割裂还是融合？自适应学习系统设计对于学习风格和认知风格考量的研究现状述评

葛子刚　杨丽华　马焕新

【摘 要】

自适应学习系统在设计时必须考虑学习者的学习特征。其中，学习风格和认知风格探讨得较多。为了跟踪现有研究在设计自适应学习系统时如何考虑这两个学习特征，文章筛选出发表于SSCI和SCI收录期刊的相关文献，从理论依据、数据类型、数据来源、自适应算法、自适应模式（动态或静态）、系统应用目标和效果评估等多个维度进行考量。发现多数只考虑其中一个因素，做孤立的探讨，鲜有将二者同时纳入自适应学习系统的设计，采纳的数据来源也比较单一，难以做到动态自适应。完善的自适应学习系统应充分考虑学习者的学习特征和学习过程中的其他因素。

【关键词】 学习风格；认知风格；学习系统；动态自适应

【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009-458x（2018）3-0062-08

自适应学习（Adaptive Learning）获得了全世界的瞩目。这一概念的关键点在于“自适应”三个字，如Lee和Park（2008）认为任何照顾到学习者个人需求的教学形式（面授或远程）都可以被称作“自适应的”。学界一般用adaptive来表达“自适应的”，间或用adaptable来指代。有学者则认为有必要分清这两个词的名词形式“Adaptivity”和“Adaptability”。如Burgos、Tattersall和Koper（2007）认为，Adaptivity指的是教学系统可以根据学习者的需求调整教学内容，而Adaptability指的是学习者自己根据需求选择学习内容。随着远程教育技术的发展，自适应学习又有了进一步的需求，一个强大的自适应学习系统是自适应学习能够获得成功的关键。自适应学习系统有不同的术语表达：“自适应超媒体系统”（Adaptive Hypermedia System， AHS）、“自适应教育超媒体”（Adaptive Educational Hypermedia， AEH）（?zyurt & ?zyurt， 2015）和“适应性学习支持系统”（Adaptive Learning Support System， ALSS）（高虎子， 等， 2012）等。但基本认同一个自适应的教学系统应该可以为学习者提供个性化的教学策略、教学内容、教学资源、教学支持和教学界面等（?zyurt， ?zyurt， Güven， & Baki， 2014）。

自适应学习系统的设计可以依据的因素很多，不过基本上都是围绕学习者的因素，如学习者的现有知识水平、智力水平、学习风格、认知风格、学习动机和自我效能感等（张舸， 等， 2012）。其中，学习风格和认知风格受到较多的关注。學习风格（Learning Style）可以简单定义为学习者偏好的学习方式（Truong， 2016）。稍复杂点的定义认为，学习风格指的是包含认知、情感和生理因素的综合概念，其能相对稳定地表明学习者是如何对学习环境进行感知、交互并做出回应的（Keefe， 1979）。在Keefe给出的这一定义中，我们发现学习风格和认知风格是紧密相关的。认知风格指的是个体在对信息进行加工的过程中表现出的较为连贯的特征（Kozhevnikov， 2007； 马军朋， 等， 2016）。有学者认为学习风格应归类于认知风格，认知风格是在实际中的表现（Riding & Rayner， 1998； Papanikolaou， Mabbott， Bull， & Grigoriadou， 2006）；有学者认为两者虽然相关但有巨大区别，因为认知风格是和信息处理机制相关的相对稳定的个体风格，而学习风格则可以依据学习情境而产生变化（Peterson， Rayner， & Armstrong， 2009）。不论如何，在设计自适应学习系统时只考虑学习风格和认知风格中的一个都是有失偏颇的。

不过可惜的是，通过检索现有文献，本文研究者发现目前对于自适应学习系统的设计中将学习风格和认知风格同时纳入考量的很少，少数研究虽然意识到了两者的重要性，但也仅是点到为止，并没有对此做深入研究。考虑到现有研究的不足，本文将对现有相关文献进行梳理，以期为自适应学习系统的进一步研究提供思路。

一、文献回顾

（一）自适应学习系统

自适应学习系统的构建并非易事，要考虑的因素很多，如学习者的不同需求、不同特征（包括学习风格、认知风格等）以及技术手段等。最难应对的就是学习者的特征，因为每个学习者都是不同的个体，个体之间差异或大或小，为教学系统能否真正地提供个性化的教学带来了挑战。正如Fischer（2001）指出的，教学系统的设计难点就在于设计阶段如何能保证最后的成品可以满足学习者在学习过程中的个性化需求。对于自适应学习系统来说，理想化的状态下应能够基于某些数据通过一定的算法自动地为学习者提供人性化的学习内容（Perkowitz & Etzioni， 2002）。

如前所述，自适应学习系统可以依据众多因素形成自适应规则。就现有文献而言，纳入设计考量范围的因素有学习/教学目标和任务、学习者现有知识水平、学习者人口统计学方面的背景、学习者学习兴趣、学习者与学习系统的交互、学习风格、认知风格等（Akbulut & Cardak， 2012）。如何收集与这些因素相关的数据是一个基本问题，常用的方法有问卷或者通过学习者在系统中留下的学习痕迹进行收集和判断。问卷过于直接，而且在学习过程中会打断学习者的学习进程（Kobsa， 2002），所以更理想的做法是由系统自行对学习者的学习痕迹进行收集和判断，从而进行动态调整。根据这些数据，通过一定的算法，判定学习者属于何种类型（比如学习风格的不同类型、认知风格的不同类型等），为学习者提供相应的学习内容等信息。现有文献提出了不少自适应学习系统可以使用的算法，如模糊神经网络（Neural-fuzzy Network）（Zatarain， Barron-Estrada， Reyes-Garcfa， & Reyes-Galavia， 2011）、蚁群算法（Ant Colony System）（Yang & Wu， 2009）和人工蜂群算法（Artificial Bee Colony Algorithm）（Hsu， Chen， Huang，& Huang， 2012）等。

（二）学习风格和认知风格

学习风格对于教学的重要性已经被很多学者所证实。如Reiff（1992）曾指出，学习风格会影响学习者的学习过程、教师的教学过程以及学习者和教师之间的交互；教学设计和学习干预需要考虑到学习者的学习风格（Coffield， Moseley， Hall， & Ecclestone， 2004； 姜强， 等， 2015）。还有不少研究则证实了学习风格对于教学的积极效果（Graf， Lin， & Kinshuk， 2007；Tseng， Chu， Hwang， & Tsai， 2008； Hwang， Sung， Hung， & Huang， 2013）。

一方面，与学习风格相关的理论层出不穷。很多学者根据自己的理解对学习风格的概念做了界定（Dunn & Dunn， 1978； Keefe， 1979； 谭顶良， 1998； Reid， 2002）。Dunn （1984）对于学习风格的构成要素做了深入研究，认为学习风格的要素包括环境、情感、社会、生理和心理等。Kolb（1981）根据学习者对于学习周期（Learning Cycle）中四个环节的不同偏好，认为学习风格可以划分为聚合型（Converger）、发散型（Diverger）、同化型（Assimilator）和调节型（Accommodator）。Reid（1987）则依据学习者对于学习感官的偏好将学习风格分为视觉型（Visual）、听觉型（Auditory）、触觉型（Tactile）、动觉型（Kinesthetic）、小组型（Group）和个人型（Individual）。而Felder和Silverman（1988）提出的学习风格模型（Felder-Silverman Learning Style Model）被广泛认为具有高信效度，可以用来设计自适应学习系统（Akbulut，et al.， 2012； 李运福， 等， 2015）。该模型将学习风格分为五种：感觉型（Sensing）/直觉型（Intuitive）、视觉型（Visual）/言语型（Verbal）、归纳型（Inductive）/演绎型（Deductive）、活跃型（Active）/沉思型（Reflective）、序列型（Sequential）/整体型（Global），其中“归纳型/演绎型”在后续版本中被删除。有学者认为该模型非常适合设计自适应远程教学系统（Kuljis & Lui， 2005）。

另一方面，关于认知风格的研究也是层出不穷。Witkin、Moore、 Goodenough和Cox（1977）将认知风格分为场依存型（Field dependence）和场独立型（Field Independence）。这里的“场”即环境，场独立型的個体不易受外界因素影响，可以把整体和部分分开，而场依存型的个体则容易受到外界环境的影响，习惯于依照外部因素来行动。在学习过程中，场独立型学习者自主性强，喜欢独自学习；而场依存型学习者则对合作学习情有独钟。Pask（1976）将认知风格分为整体型（Holist）和序列型（Serialist），整体型学习者在学习过程中多采用整体策略来看待问题，而序列型学习者则喜欢针对每一个部分循序渐进式地学习。Riding和Cheema（1991）在对已有认知风格模型归类的基础上提出了二维认知模型（Model of Two-Style Dimensions），将认知风格统一归为两个维度：整体-分析（Wholist-Analytic）和言语-表象（Verbal-Imagery），并开发出一个叫作认知风格分析（Cognitive Style Analysis， CSA）的评估工具。他们认为，言语-表象是个体表征信息的方式，而整体-分析则是个体加工信息的方式。

二、 研究方法

本研究采取文献分析法。首先，收集并筛选2005-2016年间发表于SSCI和SCI收录期刊中的相关文献，然后对最终文献做统计和归纳，并对统计结果进行分析和讨论，从而得出结论。SSCI和SCI是国际权威期刊论文检索指标，其中的文章能代表相关领域的权威研究成果，因此本文将文献来源锁定为这两大检索库。SCI本为理工类期刊检索体系，本文将之纳入检索范围主要是考虑到自适应学习系统的研究并非局限于教育领域，其特征更偏向于多学科交叉领域，所以将两大检索库综合进行检索，获得的文献应能更好地反映研究现状。

本文检索关键词为“adaptive/adaptable/individualized/personalized learning system”“learning style”“cognitive/thinking style”，检索文章的标题和关键词。在对文献的筛选过程中，本文将同一作者相似的研究只纳入一篇，如Soflano、Connolly和 Hainey（2015a； 2015b）在同一年发表了两篇相关研究，并且极度相似，后者是对前者的修补，所以本文只纳入一篇。最后筛选出和本文相关的文献共11篇。文献统计概况如图1所示。

图1显示，文献作者的来源地非常集中，11篇文章中有6篇（54.55%）出自我国台湾的学者，大陆地区仅有一篇合作的论文，而且作者排名靠后。此外，在国内期刊检索库搜索后也表明此项研究发文率很低，多数文章都集中在学习风格和认知风格的划分和实证方面，对于如何基于两者构建自适应学习系统很少涉及。图1还显示相关研究的发文期刊比较集中，最多的是两本教育技术类期刊：Computers & Education（36.36%）和Educational Technology & Society（18.18%）。根据Thomson Reuters公司2016年发布的年度报告，前者2015年影响因子达2.881，在SSCI收录的231种教育和教育研究类期刊中排在第9位（在教育技术类期刊中的排名更靠前），值得一提的是该期刊也是SCI收录期刊，在SCI收录的104种电脑科学、跨学科应用期刊中排在第14位。后者在国际教育技术类期刊中的排名也十分靠前。表1按照期刊统计的11篇文献被引次数对比也显示，这两份期刊发表的论文得到了最多的关注，因此本研究纳入的文献应该能代表国际主流研究内容。在检索源方面，SCI、SSCI及双检索的期刊占比差别不大，唯一一份双检索刊物是Computers & Education，该期刊多被认为属于教育技术类期刊，其主页只注明被SSCI期刊收录，所以从某种意义上来说SSCI期刊对本话题关注度更高一些。

三、结果

自适应学习系统的设计对学习风格和认知风格的考量可以基于的维度包括理论依据、数据类型、数据来源、自适应算法、自适应模式（动态或静态）、系统应用目标、自适应效果评估（Akbulut，et al.， 2012； ?zyurt，et al.， 2015； Truong， 2016）。下面将从这些维度对11篇文献做分析。

（一）系统设计所参考的理论依据

将这11篇文献在设计自适应学习系统时所参考的理论进行归纳（如表2所示）。

从表2我们看出，绝大多数文献（9/11=81.8%）在设计自适应学习系统时都参考了某种相关理论。其中，4篇文献参考了Felder-Silverman的学习风格模型（36.36%），2篇文献参考了Myers-Briggs类型指标理论（18.18%），各有1篇文献分别参考了Witkin认知风格模型理论、Pask认知风格模型理论、Kolb学习风格模型理论和Keefe学习风格理论。可以看出，在有关认知风格的研究中，Felder-Silverman的学习风格理论仍是最受欢迎的理论。有2篇文献参考了Myers-Briggs类型指标理论。Myers-Briggs类型指标理论一般被学界当做是判断性格类型的指标，阐述性格和职业间的关系，是国际流行的职业人格评估工具，其维度包括内向（Introversion）-外向（Extraversion）、感觉（Sensing）-直觉（Intuition）、思维（Thinking）-情感（Feeling）、判断（Judging）-直觉（Perceiving）（顾雪英， 2013）。对比这一理論和Felder、Kolb、Riding等人的理论，可以发现这些理论都有重合之处，所以被文献参考使用并不奇怪。令人奇怪的是，该理论被1篇文献当作学习风格理论进行参考，而被另一篇文献当作认知理论进行参考。原因可能是不同学者对其解读不同，也可能由于学习风格和认知风格这两个概念是紧密相连的，难以完全分离（Riding，et al.， 1998； Papanikolaou， et al.， 2006）。

表2还显示，11篇文献中只有2篇（Paper 4和Paper 8）将学习风格和认知风格同时纳入自适应学习系统的设计，说明目前主流研究对于两者有剥离的现象，这其实不利于自适应学习系统的设计与开发。研读这些文献，我们可以发现不少文献都提到自适应学习系统的设计需要参考很多学习者特征，包括人口统计学特征、学习风格特征、认知风格特征、现有知识水平等，所以在设计自适应学习系统时容纳尽可能多的参考数据就显得尤为重要了（Akbulut，et al.， 2012）。

（二）数据类型和数据来源

基于参考的理论，接下来就是考虑系统设计中需要何种数据类型以及如何收集这些数据了。表3归纳了11篇文献的此类信息。

从中可以看出，11篇文献所使用的数据都是依据其参考的理论模型进行划分的，多数文献都考虑了其参考模型中的所有分类，少数文献只考虑了模型中的个别分类。值得注意的是，Paper 8的学习风格数据类型融合考虑了Kolb、Fleming、Felder、Biggs等人的模型分类。这些文献在文中都对数据类型的选择做了说明，认为其选择的数据类型适合其研究。Paper 7在数据类型的选择上比较模糊，也没有具体说明所参考的理论依据，但是表3显示其最终选择的数据分类为视觉-言语，这一点颇似Riding和Cheema（1991）提出的二维认知模型中认知风格系统两个维度中的言语-表象（Verbal-Imagery）维度，Paper 7将这一认知风格维度用于学习风格数据类型的划分。Paper 8的主题是基于学习风格来设计自适应学习系统，但是其考虑的数据却又包含了认知风格数据（Sternberg思维风格分类）。这两篇论文出现的现象进一步表明学界对于学习风格和认知风格的认识很多情况下并不加以区分，混为一谈，这并不利于自适应学习系统的设计，因为两者虽然相关但并不等同（Peterson， et al.， 2009）。

再看数据收集的方法。11篇文献中只有2篇（Paper 2和Paper 6）利用收集学生和系统互动或是浏览的行为来收集需要的数据，其余9篇文献全部依赖问卷。问卷一般都是在学生初进入教学系统时让学生填写，问卷回收后由教师或系统对学生的学习风格或认知风格进行判定，再据此提供相应的学习资源、学习支持等，以达到“自适应”。由于这种数据收集的方法大多只能静态反应学生的情况，我们可以判定多数文献都认为学习风格在学习过程中是不变的，但是有学者提出学习风格是可以依据学习环境而产生变化的（Peterson， et al.， 2009）。所以，这些文献所谈到的自适应学习系统多数其实都是静态的，并不能对实际的情况做出动态反应。

（三）自适应算法和自适应模式

表4显示了11篇文献中只有2个研究所设计的自适应学习系统可以做到动态自适应，即真正的自适应，其他9个研究设计的系统都不是真正意义上的自适应。这一点前文已经指明，问题就在于多数研究采用的数据收集方式多是固定而唯一的问卷量表，而没有考虑将学生在学习过程中的学习痕迹纳入数据收集的范围。学习行为反映在学习系统中的学习痕迹是可以反映学生学习风格和认知风格的（Soflano， Connolly， & Hainey，2015）。前文也提到学习风格是可以依据学习情境的变化而产生变化的，所以自适应学习系统有必要将这些动态的数据进行收集，纳入系统设计的考虑范畴。

在自适应算法方面，有3篇文献（Paper 5、Paper 9和Paper 11）没有具体说明其设计的自适应学习系统采用何种自适应算法，也没有说明系统所使用的自适应模块。另有3篇文献（Paper 2、Paper 3和Paper 4）虽然没有具体说明自适应算法，但指明了其使用的自适应模块来源。5篇文献（Paper 1、Paper 6、Paper 7、Paper 8和Paper 10）具体说明了采用的自适应算法，包括聚类算法、多层前馈神经网络算法、决策树、人工蜂群算法和蚁群优化算法，其中Paper 8融合了决策树和聚类分析。可惜的是，这些算法多用在对问卷收集的数据进行分析，没有用于动态数据的分析，导致多数研究所设计的自适应学习系统还是静态的模式，无法做到真正的动态自适应。

（四）应用目标和效果评估

表5显示出11篇文献设计的自适应学习系统在应用目标上有非常集中的趋势，基本上都是理工类课程（只有Paper 8未明确说明），这反映出当前此类研究覆盖的教学科目较窄。此外，有3篇文献（Paper 1、Paper 2和Paper 5）是基于游戏的教学系统设计，反映出基于游戏的教学（Game-based Learning）是当前的热点之一。在对自适应学习系统的效果评估方面，有8篇文献进行了评估，所采用的评估方法多为短期教学实验，评估结果表明各教学系统在教学实践中都是成功的。只有Paper 8的效果评估表明其系统采用的问卷过于冗长，学生回答问卷时有厌倦感，不利于数据的收集，这在前文的表3中已经得到反映，其所采取的数据分类过于繁杂。有2篇文献（Paper 3和Paper 10）没有对自适应系统做评估，其效果不得而知。

四、讨论

从上文对文献的各维度分析，我们可以发现现有的相关研究有如下特点：

第一，参考的理论比较集中和传统。多数研究参考的理论是学界已经公认的理论模型，如Felder-Silverman学习风格模型、Witkin认知风格模型等。这些文献多采取拿来主义，并没有依据自己的教学设计而做相应的调整，不利于设计出与新教学手段和技术相匹配的教学系统。此外，有少数几篇将学习风格理论、个人性格理论和认知风格理论混用，忽略了不同理论针对对象的不同，不利于问题的解决。

第二，设计的自适应系统多考虑单因素，缺少多因素考量。只有两篇文献同时考虑了学习风格和认知风格。自适应学习系统的设计要纳入考虑的学习者特征有很多，单独基于某一个因素设计的自适应学习系统并不完善。

第三，设计的自适应学习系统数据来源比较单一。多采用问卷的形式收集数据，由于各种原因难以收集到真实的数据，如Paper 8在做效果评估时就发现其采用的问卷容易让学生厌倦，从而使问卷数据失真。同时，问卷得到的数据也很难符合动态自适应的要求。这就要求我们尽量收集与教学各环节相关的学生数据。目前，教学系统收集的此类数据多来自学生在学习系统中留下的学习痕迹（Lo， Chan， & Yeh ， 2012； Soflano， et al.， 2015）。

第四，设计的自适应学习系统多为静态的，缺少动态自适应模式。这些系统多以问卷作为数据收集工具，而问卷无法及时、动态地反映学生学习风格等方面的变化。可能是由于多数研究者认为学习风格和认知风格是稳定的，而非变化的。但有学者指出，虽然认知风格反映了个体相对稳定的信息处理风格，但是学习风格却会由于学习情境等因素的变化而产生变化（Peterson， et al.， 2009）。据此可知，这种静态自适应并不能很好地适应学生行为特征的变化。

第五，设计的自适应学习系统的应用目标集中于理工类课程，缺少对其他类课程的应用探索。随着教学技术和手段的不断进步，自适应学习系统的适用范围自然会得以延伸，还有待于进一步探索。

第六，设计的自适应学习系统多数被效果评估证明是有效的。这表明，自适应学习系统能为实际的教学带来积极的效果，这方面的研究是必要的。

五、总结

随着现代教育技术的发展，自适应学习系统的设计与开发越来越受到重视。自适应学习系统在设计时考虑的主要因素之一就是学习者的个人特征，不仅包括学习者现有的知识水平、学习兴趣等方面，还包括学习者的学习风格和认知风格。理论界对于这两种风格的探讨由来已久，形成了很多相关理论。在学习风格方面，Felder-Silverman学习风格模型和Kolb学习风格模型等都受到了廣泛的应用和检验，基本被认为是有效的学习风格模型。在认知风格方面，Witkin、Pask等人分别提出了各种理论。这些理论在自适应学习系统的设计中也被广泛参考。基于这些理论，自适应学习系统的设计得以收集相关的数据，并通过自适应算法对数据进行处理，为学习者提供个性化的学习资源。在具体的处理过程中，我们发现多数研究在设计过程中只侧重某一种数据，而且数据来源也比较单一，无法达到动态自适应。本文认为一个较为完善的自适应学习系统应充分考虑学习者本身的学习特征，并结合其他学习过程中的因素，避免现有设计的缺陷。

本研究也存在一些不足。首先，只考察了SSCI和SCI检索源的期刊论文，得到的文献较少，或许遗漏了其他检索源的重要文献；其次，不同学者对相同文献的解读很可能是不同的，笔者对此类文献的分析囿于自身学识的限制或许会有不当之处；最后，由于国内关于自适应学习系统的设计研究还处于初级阶段，笔者在分析中并没有结合实际应用中的自适应学习系统，因此对文献的解读难免有与实际脱离之嫌。但笔者相信，本文对于相关文献（特别是国际权威期刊文献）的归纳与总结应该会有投石问路之效。

[参考文献]

高虎子，周东岱. 2012. 自适应学习系统学习者学习风格模型的研究现状与展望[J]. 电化教育研究（2）：32-38.

顾雪英. 2013. 一种跨界尝试：MBTI在差异教育中的应用价值[J]. 教育研究与实验（4）：25-29.

姜强，赵蔚，王朋娇. 2015. 自适应学习系统中学习者为中心视角评价学习成效实证研究[J]. 现代远距离教育（4）：43-49.

李运福，傅钢善. 2015. 网络环境下学习者策略性特征群体差异研究——基于Felder-Silverman学习风格的群体划分[J]. 现代教育技术（6）：102-107.

马军朋，叶卓尔，林依，等. 2016. 认知风格影响归类过程中的神经活动—来自FMRI研究的证据[J]. 心理发展与教育（2）：139-148.

谭顶良. 1998. 学习风格的研究及其在教学实践中的作用[J]. 江苏高教（5）：56-58.

張舸，周东岱，葛情情. 2012. 自适应学习系统中学习者特征模型及建模方法述评[J]. 现代教育技术（5）：77- 82.

Akbulut， Y.， & Cardak， C. S. （2012）. Adaptive educational hypermedia accommodating learning styles： A content analysis of publications from 2000 to 2011， Computers & Education， 58（2）， 835-842.

Burgos， D.， Tattersall， C.， & Koper， R. （2007）. How to represent adaptation in e-learning with IMS learning design. Interactive Learning Environments， 15（2）， 161-170.

Coffield， F.， Moseley， D.， Hall， E.， & Ecclestone， K. （2004）. Learning Styles and Pedagogy in Post-16 Learning： A Systematic and Critical Review. London， UK： Learning and Skills Research Centre.

Dunn， R. （1984）. Learning styles ： State of the science. Theory into Practice， 32 （1）， 11-19.

Dunn， R.， & Dunn， K. （1978）. Teaching Students through Their Individual Learning： A Practical Approach. Reston： Reston Publish Company & Prentice-Hall.

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

Fischer， G. （2001）. User modeling in human-computer interaction. User Modeling and User-Adapted Interaction， 11（1）， 65-86.

Graf， S.， Lin， T.， & Kinshuk. （2007）. The relationship between learning styles and cognitive traits-Getting additional information for improving student modeling. Computers in Human Behavior， 24（2）， 122-137.

Hsu， C. C.， Chen， H. C.， Huang， K. K.， & Huang， Y. M. （2012）. A personalized auxiliary material recommendation system based on learning style on Facebook applying an artificial bee colony algorithm. Computers & Mathematics with Applications， 64（5）， 1506-1513.

Hwang， GJ.， Sung， HY.， Huang， CM.， & Huang， I. （2013）. A Learning Style Perspective to Investigate the Necessity of Developing. Educational Technology & Society， 16（2）， 188-197.

Keefe， J. W. （1979）. School applications of the learning style concept： Student learning styles. Reston， VA： National Associations of Secondary School Principals.

Kobsa， A. （2002）. Personalized hypermedia and international privacy. Communications of the ACM， 45（5）， 64-67.

Kolb， D. （1981）. Learning-style Inventory. McBer & Company.

Kozhevnikov， M.（2007）. Cognitive styles in the context of modern psychology： toward an integrated framework of cognitive style.Psychological bulletin， 133（ 3）， 464.

Kuljis， J.， & Liu， F. （2005）. A comparison of learning style theories on the suitability for elearning. In M. H. Hamza （Ed.）， Proceedings of the IASTED Conference on Web-Technologies， Applications， and Services （pp.191-197）. Calgary， Canada： ACTA Press.

Lee， J.， & Park， O. （2008）. Adaptive instructional systems. In J. M. Spector， M. D. Merrill， J. V.， Merri?nboer & M. P. Driscoll （Eds.）， Handbook of Research on Educational Communications and Technology （3rd ed.） （pp.469-484）. New York： Taylor Francis.

Lo， J-J.， Chan， Y-C.， & Yeh， S-W. （2012）. Designing an adaptive web-based learning system based on students cognitive styles identified online. Computers & Education， 58（1）， 209-222.

?zyurt， ?.， ?zyurt， H.， Güven， B.， & Baki， A. （2014）. The effects of UZWEBMAT on the probability unit achievement of Turkish eleventh grade students and the reasons for such effects. Computers & Education， 75， 1-18.

?zyurt， ?.， & ?zyurt， H. （2015）. Learning style based individualized adaptive e-learning environments： Content analysis of the articles published from 2005 to 2014. Computers in Human Behavior， 52， 349-358.

Papanikolaou， K. A.， Grigoriadou， M.， Magoulas， G. D.， & Kornilakis， H. （2002）. Towards new forms of knowledge communication： the adaptive dimension of a web-based learning environment. Computers & Education， 39， 333-360.

Pask， G. （1976）. Styles and strategies of learning. British Journal of Educational Psychology， 46， 128-148.

Perkowitz， M.， & Etzioni， O. （2002）. Towards adaptive web sites： conceptual framework and case study. Artificial Intelligence， 118（1-2）， 245-275.

Peterson， E. R.， Rayner， S. G.， & Armstrong， S. J. （2009）. Researching the psychology of cognitive style and learning style： is there really a future？. Learning and Individual Differences， 19（4）， 518-523.

Reid， J. M. （1987）. Learning style preference of ESL students. TESOL Quarterly， 21（1）， 87-111.

Reid， J. M. （2002）. Learning Styles in the ESL/EFL Classroom. Foreign Language Teaching and Research Press.

Reiff， J. C. （1992）. Learning styles. Washington， DC： National Education Association of the United States.

Riding， R. J.， & Cheema， I. （1991）. Cognitive sytle-an overview and integration. Educational Psychology， 11， 193-215.

Riding， R.J. & Rayner， S. （1998）. Cognitive Style and Learning Strategies： Understanding Style Differences in Learning & Behaviour. London， UK： David Fulton Publishers.

Soflano， M.， Connolly， TM.， & Hainey， T. （2015a）. Learning style analysis in adaptive GBL application to teach SQL， Computers & Education， 86（c）， 105-119.

Soflano， M.， Connolly， TM.， & Hainey， T. （2015b）. An application of adaptive games-based learning based on learning style to teach SQL. Computers & Education， 86（c）， 192-211.

Tseng， J. C. R.， Chu， H. C.， Hwang， G. J.， & Tsai， C. C. （2008）. Development of an adaptive learning system with two sources of personalization information. Computers & Education， 51（2）， 776-786.

Truong， HM. （2016）. Integrating learning styles and adaptive e-learning system： Current developments， problems and opportunities. Computers in Human Behavior， 55（PB）， 1185-1193.

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， Y. J.， & Wu， C. （2009）. An attribute-based ant colony system for adaptive learning object recommendation. Expert Systems with Applications， 36（2）， 3034-3047.

Zatarain， R.， Barron-Estrada， L.， Reyes-Garcfa， A.， & Reyes-Galavia， O. F. （2010）. Applying intelligent systems for modeling students learning styles used for mobile and web-based systems. In O. Castillo， J. Kacprzyk & W. Pedrycz （Eds.）， Soft Computing for Intelligent Control and Mile Robotics， Studies in Computational Intelligence， 318 （pp.3-22）. Springer Berlin Heidelberg.

收稿日期：2017-05-18

定稿日期：2017-08-24

作者簡介：葛子刚，硕士，副教授，硕士生导师；杨丽华，博士，讲师；马焕新，硕士，讲师。北京邮电大学网络教育学院（100088）。

责任编辑 韩世梅