大学生学习风格调查与分析——基于Felder-Silverman 及Kolb 量表

李婷婷，周丽萍，黎 明

（1.湖北师范大学 教育信息与技术学院，湖北 黄石 435000；2.湖北省黄石市第二高级中学，湖北 黄石 435001）

一、引言

1954 年美国学者Herbert·Thelen 首次提出“学习风格”这一概念以来，其作为影响学生学习的一种个性化要素，受到教育者的广泛关注。但是不同学者对其概念的认识却不尽统一。有些学者认为学习风格是某种学习方式或学习策略；有些学者则认为学习风格是某种稳定的行为表现方式；也有些学者认为学习风格应是某种信息加工方式。关于学习风格的研究，在内容方面，早期学习风格偏向于理论研究，重点研究什么是学习风格、影响学习风格差异的主要因素是什么，以及怎么恰当测量运用学生学习风格。例如，有些学者倾向于研究构成及影响学习风格的要素，[1-2]不同学习者学习风格的基本特征有无差异等，如高中生、大学生、网络学习者的学习风格是否有某种明显的特征；[3-5]有些学者则侧重基于某种已有的学习风格进行调查或是通过挖掘学习数据等来构建某种学习风格，如常见的基于Kolb、基于Felder-Silverman学习风格等线下模型基础上再结合线上大数据，运用J48、贝叶斯、逻辑回归等算法等相互对比构造出学生学习风格；[6-8]研究较多的则为不同学习风格学习者与教学策略、教学内容设计等的关系，即针对不同学习风格学习者为其设计个性化的高效的教学策略，以提高其学习效率，[9-10]还有不同学习风格的学习者与其学习绩效、学习过程等的影响。[11]此外，自2010 年起，学习风格研究中，在线学习，如在线学习中学习风格对学生的交互影响、学习过程、学习行为、学习效率等的影响；[12-14]自适应学习，如自适应系统中学习风格模型的构建，学习风格研究的方向、研究趋势等；[15]远程学习，如远程学习中学习风格测量方法，远程学习中学习者学习风格特点类型等字眼逐渐增多，即学习风格逐渐转向实证研究。[16-18]综上所述，学习风格呈现了从理论到实践过渡的趋势，经历了因素选择即构成学习风格的要素、模型表示即构造出某种学习风格测量表示方法阶段，如Kolb 学习风格量表、模型修正是基于已有的学习风格不断加深研究，运用算法等数据挖掘手段使其更加完善这样一个研究重点变化的过程。学习风格中的信息加工是指对信息、知识的理解方式，分为积极实践与反思观察两类。积极实践类思维学习者在学习过程中喜欢做中学，在实际生活中解决问题，倾向于用具体的方法来解决问题，反思观察类思维学习者顾名思义喜欢认真思考、细心观察、多角度理解知识内容。这是结合Felder-Silverman 量表部分维度及Kolb量表对大三数学专业及文学专业学生学习风格展开的研究。首先，选取Felder-Silverman 及Kolb 量表所共有的信息加工维度对其数学及历史专业学生进行对比研究。然后，在Kolb 量表中对这两类学生从不同角度重在信息加工维度进行对比分析，比较两专业学生学习风格是否有明显差异。以期在后续自适应系统研究里，在学生模型中针对不同学习风格学生推荐合适的学习资源。

二、学习风格

1.基本理论

尽管自美国学者首次提出“学习风格”以来，不同的学者对其概念的认识不尽统一，但都认为学习风格具有独特性、稳定性兼有个性两种功能。[19]即学习风格在个体中一定程度上是稳定的，通过一定方法是可以测量而知的，且在一段时间内不会改变，但同时又是具有个性的，即不同学习者的学习风格是有差异的。此文章就是基于学习风格的这一特性而展开研究。学习风格的准确测试方法一直是学者致力研究的。目前为止，测试学习风格一般有线上线下两种方法，线上是通过收集学习者在某一学习平台某一时间段的学习数据。通过某种特定的大数据处理方法而得到，线下则是运用某些已被认可的学习风格测试量表而得，目前，较为认可的学习风格测量量表模型有Felder-Silverman 学习风格模型及Kolb学习风格模型等。

2.量表测量方法

Felder-Silverman 学习风格模型中，从知识的加工、感知、输入、理解四个方面将学习风格分成了四组。在知识的加工中分为活跃型与沉思型，感知中分为感悟型与直觉型，输入中分为视觉型与言语型，知识的理解中则分为序列型与综合型。Kolb 学习风格模型在学习四阶段中形成了具体经验、反思观察、抽象概括和积极实践四种适应性学习模型。其中具体经验和抽象概括是一个人偏好的感知维度的两个极端，反思观察与积极实践则是信息加工维度的两个极端。这样，在感知维度与信息加工维度可以组合形成发散型思维、聚合型思维、吸收型思维和适应型思维四种学习方式，如图1所示。对四种典型的学习风格描述如下：[20]①发散型思维，学习者通常用具体的思维方式感知信息，并对这些信息进行反思式的加工，这类学习者需要独自从事学习活动。②聚合型思维，学习者常用抽象思维方式感知信息，并对这些信息进行反思式的加工；在学习活动中，他们需要根据相近的、程序化的步骤进行思考。③吸收型思维，学习者常用抽象的思维方式感知信息，并对这些信息进行积极的加工；在学习活动中，他们需要投入实际问题的解决过程。④适应型思维，学习者通常应用具体的思维方式感知信息，并对这些信息进行积极的加工；他们在学习活动中需要冒险，进行变革实验，而且具有灵活性。

图1 学习方式

Felder-Silverman 量表中，a、b 选项前系数为1、3，则为平衡型学习风格，其余5a、7a、9a、11a 为积极型学习风格，5b、7b、9b、11b 则为沉思型学习风格。Kolb 量表中，感知维度具体的经验命名为0，抽象的概括命名为1，对量表12 道题同一选项合计相加后，取数值大的这一维度对应0 或1 即可。同理，在信息处理维度积极实践命名为0，反思观察命名为1。（此处在信息加工维度命名0 的需是主动的实验而不能是省思的观察，应与感知维度命名为同一方向，便于之后研究）最后可组合形成00、01、10、11 这四种类型，分别对应适应型、发散型、聚合型、吸收型四种思维模式。显然第一位以0 开头是感知维度的具体经验思维，以1 开头则是抽象概括思维；第二位为0 是信息处理维度积极实践思维，第二位为1 则是反思观察思维。

三、研究设计与分析

1.研究设计

本文采用由Kolb 学习风格测量量表及所罗门学习风格量表部分维度整合而成的新量表。数据处理采用Spss 工具及Python 中T-sne 算法等，对湖北师范大学数学专业109 人、历史专业83 人共192 人，进行学习风格测试，旨在研究不同学科学生的学习风格的稳定性与个性，即理科类偏向某一学习风格，文科类偏向另一学习风格，且两者学习风格在一定程度上是不同的。

2.研究结果

此次研究量表共回收192 份，其中无效问卷24份，有效问卷168 份，有效率为88%，文科类62 份，理科类106 份。首先，对此量表进行信度分析，信度分析包括文科类、理科类及文理合并类，且在每一类中又包括总的信度分析及两个维度分别的信度分析，如表1 所示，总维度、感知维度、信息加工维度的文科、理科及文理科合并的信度均在0.8 左右，显示信度较好，但文科类信度相对比较低，查阅相关知识猜想，是由于文科类学生相对较少。此量表回收数据分两步讨论：一为从所罗门及Kolb 量表的信息加工维度比较理科与文科生，且比较这两个量表此维度结果的差异性；二为从Kolb 量表四种思维方式重在信息加工维度分别讨论理科生与文科生，对比研究。

表1 信度分析

先从两个量表信息加工维度分析，在所罗门量表中，文科类共62 份，其中积极型学习风格6 人，平衡型学习风格56 人，无沉思型学习风格学生，同样，理科类中积极型学习风格18 人，平衡型学习风格88 人，也无沉思型学习风格。由此可知，在所罗门量表中测得的学习风格较为极端，两者都无沉思型学习风格学生，且均是平衡型学习风格学生较多，下面再从Kolb 量表中进行比较。

在Kolb 量表中，按上文描述量表统计方法，理科类的最终统计结果如表2 所示，文科类的统计结果如表3所示。先简单分析，理科类学生明显倾向发散型思维，占49%，在学习风格这一抽象词中，已是很高的概率。而文科类学生则除聚合型思维外分布比较均匀，分别占29%、32%、26%。此外，从信息加工维度分析，同样按上述描述方法，文科类两者之比如表3 所示积极型与沉思型之间的比为1∶1.38，而理科类为1∶2.70。明显在信息加工维度理科生更倾向于反思观察。我们将Kolb 量表与所罗门量表的同一信息加工维度进行比较，如表4、表5 所示，所罗门中文理科活跃、平衡、沉思比值分别为1∶10.11∶0 与1∶4.88∶0，而Kolb 中活跃与沉思文理科比值为1∶1.38 与1∶2.70。可以发现两者之间存在较大差异，在所罗门学习风格中两类学生中均无沉思型学习者，平衡型学习风格占多数，且文科类和理科类学生之间并无差异，而在Kolb 学习风格中两类学生均为活跃型与沉思型各占一定比例，且两者均偏向于沉思型，在此基础上理科类明显更加偏向于沉思型，沉思型学生所占比例较多。由此可知，两个量表在测量时存在较大差异。在所罗门量表中除活跃型与沉思型外还有两者中的平衡型，[21][22]而在Kolb 量表中仅有沉思型与活跃型两者相对的学习风格，在此量表中测得的学习风格更加具有区分性。且在Spss 中测得两量表学习风格无任何相关性。因此我们日常学习中，在选择量表测学习风格时应根据自己的要求合理斟酌。值得注意的是两类学习者中聚合型思维均占少数，通过阅读文献猜想，优秀人才往往分布在聚合型思维中，但是优秀人才总是占少数，因此两类学习者中均是聚合型思维者较少，此项仅是猜想，有待后续研究。

表2 Kolb 量表理科类数据统计

表3 Kolb 量表文科类数据统计

表4 Kolb 及所罗门量表信息加工维度文科类统计

表5 Kolb 及所罗门量表信息加工维度理科类统计

此外在Kolb 学习风格量表中，由十字坐标形式形成四种学习风格，每一个学习者在此十字坐标的信息与加工维度都占有某一位置，不仅仅是单独的某一学习风格，在同一学习风格中由于数据的不同仍有差异，如图2 所示，尽管三角形与圆所代表的学习风格均为由反思观察与抽象概括组成的吸收型学习风格，但是这两个学习风格在反思观察与抽象概括中所占的比重却不同。因此以下依据此在Kolb 量表学习风格这一角度对文理科学习风格进行分析，在Kolb 量表中对文理科各学习风格统计散点图描述如下：下列四图横轴以感知维度的具体、抽象为分类，纵轴则以数字表示信息加工维度的沉思、积极两类。最终每一专业可由两图描述，一图为具体-沉思/积极，一图为抽象-沉思/积极。观察下面四图可知，从文科、理科专业对比角度，即图3、图5 与图4、图6 对比，文科类在信息加工维度沉思与积极分布较为混乱，界限分布不明显，沉思与积极类在高低分值均有分布；反之理科类分布界限较为明显，沉思类分布在分值较高处，积极类则分布在分值较低处。由此可知，文科生在学习风格中信息加工维度沉思与积极无明显偏向，而理科生则明显偏向于沉思类。同时，以信息加工维度的积极、沉思为横轴分类，感知维度的具体抽象为纵轴做散点图（文中未显示），表明文科类和理科类在感知维度的具体抽象并无明显差别。

图2 同一学习风格差异对比

图3 文科类具体-沉思/积极

图4 文科类抽象-沉思/积极

图5 理科类具体-沉思/积极

图6 理科类抽象-沉思/积极

以下运用Spss 中最优尺度法对数据进行降维，对文理科学生进行对比分析，降维效果图如表6 及图7 所示。由表6 模型的可信度检验为91.4%，所以分析结果可信。在降维图7 中，数字1 表示文科类，数字2 表示理科类，则由图可知，沉思抽象两种学习风格分布较近，文科类专业学生倾向于主动型学习风格，理科类专业学生较历史专业学生更加倾向抽象与沉思型学习风格。

此外，下面运用更为精准的T-sne 算法对数据进行分析。T-sne t-分布式随机邻域嵌入是一种用于挖掘高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的一个、两个或多个维度。T-sne 算法的主要步骤公式如公式（1）与公式（2）所示，公式（1）中数据点xi与数据点xj的相似性是条件概率Pj|i——如果邻域被选择与在以为xi中心的正态分布的概率密度成比例，xi将选择xj作为其邻域的概率。其中σi是以数据点xi为中心的正态分布的方差。公式（2）便是对应低维数据点yi和yj的高维对应点xi和xj。

表6 可信度检验

图7 降二维结果

在上述步骤中，运用T-sne 算法将4 维Kolb 学习风格数据降维为一维，再通过聚类对此一维数据进行研究分析，聚类为两类，以1 和2 命名，以此来对比理科生与文科生的学习风格差别。最终聚类结果如表7 所示，文科类的类别比值为1∶0.94，理科类为1∶1.36。由表7 可知，数据结果与上述研究一致，文科类学习风格数据分类结果不明显，而理科类则明显倾向于其中一类。

表7 降一维聚类结果

四、分析与讨论

以上研究显示文科生与理科生的学习风格的确是不同的，且所罗门学习风格量表与Kolb 学习风格量表存在差异，我们在选择的时候要合理斟酌，根据自己的要求具体选择。此外，Kolb 量表中仅在信息加工维度，两类学生有明显差别，理科生较文科生更加倾向于反思观察，文科生则倾向于主动学习。自适应学习系统由学生模型、内容模型及自适应引擎组成。内容模型中的知识点等学习资源由自适应引擎中的相关算法相关机制根据不同的学生模型推荐给特定的学生，由此来实现学习资源的个性化推荐、学习的自适应。该文就是基于自适应学习系统中学生模型中的学习风格进行研究的。在学生模型中，包含有学生的基本信息，如姓名、学校、班级等；学生的偏好信息，如偏好的学习地点、学习工具、学习资源类型、学习工具等；学生的知识结构，即学生已经掌握的知识；学生的认知能力，其中便包含有学生的学习风格，这部分可通过测试、问卷等获得；以及学生的登录历史情感偏好等等。该研究中通过对师范生文理科学习风格进行研究，得出师范生文理科学习风格的差异。可将其运用到自适应学习系统中，根据学生模型中不同的学生风格信息推送不同的资源。例如，理科生多推送一些适合独自探索、学习的资源，文科生则推送一些适合主动动手，与实际环境相切合的资源等等。此外，以上研究仅仅是自适应学习中学习者模型中的学习风格的初步研究，对数据做了简单的处理，样本也仅仅是对学校部分学生的研究。后续研究将会更加深入，学生模型研究将更加具体，学习风格分类更加详细。