何会犯错，思考经历了这次犯错纠错活动以后要注意些什么？学生学会将活动所得经验不断内化和概括，最终迁移运用到其他活动和学习中去。

（3）根据所要挖掘的数据功能类型或特点，选择与之相适应的算法，对筛查和转换后的数据集进行挖掘。

（4）对数据挖掘的结果进行解释和评估，再转换成为可以被用户所理解的、合理的知识。

4　认知风格测量工具设计

4.1认知风格测量工具的基础结构

认知风格测量工具要求具有基于兼容WindowsXP以上的操作系统，后台为兼容SQL Server 2000以上的数据库管理系统。认知风格测量工具主要包括数据收集和认知风格评价两个部分。

4.2认知风格测量工具设计流程

学生者学习过程的信息收集模块，其实就相当于一个基于多代理理论的跟踪器。当学生登陆网络学习系统时，跟踪器也同时启动，并对学生的学习行为进行跟踪和记录。数据处理模块通过对跟踪器所收集到的数据进行加工处理，从中提取出有效的数据。分类模块通过所建立的决策树，对所提取的有效数据进行分类。结果评价模块对分类结果进行分析，根据分类的结果向用户推荐参考信息。

4.3解决方案

本文设计了多个数据收集模块以及以决策树的分类算法为基础的认知风格测量模块。数据收集模块是将学生的相关属性数据建立关系化量表，再概念化，从而形成的概化量表。认知风格测量模块的具体工作步骤为：

（1）明确挖掘的对象和目标。通过跟踪器收集挖掘对象，储存学生学习行为信息到用户数据库中，通过以上的信息，对学生的认知风格来确定挖掘目标。

（2）数据的采集。在现实的学习环境中，以及个性化的网络学习系统中，采集各类有关数据信息。其中的一部分数据需要处理有关数据才可以获取，其余部分的数据需要对学生进行调查后才可以获取。

（3）数据的转换。将采集到的不同数据信息，合成转换为数据分析模型，以便将采集到的数据适用于本工具的挖掘。

（4）数据的分类挖掘。先选择一个合适的挖掘算法，并且通过恰当的程序设计来实现这一算法。再对转换后的数据对象进行处理，来得到决策树对学生的认知风格进行测量。

（5）获取分类的规则与结果的分析。用于对使用工具所获得的学生认知风格测量结果，进行分析与评估。

5　认知风格测量工具开发

5.1数据收集模块

数据收集模块，将收集到的学生在线学习行为形成数据，并将其存储于数据库中。每当学习者登陆学习系统时，数据收集模块就自动的启动，同时开始记录下学习者的学习行为。该模块是认知风格测评工具的基础，根据个性化网络学习系统的用户分析模型，确立采集数据类型，同时它也是认知风格测量工具的数据源，它所收集到的信息质量和数量会直接的影响认知风格测量工具的准确性。

5.2认知风格决策树的实现

（1）数据的预处理。通过对学生在线学习行为的数据采集，可以获得两类记录，即第一类，运用个性化网络学习系统的学习模式所选择的记录。第二类，运用媒体类型的记录。

数据的预处理，主要是将数据库所获取的两类学习行为记录通过集成、变换与归纳，最后所形成的待挖掘的数据集。第一类记录中获取的，是学生的学习模式（线性模式、分支模式以及学习者自主模式）。从第二类记录中获取的是学生所选择的使用多媒体的组合方式（单一文本、讲课视频、PPT、文本、交互式超媒体）。

（2）建立决策树。经过预处理的数据包括一个类别项（认知风格类型）和三个影响分类的属性项（学习行为的数据）。我们选取某大学的600名大一学生作为数据样本，生成训练集来构造决策树。

5.3认知风格测量工具效果分析

通过对使用了认知风格测量工具的网络学习系统的某大学860名学生的跟踪调查，可以对网络学习系统的结构以及媒体的设计策略起到一定的指导作用。对网络学习系统的学习者来讲，可以使他们确定个人的认知风格类型，再针对自己的不足之处，进行与之相适应的强化练习。得到的决策树，对于理想学习者的分类正确率非常高。对于非理想学习者的分类正确率不够理想。而非理想学习者的不准确部分，在实际操作中相当于增加了部分不真实的理想学习者，这与实际情况是一致的。

主要参考文献

［1］邓英，李明.Web数据挖掘技术及工具研究［J］.计算机工程与应用，2001（20）.

［2］曲红亭，申瑞民.基于数据挖掘的个性化学习导航系统的设计与实现［J］.计算机工程，2003（8）.

10.3969/j.issn.1673-0194.2016.11.145

G420

A

1673-0194（2016）11-0242-02

2016-02-19

2015年辽宁医学院教学改革研究一般项目（YA2015037）。

常青（1980-），女，辽宁锦州人，锦州医科大学公共基础学院讲师。