国内学习风格智能预测研究现状分析

张莉娜，杨微

（广州大学华软软件学院，广州510990）

0 引言

随着自适应教育超媒体学习系统、在线自主学习系统、智能学习系统等各个不同名称的智能教育平台的不断研发，智慧教育目前已经成为教育教学技术研究的核心热点话题。针对在线课程学习中的学习行为进行分析，确定学习者学习风格类型，为学习者提供合适的教育资源，从而提高学习者的学习效率与学习效果。而学习风格的预测作为其中的核心关键环节，存在多种形式：基于不同模型的静态预测，基于数据处理的智能预测。在智慧教育的大背景下，目前研究者的关注点已经从静态预测逐渐过度于智能预测，借助人工智能中各种算法工具对收集的学习行为数据进行智能分析，从而推测出学习者的不同学习风格，针对个性化的学习风格进行干预，并推荐适应学习者自身学习特点的学习资源。

1 学习风格模型

“学习风格”这一概念最早由Herbert Thelen 为研究学生个性化差异在1954 年提出来，并且很快得到研究者的高度重视，至今已存在30 多种学习风格相关的理论与模型[1]。国内外研究者基于自己的研究，为学习风格提出不同学习风格理论与模型，如场依存/场独立模型（Witkin，1977），Kolb 学习风格理论模型（Kolb，1984）[2]、Felder-Silverman 学 习 风 格 模 型（Felder，1988）、Dunn＆Dunn 模型（Dunn，1993），以及VARK 感知学习风格模型（FJemjng，2001）等。

通过文献统计分析，在各类学习风格相关研究中，最常用的是Felder-Silverman 学习风格模型，该模型借鉴其他学习风格模型之长处，使其更加完整与有效，特别是在自适用学习分析系统中尤其受到关注。该模型将学习者分为4 个维度包括八种类型：处理维度：活跃型、沉思型；感知维度：感知型、直觉型；输入维度：视觉型、言语型；理解维度：序列型、综合型[3]。Felder-Silverman 学习风格模型支持的所罗门学习风格问卷包括44个题目，每个题目两个选项，均为单项选择题[4]。与所罗门学习风格问卷相匹配的存在一种所罗门学习风格分析表，问卷分析包括以下几个步骤：①在表1 中四个维度量表所对应题目的适当位置填写“1”，②计算每一列总数并填在总计栏，③每个维度量表，用较大的总数减去较小的总数，记录差值与较大数据字母（a&b）。④根据得到的各种量表的取值，可以确定学习风格取向以及强烈程度。

以某一个学生填写的问卷结果进行分析解释，如表1 所示。通过该同学量表分析可以得到1b，7a，7a，3a 四组数据，该数据的意义表示该同学属于弱沉思型、强感悟型、强视觉型，弱序列型。

表1 所罗门学习风格分析表

表2 分析结果解释表

2 学习风格智能预测研究现状

通过文献检索加研读，可以总结出针对学习风格智能预测研究目前研究特点主要表现在：关注度较高、综合性较强、智能化较弱、实用性较差等。

（1）关注度较高

在知网、维普等期刊，以“学习风格”、“学习偏好”、“认知风格”、“Learning preference”、“Cognitive style”、“learning styles”、“learning styles”等作为学习风格的相近相似关键词，和以“预测”、“识别”、“forecasting”、“recognition”作为预测的相近相似关键词进行文献查询，从2001 年至今20 年间共搜索到494 篇，其中2010-2019 年近10 年403 篇，涵盖教育理论与教育管理、外国语言文学、计算机软件及计算机应用、心理学、自动化技术等多个学科门类，并且重点体现在教育理论与教育管理以及计算机软件与计算机应用等学科，数据来源主要包括CNKI 硕士学位论文、中国图书数目、CNKI 博士论文以及中国学术期刊。通过文献数量可以直观地发现学习风格预测得到学者热烈的关注与研究，只是通过论文相关度分析以及论文题目与内容筛查，最终统计得出2009-2019 年共109 篇，2014 年以后每年均有15 篇以上，并且论文主要收录在北大核心期刊、CSSCI、NSSD、中国人文社科核心期刊、中国科技核心期刊等。

（2）综合性较强

智慧教育的背景下，进行学习风格智能预测研究，涉及到教育学、心理学、计算机软件、人工智能、大数据处理等多个研究领域，跨学科研究比较广泛存在。例如《自适应学习系统学习者学习风格模型的研究现状与展望》作者高虎子[5]，来自东北师范大学的理想信息技术研究院；《LS-Pre：在开放式学习环境中自适应地预测学习者学习风格》的作者杨娟[6]，来自于四川师范大学的计算机科学学院；《在线学习风格识别技术与方法研究》的作者来黄诚[7]，自于上海理工大学光电信息与计算机工程学院；《基于复合神经网络的学习风格智能分析与研究》的作者李超[8]，来自于北京航空航天大学经济管理学院；《基于Felder.Silverman 学习风格模型的网络学习风格研究》的作者王晨煜[9]，来自于北京航空航天大学中法工程师学院等。以上学者来自于不同的研究单位，结合自己的研究领域，以学习风格预测为研究主题，展开相应的研究。

（3）智能化较弱

随着近几年，人工智能的兴起以及在各个领域的有效使用，智慧教育被提出来并且已然成为教育技术研究者的关注热点，人工智能应用于教育被得到不断的尝试。学习风格智能预测也因为人工智能的不断渗入而得到深入研究，学习风格预测一般经过两个过程：静态前测，智能修正。静态前测：通过自适应智能网络教育平台首先收集基于所罗门调查问卷获取的初始数据，根据量化工具进行数据的初步量化分析，然后将量化数据传入学习风格前测服务完成学习风格静态测试。有的研究者在这个环节会更加关注学习环境的影响，也会进行学习风格在不同学习环境下的静态前测。智能修正：伴随着在线学习的进行，采集智能的学习行为数据，然后对数据样本再用相应的算法进行建模分析，然后对模型的实证结果进行简单的分析。

黄兴禄、杨娟等研究者采用初始化群集核心构造算法（ICCCA 算法）和3-means 聚类算法建模出学习风格预测服务模型[10]。李超、周泓等研究者采用积卷神经网络与循环神经网络相融合的方式，构建出一套“识别-推断”模型，主要使用并使用基于门循环单元（Gated Recurrent Unit，GRU）的循环神经网络处理和预测其可能的学习风格[8]。黄城、张冰雪等研究者针对每个Felder-Silverman 学习风格模型四个维度至少提供四种行为特征数据，结合C4.5 决策树算法和隐马尔科夫算法对数据进行处理来识别不同的学习风格[7]。姜强、赵蔚等研究者采用贝叶斯网络（BNs）构建学习风格预测模型[11]。

他们的共同点存在两个方面：第一，采用或者借鉴Felder-Silverman 学习风格模型进行学习风格定位，第二，收集的数据可以归纳为线上学习点击行为（次数、频率等）、社区交互行为（发帖跟帖次数、时间等）、不同形式的学习内容浏览行为（次数、时间，视频拖拽等），等等。对于第一个共同点，该学习模型得到学术界的一致认可，凸显了其信度和效度的可靠性，但是该模型提出于上个世纪90 年代，是否依然持续不断可以应用于自适应智能教育平台中，需要信度和效度的进一步研究，目前这方面的研究教缺乏。对于第二个共同点学习行为特征数据主要来自于网络平台自动捕捉学习者与机器之间的交互痕迹，然而并没有考虑到学习者学习进行时的环境、状态、情绪、表情，以及人机交互产生的现场反应。当然这些行为的获得除了需要计算机软件硬件支持，更需要一些穿戴设备的参与。例如智能摄像头可以帮助我们采集现场学习者的微观表情以及学习情绪，通过这些信息的及时捕获与有效传输，可以通知到自适应智能教育系统怎样更加智能的修正学习风格，并做出及时干预或者有效推荐。

（4）实用性较差

在国内，自适应智能学习平台的研发与推广使用是一个时代使命，目前从理念的提出，到设计建模，再到有限的功能的实现，处于不断探索发展中。从各位研究者的研究总结中可以看出，目前研发的学习风格智能测试模型还存在一些局限性，并且并没有提及其实用性。

例如，研究者黄兴禄、杨娟等提出的智能学习系统架构和学习风格服务，通过某个主题学习对提供的服务功能进行验证，验证了学习风格服务的可重用性以及较高的学习风格预测的准确率。但是仍然存在若干问题，如数据无法自动智能更新，采用的学习风格用户模型不足等[10]。研究者李超、周泓等在研究总结中提到研究结果可以适用于大规模在线学习环境中对学习风格的智能预测，并且提出下一步结合线下进行研究，并未提高该模型的可推广性以及使用性[8]。

3 反思与展望

通过对国内有关学习风格智能测试的现状分析，我们可以看出，人工智能支持下的智慧教育已经得到各个学科研究者的高度关注与持续研究，但是目前还存在每一个高新技术应用于教育行业的共性问题：起步晚，见效慢。在现有的研究成果基础之上，我们应该更多的关注研究成果的使用性以及成果转化办法，尽力让研究成果快速高效得为教育服务。同时，我们应该不断的优化研究成果，不断推陈出新，获得更加使用更加有效的研究成果。

针对上述研究成果存在的共性与个性问题，提出未来研究展望：第一，区别研究所服务的学习环境，有区别的针对在线远程教育平台、线上线下同步的教室用教育平台进行不同学习风格智能测试研究。如果针对适用于线上线下同步的教室用教育平台，那么学习风格智能预测模型考虑到教师现场干预的特点进行研究。如果针对线上的自适应智慧教育平台的远程学习，那么学习风格智能预测模型需要考虑更加全面，除了线上学习痕迹，更应该考虑学习者的个性学习特征。第二，对学习风格智能测试研究需要关注两个问题：一个是需要借鉴的学习风格模型，一贯常用的Felder-Silverman 学习风格模型需不需要修正或者扩充？另一个是学习行为特征数据如何更加全面，更加个性化才能满足智能教育下学习者个性化学习需求？第三，人工智能算法的遴选与使用。针对不同的类型数据有针对的选择不同算法，例如对于线上的行为数据可以分类研究，例如人脸识别可以采多任务积卷神经网络MTCNN、字符识别使用积卷神经网络CNN，语音识别采用隐含马尔科夫算HMM、大数据处理的算法分类决策树算法C4.5 或者聚类分析算法K-means，等等。根据学习风格智能需求，综合分析不同算法的相容性，争取联合多种算法综合分析所采集的行为特征数据，从而使得学习风格智能预测的结果更加真实，更加有效地帮助学习者学习。