自主在线学习环境下学习行为与学习风格偏向性的关联分析研究
2017-11-07杨娟宋晓玲乔兴媚
杨娟+宋晓玲+乔兴媚
【摘 要】
虽然学习风格受到众多关注，但关于它在自适应超媒体学习（ALH）系统中的应用效果依然受到质疑。本研究构建了一个可满足学习者学习风格偏好，并能充分反映学习者学习行为差异性的原型系统来采集学习者学习行为数据，同时使用学习风格测量工具来采集被试学生的学习风格偏好性数据。据此对学习风格理论在ALH系统使用过程中所产生的开放性问题提出了假设，并进行了验证。实验表明，在ALH系统单纯使用学习者学习风格偏好是不能保证学习效果的，学习风格偏向性应剥离为“偏好”和“学习正关联特性”两个参数，并保证其学习效果正相关的学习风格特性得到满足；在ALH中构建静态学习风格用户模型也是不能保证其有效性的，因为实验表明学习风格用户模型不仅受学习者本身经验约束，同时还受变化的学习内容的影响。
【关键词】 学习效果；自适应超媒体学习系统；学习行为；学习偏好；学习正关联特性；Silverman & Felder模型；
场依存/场独立模型；VARK模型
【中图分类号】 G442 【文献标识码】 A 【文章编号】 1009-458x（2017）10-0047-08
一、 研究背景
在过去20年中，在线学习系统的设计与开发一直是学习技术研究领域的一个研究热点。这些系统被称为自适应教育超媒体（Adaptive Educational Hypermedia， AEH）系统或是自适应超媒体学习（Adaptive Learning Hypermedia， ALH）系统。为了覆盖更多的智能学习系统表现形式，本研究将这些系统统称为ALH系统。在这些系统中，为了给学习者提供更为准确、有效的个性化服务，学习风格（Learning Style， LS）被许多ALH系统集成在用户模型中，试图为学习者提供最适合个体需求的差异化学习过程。美国前中学校长联合会主席Keef认为学习风格是关于学习者如何学习的一个相对稳定的指标（Keefe， 1979），这一断言使得ALH系统通过LS模型所提供的启发式线索为学习者构建差异化的学习策略成为可能。大量用于区分不同类型的典型学习行为倾向性的LS测量工具也随之产生，例如常被用于AEH系统的Dunn & Dunn模型（Dunn， 1993）、Kolb模型（Kolb， 1984）、Silverman & Felder模型（Felder， 1988）、场依存/场独立模型（Witkin， 1977）以及VARK模型（Fleming， 2001）。
虽然学习风格受到众多关注，但它依然存在许多未解决的问题，例如在其有效性、可靠性以及实用性方面都存在争议（Dembo， 2007）。伦敦大学教育学院（Institute of Education， IOE）的Coffield教授在2004年发布了一份质疑学习风格在基础教育领域特别是课堂教学领域有效性的报告（Cof?eld， 2004）。报告调查了71种学习风格模型，指出在教学活动中使用学习风格理论必须谨慎，因为在进行了深入严格的测试后许多LS度量工具都存在严重漏洞。类似的质疑认为即使在ALH系统中使用学习风格也同样存在风险（Brown， 2009；Dag， 2009），例如，Brown（Brown， 2009）指出将学习风格作为用户模型使用并不能够保证学习者从其喜欢的方式中获益。相反，如果学习者能在其不喜欢的学习方式中产生能克服其学习风格潜在弱点的技能，就可以从中受益。
尽管面临诸多争议，学习风格在提升用户学习体验方面确实效果显著（Summerville， 1999）。Akbulut在其关于学习风格用户模型的研究中指出（Akbulut， 2012），虽然ALH系统整合学习者学习风格在是否能促进学习效果方面依然存在争论，但是遵从学习者学习风格倾向性确实能提升学习者的学习体验。除此之外，学习风格的正面影响还体现在可丰富学习者在学习过程中各种与满足感、积极态度以及正面情绪相关的认知经验上（Alshammari， 2015； Cabada， 2011； Dascalu， 2015； Essalmi， 2010； Filippidis， 2009； Garrido， 2013； Lin， 2013； Mampadi， 2011； Papanikolaou， 2003； Popescu， 2010； Sangineto， 2008； Schiaffino， 2008； Stash， 2006； E. Triantafillou， Pomportsis， A.， Demetriadis， S.， 2004）。例如，Liegle等人（Liegle， 2006）在其研究中就表明若为学习者提供满足其学习风格偏好在导航上的需求，则可以显著提升其学习总量。而学习风格的偏好性价值不仅仅体现在ALH系统中，同时也有证据显示在普通教学活动中，如果教师在面对成人学习者时能合理利用学习风格原理，则可以使其学习过程更舒适并提升其学习能力（Hawk， 2007）。
综上所述，虽然智能学习系统中使用学习风格具有诸多不确定性因素，但如何更有效地在ALH系统中使用学习风格仍然是广大研究者追求的目标。通过上述分析可知，学习风格在ALH系统中因为满足了学习者学习行为喜好的稳定特征，因此在改善用户体验方面具有显著效果，然而与别的商务系统不同，提升用户学习体验只是学习系统一方面的价值，学习系统另一方面的价值则要体现在学习效果上。因此，开展学习风格偏向性对学习效果正、负面影响的相关研究是非常有必要的。本研究通过采集学习者多种学习风格偏向性数据、学习者在ALH系统中的学习行为数据以及学习者学习效果数据，在三者间建立关联模型，以期实现分析多种学习风格偏向性对学习行为造成的可能的影响，以及这些影响继而对学习效果可能造成的正、负面后果。
二、 基础数据采集
在早期的AEH系统中，学习风格通常被作为用户模型的基石（Papanikolaou， 2003； Stash， 2004； Stern， 2000； E. Triantafillou， Pomportsis， A.， Georgiadou， E.， 2002），但是在最近的研究中，學习风格则多作为用户模型的一个组成部分而存在（Alshammari， 2015； Essalmi， 2010； Kardan， 2008； Lau， 2010； Limongelli， 2009； Lin， 2013； Mampadi， 2011； Sangineto， 2008）。有文献（Akbulut， 2012）统计了2000年至2010年十年间全球高影响因子期刊和会议上发表的70篇使用了学习风格的智能学习系统的相关文献，其中有81.4%的智能系统用户模型都集成了学习者的学习风格自适应模型，而所使用的学习风格种类则多达百种。然而，正如Dag（Dag， 2009）的统计数据所显示，大部分ALH系统仅仅为用户建模了其在不同学习风格维度上的喜好偏向性，而忽略了这些喜好偏向性与学习效果间可能存在的负关联。endprint
本研究构建了一个满足学习者学习风格偏好，同时充分反映学习者学习行为差异性的原型系统，用于采集学习者学习行为数据。原型学习系统具有以下特征：①提供自学习环境；②学习资源以主题为单位，资源结构呈星型；③对学习资源按照知识分类理论进行划分；④学习资源之间具有可替代性，以满足具有不同学习风格偏向性的学习者对学习资源的需求。
（一）用于采集数据的学习原型系统的资源设计
以“Java介绍及平台部署”这一主题为例，该主题的学习资源按照资源的类型分为整体知识结构图示、理论基础知识、Java实例、实验练习（Yang， 2014），在实例中增加了除文字描述以外的视频材料。具体资源的类型和对资源类型的描述，如表1所示。
采集学习者学习行为数据的原型学习系统界面则如图1所示。
测试对象为2014级计算机专业学生，其中有效被试58人，这些学习者具有相似学习背景，在此之前都没有接触过Java，但是均通过了学习Java课程的前测。由于学习者此前并未有过任何在线学习经验，因此实验只包含了“Java语言”课程的开始两个学习主题，分别是“Java介绍及平台部署”以及“Java的基本语法”。每个主题实验时间为上午8点到下午4点，学习者到部署了系统的机房进行自主学习，可自行安排自己的学习进度，但要求当天提交该主题相关实验和评测答案。要求不携带其余学习资料，仅根据系统提供的学习资源学习。参与实验自愿，但实验将作为正式开设的Java课程的最终成绩构成之一，若未参与或完成实验，该部分得分为0。在学习过程中，系统会记录学习者的具体学习行为，包括其所选择的知识点页面、每个页面的频率、在该页面停留的时间以及学习顺序等相关信息。
（二）学习风格数据采集
为提高研究结论的有效性，本研究采用了三个最广泛使用的学习风格模型：Felder-Silverman模型、VARK模型以及场依存/场独立（FD/FI）模型，对用户的学习风格倾向性进行多维测量。Felder-Silverman模型（F-S）和VARK模型均采用其标准化的学习风格问卷①，FD/FI模型则使用对应的镶嵌图形测试GEFT。同时，为了使测量值具有可比较性，本研究对数据均进行了范式化处理。
学习者在三个学习风格模型上的分布如表2所示。表2中关于学习风格维度的英文缩写分别代表：ACT-REF：主动-反射；SEN-INT：感知-直觉；VIS-VER：视觉-文字；SEQ-GLO：顺序-全局。从测量结果可知，测试的58名被试中，在视觉型/文本型维度上，属于文本型的只有7%，其余均属于视觉型；在场依存/场独立维度上，属于场依存型的只有一人，其余均是中立或场独立。因此在后面的分析中，将去掉这两个维度。对于VARK学习风格模型，因为其在单维上具有和Felder-Silverman模型重复的特征，因此在VARK学习风格模型的分析上，将着重分析单维偏向性学习者和多维偏向性学习者的差异性。表2中“S”代表学生人数，“%”代表某一学习风格偏好下学习者占总人数的比例。
三、实验及数据分析
在本节实验中，学习频次是指每个学生点击某个学习资源的次数，而学习时间指打开某个学习资源并停留的时间，为了去除噪音数据，停留时间小于10秒的点击并未统计在内。
（一）不同学习风格偏向性对不同类型学习资源需求的差异性
以知识点学习的频次和学习时间作为学习行为的两个关键指标，分别统计具有不同学习风格倾向性学习者在不同类型学习资源上的平均学习频次及平均学习时间，即假设I类型资源有|I|个，具有某种学习风格偏向性学习者M人，学习者访问I类型资源的访问频次和访问时间为和，该类型资源访问频次及平均访问时间计算如下：
平均学习频次（）= ………（1）
平均访问时长（）= ………（2）
接下来使用T检验分析不同学习风格倾向性学习者在学习频次和学习时间上的差异性，时间以秒为单位。
如表3所示，在当前学习主题下，学习者的学习行为差异性体现在感知-直觉维度以及顺序-全局维度上。其中差异性最显著的是感知-直觉型学习者在图示资源的访问频次上，感知型学习者在知识导图资源上较直觉型学习者具有更频繁的访问倾向。全局型学习者较顺序型学习者对知識导图资源的访问时间显然更长。根据F-S学习风格模型理论描述（Felder， et al， 1988），全局型学习者在有全局知识导图资源的帮助下，能够具有更好的学习效果，而知识导图对感知-直觉型学习者的影响并未有具体阐述。
另一具有显著差异的学习行为是感知-直觉型学习者的理论知识平均学习频次。这一显著差异在F-S学习风格理论中并未有明确相关论述。但是从指标“平均学习频次”可看出，本实验中的感知型学习者比直觉型学习者更喜欢访问理论型页面，反而在能体现其LS偏好的实例类资源上并无明显差异（有文献（Falder， at al， 1988）指出感知型学习者更喜欢使用与实际问题相结合的资源辅助其理解理论知识）。
上述实验结论预示着如果要在用户模型中更准确地使用学习风格理论，除了分析学习风格对用户行为的可能影响外，还必须纵向分析学习者个体的学习行为经验数据以及横向分析群体性学习者学习行为数据，因为在单一时刻采集的学习行为可能会产生与学习风格理论不一致的情况。这时仅仅依靠横向学习者行为数据并不能构建准确的学习风格用户模型，还需要进一步考虑更复杂的学习行为与学习风格偏向性的关联因素。
（二）不同学习风格偏向性对学习效果的正负影响
为进一步分析学习风格偏好对学习者的影响，挑选出具有同一学习风格偏向性的成绩高于和低于平均成绩20%的学习者，比较同一学习风格偏好所驱使的学习行为是否对学习效果存在显著性差异，即如果学习者具有相似的某一偏好，这一偏好是会对他起积极促进作用还是起消极抑制作用。图2是在不同学习风格维度上高于平均成绩20%（学习效果好）和低于平均成绩20%（学习效果差）的学习者人数比例以及学习成绩的分布。endprint
表4反映了相同学习风格偏好下学习者表现出来的与学习效果相关联的学习行为差异性。在同一学习风格偏好下，学习者学习效果好的（成绩高于平均成绩20%）行为数据列在属性“好”下，学习效果差的（成绩低于平均成绩20%）行为数据列在属性“差”下，学习行为指标“F”表示对该类学习资源的平均访问频次，“T”表示对该类学习资源的平均访问时间，“p”代表对两组行为数据的T检验p值。
從表4可看出，即使具有相同学习风格偏好的学习者，影响其学习效果的学习行为仍然具有较大差异性。例如对于感知类学习者，上一节的结论反映出感知类学习者在理论知识的访问频次上更具有偏向性，而在实例访问上则并未体现出应有的差异。然而在本节中联系学习效果的分析可看出，即使感知类学习者更喜欢访问理论知识并在这种资源类型上花费了大量时间，但是如果没有满足其LS特性，即使用与实际问题紧密结合的实例类学习资源，那么学习者的学习效果依然无法得到有效的保证。这个结论进一步证明了仅仅满足学习者的偏好并不能保证其学习效果的论断。如果要达到有效保证其学习效果的目的，应保证与学习者学习效果正相关的学习风格特性得到满足，而当偏好与正效果特性发生矛盾时，应舍弃偏好，保留正效果特性。例如在本例中，当学习时间有限时，对于感知类学习者应限定其理论知识的访问时间和频次，而保证其有充足的时间学习实例类资源。
从表4可得到的第二个结论是关于影响具有多维VARK学习风格偏向性学习者的学习效果的学习行为差异。从表4可看出，若学习者具有VARK学习风格的多种维度偏向性，那么影响其学习效果的学习行为与感知型学习者类似，即若无法满足其实例学习的需求，即使再倾向于理论知识的学习也无法达到理想的学习效果。
在本实验中，因为学习内容部分与动作技能类知识相关，因此可得到第三个结论，即不同性质的学习内容会暴露出学习者在不同学习风格偏向性上的偏好以及影响学习效果的特质。在本例中，总的说来，学习者只要认真学习了实例，即使在理论以及图示资源的学习上并未花费太多时间，也能掌握本部分知识。因此，在构建学习者学习风格用户模型时，应有动态自适应策略，构建的参数不应该是静态不变的，例如在学习“图论”课程时，考虑学习者的“视觉-文字”维度上的学习风格偏向性就没有任何意义。 这一结论也证明了我们的前述观点，即脱离学习内容的潜在影响单纯为学习者构建满足其学习风格偏向性的学习策略难以达到保证学习效果的目标。
（三）学习风格偏向性对学习路径的影响
下面从整体学习行为的相似度上对学习行为和学习风格之间的相关性做进一步的分析。构建每个学习者整体学习行为的向量，构建学习者学习路径向量Sj=
图3分别显示了学习者在不同学习风格偏向性分类下的整体学习路径聚类效果，其中雪花深色小点代表主动型、感知型、顺序型以及单维VARK型学习者学习路径向量，浅色雪花大点代表反射型、直觉型、全局型以及多维VARK型学习者学习路径向量。从图3可看出，除部分直觉型学习者以及单维VARK型学习者在整体学习路径上具有不太明显的聚类效果（虚线圈内的点）以外，其他具有相同学习风格偏向性的学习者均没有产生相似的整体学习行为特征。这一结论意味着，在以学习风格偏向性为基础为学习者构建相应行为策略时，如果只利用静态规则可能为具有相同学习风格偏向性的学习者提供相似的建议，而这些建议很大程度上可能会背离学习者的实际需求。
四、总结
本研究构建了一个用于采集学习者学习行为数据的原型系统，这个系统可满足学习者学习风格偏好，并能充分反映学习者学习行为差异性。通过对所采集的学习者行为数据、学习效果数据以及学习者学习风格偏向性数据进行关联性分析，提出了关于如何更有效地在ALH系统中使用学习风格理论的相关假说，并对其进行验证。实验结果表明，若要更准确地在ALH系统中使用学习风格用户模型，就必须满足以下要求：
·使用学习风格，不能仅仅满足学习者的偏好，因为这并不能保证其学习效果。应将学习者学习风格剥离为“偏好”和“学习正关联特性”两个参数，在采集用户纵向数据时，应保证与学习者学习效果正相关的学习风格特性得到满足，而当偏好与正效果特性发生矛盾时，应舍弃偏好，保留正效果特性。
·学习风格用户模型应该是动态构建的，因为学习者学习风格的正效果相关特性通常同时受横向的群体性学习行为数据、纵向的个人经验数据以及学习内容潜在影响三者的约束，会实时发生迁移和改变。因此，不仅通过静态规则建立学习风格模型很难达到高效的目的，而且仅仅使用横向群体性数据进行机器学习也很难达到理想的分类和预测效果。
最后，本研究在进行实验数据搜集时，因为很难对学习者在场依存/场独立以及视觉/文本认知维度上进行有效区分，所以实验并未涉及这两个维度的特性，接下来本研究将进行更加细致的学习路径研究以及通过采集更多样本来补充本文中未涉及的其他的学习风格模型（维度）的学习行为、学习效果以及学习风格偏好之间的关联性研究。
[参考文献]
Akbulut， Y.， Cardak， C. S. （2012）. Adaptive educational hypermedia accommodating learning styles： A content analysis of publications from 2000 to 2011. Computers & Education， 58， 835-842.
Alshammari， M.， Anane， R.， Hendley， R. （2015）. An E-Learning Investigation into Learning Style Adaptivity. Paper presented at the 48th Hawaii International Conference on System Science， U. S. A.
Brown， E. J.， Brailsford， T. J.， Fisher， T.， Moore， A. （2009）. Evaluating learning style personalization in adaptive systems： Quantitative methods and approaches. IEEE Transactions on Learning Technologies， 2（1）， 10-22.
Cabada， R. Z.， Estrada， M. L. B.， Garcia， C. A. R. （2011）. EDUCA： a web 2.0 authoring tool for developing adaptive and intelligent tutoring systems using a Kohonen network.Expert Systems with Applications，38（8）， 9522- 9529.
Cof?eld， F.， Moseley， D.， Hall， E.， Ecclestone， K. （2004）. Learning styles and pedagogy in post-16 learning： A systematic and critical review. Retrieved June 27， from https：//nwresearch.wikispaces.com/file/view/Coffield%20learning%20styles.pdf/246502619/Coffield%20lear ning%20styles.pdf
Dag， F.， Gecer， A. （2009）. Relations between online learning and learning styles. Procedia-Social and Behavioral Sciences， 1（1）， 862-871.
Dascalu， M. I.， Bodea， C. N.， Moldoveanu， A.， Mohora， A. （2015）. A Recommender Agent based on Learning Styles for better Virtual Collaborative Learning Experiences. Computers in Human Behavior， 45， 243-253.
Dembo， M. H.， Howard， K. （2007）. Advice about the Use of Learning Styles： A Major Myth in Education. Journal of College Reading and Learning， 37（2）， 101-109.
Dunn， R.， Dunn， K. （1993）. Teaching Secondary Students Through Their Individual Learning Styles Practical Approaches For Grades 7-12. Boston， USA： Ailyn and Bacon.
Essalmi， F.， Jemni Ben Ayed， L.， Jemni， M.， Kinshuk， Graf， S. （2010）. A fully personalization strategy of e-learning scenrios. Computers in Human Behavior， 26（4）， 581-591.
Felder， R. M.， Silverman， L. K. （1988）. Learning and teaching styles in engineering education. Engineering Education， 78（7）， 674-681.
Filippidis， S. K.， Tsoukalas， I. A. （2009）. On the use of adaptive instructional images based on the sequential-global dimension of the Felder-Silverman learning style theory. Interactive Learning Environments， 17（2）， 135-150.
Fleming， N. D. （2001）. Teaching and learning styles： VARK Strategies. New Zealand： Fleming， N. D.
Garrido， A.， Onaindia， E. （2013）. Assembling Learning Objects for Personalized Learning： An AI Planning Perspective. Intelligent Systems， IEEE， 28（2）， 64-73.
Hawk， T. F.， Shah， A. J. （2007）. Using Learning Style Instruments to Enhance Student Learning. Decision Sciences Journal of Innovative Education， 5（1）， 1-19.
Kardan， A.， Taghipour， N. （2008）. Decision support models for personalized course composition with a focus on learning styles. Paper presented at the Fifth International Conference on Information Technology： New Generations.endprint
Keefe， J. W. （1979）. Learning style： An overview. Reston， VA： National Association of Secondary School Principals.
Kolb， D. A. （1984）. Experimental learning. Englewood Cliffs， NJ： Prentice-Hall.
Lau， S. B. Y.， Lee， C. S. （2010）. Contextualising e-learning services and content for computing course in higher education based on learning style and competency level. International Journal of Learning Technology， 5（3）， 211-242.
Liegle.， J. O.， Janicki， T. N. （2006）. The Effect of Learning Styles on the Navigation Needs of Web-based Learners. Computers in Human Behavior， 22， 885-898.
Limongelli， C.， Sciarrone， F.， Temperini， M.， Vaste， G. （2009）. Adaptive learning with the LS-plan system： a field evaluation. IEEE Tran. Learning Technologies， 2（3）， 203-215.
Lin， C. F.， Yeh， Y.， Hung， Y. H.， Chang， R. I. . （2013）. Data mining for providing a personalized learning path in creativity： An application of decision trees. Computers & Education， 68， 199-210.
Mampadi， F.， Chen， S. Y.， Ghinea， G.， Chen， M. P. （2011）. Design of Adaptive Hypermedia Learning Systems： A cognitive Style approach. Computers & Education， 56， 1003-1011.
Papanikolaou， K. A.， Grigoriadou， M.， Kornilakis， H.， Magoulas， G.D. （2003）. Personalizing the Interaction in a Web-Based Educational Hypermedia System： The Case of INSPIRE. User Modeling and User Adapted Interaction， 13（3）， 213-267.
Popescu， E. （2010）. Adaptation provisioning with respect to learning styles in a web-based educational system： an experimental study. Journal of Computer Assisted Learning， 26（4）， 243-257.
Sangineto， E.， Capuano， N.， Gaeta， M. Micarelli， A. （2008）. Adaptive course generation through learning styles representation. Universal Acess in the Information Society， 7（1）， 1-23.
Schiaffino， S.， Garcia， P.， Amandi， A. （2008）. eTeacher： providing personalized assistance to e-learning students. Computers & Education， 51（4）， 1744-1754.
Stash， N.， Cristea， A.， Bra， P. D. （2004）. Authoring of Learning Styles in Adaptive Hypermedia： Problems and Solutions. Paper presented at the 13th international World Wide Web conference （www'04）， New York.
Stash， N.， Cristea， A.， Bra， P. D. （2006）. Adaptation to Learning Styles in E-Learning： Aapproach Evaluation. Paper presented at the World Conference on E-Learning in Corporate， Government， Healthcare， and Higher Education （ELEARN'06）， Hawaii.
Stern， M. K.， Woolf， B. P. （2000）. Adaptive content in an online lecture system. Lecture Notes in Computer Science， 1892， 227-238
Summerville， J. （1999）. Role of Awareness of Cognitive Style in Hypermedia. International Journal of Educational Technology， 1， 431-444.
Triantafillou， E.， Pomportsis， A.， Demetriadis， S. （2004）. The Value of Adaptivity based on cognitive style： An empirical study. British Journal of Educational Technology， 35（1）， 95-106.
Triantafillou， E.， Pomportsis， A.， Georgiadou， E. （2002）. Aes-Cs： Adaptive educational system based on cognitive styles. Paper presented at the Second International Conference on Adaptive Hypermedia and Adaptive Web-based Systems （AH'02）.
Witkin， H. A.， Moore， C A.， Goodenough， D. R， Cox， P. W （1977）. Field-dependent and field independent cognitive style and their educational implications. Review of Educational research， 47， 1-64.
Yang， J.， Huang， Z. X.， Gao， Y. X.， Liu， H. T. （2014）. Dynamic Learning Style Prediction Method Based on a Pattern Recognition Technique. IEEE Transactions on Learning Technologies， 7（2）， 165-177.endprint
