学习云空间中基于情境感知的移动学习自适应模型及其应用研究

张琳捷 罗雯 刘博 黄昌勤

[摘   要] 随着移动互联网等新技术的快速发展，移动学习成为网络学习空间的主要学习方式之一，然而移动学习效果的提升面临着复杂移动情境下空间化学习的自适应挑战。文章以云计算支持下的网络学习空间（即学习云空间）为背景，分析了移动学习的自适应因素，提出了一个基于情境感知的移动学习自适应模型，并探讨了移动学习的自适应实现机制及其应用策略。研究依托iStudy的移动学习自适应系统进行应用实践和实证分析，结果表明：该系统更有利于提高场独立型与场依存型两种风格学生的自我效能感，以及场依存型学生的学习成绩;不同知识类型学习中均使用该系统，其学习成绩没有差异;两种风格学生均认为该系统更加便捷适用，场依存型学生认为该系统更有利于促进学习。研究为促进移动学习的自适应和个性化理论与实践探索提供了有力支撑。

[关键词] 移动学习; 自适应学习; 情境感知; 学习策略; 学习云空间

[中图分类号] G434            [文献标志码] A

一、引   言

深入推进“三通两平台”是我国教育信息化建设的重点任务，而“网络学习空间人人通”是其中的核心内容[1]。随着互联网、云计算、物联网等技术的出现，以云计算平台为依托的学习空间——“学习云空间”应运而生，其共享一体化与最大化、应用智能化和个性化的特征为在线学习活动的开展提供了良好的环境基础[2]。同时，移动互联网的深度普及使得移动学习成为学习云空间环境下学习的主要方式之一。

移动学习是利用移动技术的优势开展超越时空限制的社会化、情境化学习活动的过程[3]。相关研究表明，在真实情境中发生的移动学习更能提高学习成效[4]，而移动情境的复杂性也给学生造成了严重的认知负荷，削弱了移动学习成效[5]。为了实现学生与移动学习情境的动态平衡，自适应学习能够根据学习情境调整学习活动，满足学生需要，提升学习效果[6]。自适应学习的实现需要借助多种技术支持，其中，情境感知技术试图利用人机交互或传感器提供关于个体以及设备、环境等情境信息，并使移动设备做出适应性反应[7]。可见，融入了情境感知的移动学习，将是云空间环境下自适应学习的主要支撑和热点趋势。

二、云空间中基于情境感知的移动学习

自适应因素分析及模型构建

移動学习与学习云空间相适应是开展高效学习的基础。云空间本身就是分布式移动终端设备依赖的网络平台，其中，海量的碎片化资源、自动配置的应用服务以及可感知的动态虚拟环境为移动学习的自适应提供了灵活、个性化的支持，然而，学生个体的差异性与移动学习情境的复杂性严重影响了移动学习自适应效率。为了提高移动学习自适应效率，本研究以云空间中移动学习自适应因素分析为基础，构建了情境数据驱动下移动学习自适应模型。

（一）面向云空间移动学习的自适应因素分析

移动学习本质上是认知建构的过程，认知发展是学生主体与移动学习情境客体相互作用的结果，采用既吻合学生个性特征，又主动适应移动情境及其变化的自适应机制，能够保证在情境变化时移动学习的适配和高效。因此，对学习自适应而言，学生主体与移动学习情境两个维度的因素分析是必不可少的。

移动学习作为一种社会学习方式，学生的主体地位至关重要。对于主体因素，本研究基于武法提教授的分类法[8]，结合云空间环境的实际情况，将学生因素划分为基本信息（年龄、家庭背景、学习经历等）、学习风格（场依存型和场独立型）、学习态度（积极、中性、消极）、认知结构（对当前学习任务的理解状态）。移动学习情境是用来表征学生与移动设备交互时影响学习目标达成的非主体特征信息。本研究考虑到分类情境复杂性对自适应实施的困难性、碎片化资源的重要性，对Korhonen提出的情境分类[9]进行归并调整，将移动学习情境分为学习任务情境（任务主题等）、学习资源情境（资源的类型和难度等）、移动设备情境（电量、内存、计算能力等）、学习环境情境（时间、地点、网络制式及人群密度影响等）。

（二）情境数据驱动下移动学习自适应模型构建

移动学习的自适应过程就是云空间充分利用空间和技术优势对学生和移动情境信息进行提取、加工和利用，并主动为学生适配移动学习活动的过程。基于上述自适应因素分析，本研究提出了情境感知支持下移动学习的自适应模型（如图1所示），主要包括自适应基础数据获取、基于情境感知的自适应调整过程以及学习活动适配集应用三个核心部分。

自适应基础数据获取主要利用人机交互与情境感知技术实时动态监控云空间中的移动学习过程来提取与移动学习紧密相关的学生数据与移动学习情境数据，一方面，将其归档在历史情境库中，为情境分类器的构建提供大量有效的数据集;另一方面，作为下一模块的数据输入，为基于情境感知的自适应调整过程提供数据基础。

基于情境感知的自适应调整过程是在一定学习理论的指导下，遵从认知发展规律，以学习诊断与预测结果为条件，依据自适应原则确定自适应时机，从活动主题、活动操作、活动对象三个维度进行空间情境关联下的自适应动态调整，最后通过应用与评价进一步强化学习效果。学习诊断与预测用于诊断学习前学生的认知结构存在的缺陷或已获得的成就，预测当前活动效能，并对其原因进行分析。在移动环境中，自适应原则作为动态调整的参照，主要包括碎片时间影响下知识粒度可调原则、易变数据驱动下资源动态供给原则以及微型目标导向下效果逐步巩固原则。情境关联下的自适应动态调整首先要对任务主题进行碎片序列化处理，使得每个子主题由空间中一个学习活动来完成，随后需对主题学习活动的操作与对象进行情境化、差异化适配，使得活动在当前情境下产生最佳学习效果。

上述自适应调整过程输出学习活动适配集，学生可在云空间中应用该适配集来完成学习任务。为了给学生留一定的反思空间，提高其主观能动性，学生可自主选择是否接受系统自适应调整结果。在学习活动适配集应用过程中，云空间记录下学习活动过程中的学生信息，情境信息以及活动评价反馈信息，以进一步调整自适应过程，最终形成从情境实时感知到移动学习活动实时调整的良性循环。

为了保障学习活动的完成质量，需根据学习后评价结果决定是否需要进一步强化，其过程遵从微型目标导向下效果逐步巩固原则。具体思想是：首先评价当前主题的学习活动实际效能，并置于相似情境子空间的相似群体活动集中进行比较，大于潜在活动效能时，则进行下一主题的自适应，使得学生循序渐进地开展学习;当学习活动完成质量不佳时，则进一步巩固该主题。基于微型目标导向下效果逐步巩固原则的学习后自适应调整算法如下：

四、情境驱动下移动学习的自适应应用策略设计

（一）学习需求导向下基于情境预估的移动学习方案自动生成策略

移动环境中，学习需求是基于学生个体因素与移动学习情境状态表现出来的所有主观倾向的总和。学习需求导向下基于情境预估的移动学习方案自动生成策略认为，移动学习需求是移动学习的起点，面向移动学习需求的自适应调整能够为学习目标设定、学习活动适配等学习全过程生成合适的自适应方案，提升移动学习效率。当移动学习情境发生变化时，学习需求随之变化，自适应方案也需动态更新。然而，当监测到情境发生变化后再去调整移动学习方案，需耗费一定时间，在系统自动生成方案的这段时间内，学习过程容易中断，从而影响移动学习效率。移动学习方案自动生成首先需要学习以往学生成功的自适应经验，总结移动学习情境变化特点，从而对当前学生的移动情境进行预估，并设定合适的学习目标、适配学习活动。基于移动情境预估而动态生成的移动学习方案能够弱化移动情境的干扰，促进学生全身心投入移动学习，优化移动学习体验。

（二）碎片化资源支持下基于任务主题变更的过程调整策略

任务主题贯穿于整个移动学习任务的全过程，是学生与移动设备进行交互学习的目标载体，基于此，提出碎片资源支持下基于任务主题变更的过程调整策略。学生处于复杂的移动环境中，将面临学习目标稳定性与学习情境变化性的矛盾。由于移动学习过程容易发生中断，学习时间和方式等都呈现碎片化特征，对学习造成了极大干扰。因此，通过任务主题碎片化获得该主题下的学习活动主题集切片，然后针对每个学习活动主题适配学习活动，且在云空间丰富的碎片化资源支持下选择当前学习情境状态下的最优活动，能够最大可能地避免因环境因素干扰而分散注意力的问题，大幅提高学习投入度。随着任务的完成，学生的认知水平逐渐提高，学生需进行遞进式的碎片化学习。基于Anderson的知识分类，将移动学习活动划分为陈述性知识学习活动和程序性知识学习活动。在学生现有水平的基础上，通过分析不同活动类型的特点与学生所处的学习情境，自适应匹配学习活动，引导学习过程从陈述性活动到程序性活动、由浅入深、循序渐进地开展。

（三）学习目标驱动下面向自我效能感提升的主动适应策略

自我效能感是一个与学习目标相关的重要变量，是指学生个体对自身实现移动学习目标所需能力的信念或信心，主要体现在学生努力程度、持久性等方面[11]。为了促进学生主动参与、适应移动学习，提升学生的自我效能感，本研究提出学习目标驱动下面向自我效能感提升的主动适应策略。在学习云空间中开展移动学习时，应充分利用云空间的泛在功能，为学生提供有效的资源、工具与技术支撑，降低学生获取资源、开展活动、管理信息的难度，为学生主动适应移动学习环境扫清障碍，提升学生对自身移动学习能力的信念;学生利用云空间有效地规划、管理移动学习过程，只需重点关注学习活动的开展与自主知识的建构，加强交互型学习活动的开展与实施，提升学生在云空间中的社会存在感;云空间为学生提供独立思考与自主选择的机制也是有效提升自我效能感的方式之一，可以促进学生批判性、建设性地参与学习活动，也为进一步提高自适应的准确度提供有效的数据基础。

五、实证及效果分析

（一）系统实现与实证

1. 系统实现

本研究在团队已有的iStudy云平台上实现了基于情境感知的移动学习自适应系统。首先，感知学生及其当前的移动学习情境，以可视化的形式展示学生状态以及当前的情境状态（如图3所示）;接着，以决策树情境分类器的分类结果为基础，以学科知识为依托，运用三参数Logistic与UCB算法实现自适应诊断与学习活动的动态调整（如图4所示）。

2. 实验过程

为了检验学生使用基于情境感知的移动学习自适应系统的效果，分别以学习成绩、自我效能感和技术接受度为因变量，以知识类型、学习风格以及不同系统的使用为自变量。由于自我效能感和技术接受度是学生对其本身和系统的整体主观认识，难以分阶段测量，因此，忽略知识类型因素的影响。本研究选取“教学目标分析”学习主题，以某大学同年级的66名学生作为研究对象，分别对其进行学习风格测试，并将其随机分为A、B两个小组，A组学生作为实验组，使用基于情境感知的移动学习自适应系统进行学习;B组学生作为对照组，使用传统移动学习系统。A组学生在学习过程中，系统依据主题碎片序列化将学习主题分解为六个学习活动主题，包括三个陈述性主题和三个程序性主题。B组学生使用的传统移动学习系统为学生提供一系列与主题相关的学习资源，由学生自主选择。

3. 实验测量工具

学习风格的测量采用认知风格测量表[12]。前测采用20道多项选择题、10道判断题与10道填空题（分值共100分）;后测包括两个部分：针对六个学习活动分别设计了10道多项选择题进行单项测量，并采用20道多项选择题用于综合测评（分值共100分）。为了验证系统对自我效能感提升的影响，采用Pintrich的关于个人自我效能的量表[13]。为了检验该系统是否给学生带来良好的学习体验，组织A组学生填写技术接受度问卷来分析学生对使用该系统的意愿[14]。

（二）效果评价

1. 学习风格与使用系统对学习成绩的影响

不同学习风格学生使用不同系统前后的学习成绩统计分析结果见表1。

（1）两因素主效应及其交互作用分析的结果表明：前测成绩对后测成绩没有显著影响（F=6.372，p=0.140>0.05），学习风格因素主效应不显著（F=15.568，p=0.202>0.05），使用系统主效应极其显著（F=1.198，p=0.000<0.01），两因素交互作用显著（F=1.534，p=0.020<0.05）。

（2）单因素协方差分析结果表明：场依存型的学生使用A系统后的学习成绩显著高于使用B系统（F=17.450，p=0.000<0.01），场独立型学生使用两种系统后学习成绩没有显著差异（F=2.916，p=0.098>0.05）;使用A系统的两种学习风格的学生的学习成绩存在显著差异（F=2.686，p=0.006<0.01），使用B系统的两种学习风格的学生的学习成绩没有显著差异（F=0.011，p=0.619>0.05）。这说明移动学习自适应系统更有利于提高场依存型学生的学习成绩，而场独立型学生本身具有强烈的自主选择意识，不易受外界因素的干扰，因此，该自适应系统对该类型的学生作用效果不明显。

2. 知识类型与使用系统对学习成绩的影响

不同知识类型的学习中，学生使用不同系统前后的学习成绩见表1。

（1）两因素主效应及其交互作用分析的结果表明：前测成绩对后测成绩没有显著影响（F=0.255，p=0.616>0.01），知識类型因素主效应与两者交互作用均不显著（F=0.405，p=0.527>0.01;F=0.197，p=0.659>0.01），使用系统主效应显著（F=1.602，p=0.021<0.05）。

（2）单因素协方差分析结果表明：陈述性和程序性知识学习中，使用A系统后的学习成绩显著高于使用B系统（F=1.299，p=0.036<0.05;F=0.280，p=0.016<0.05），使用A、B系统的两种知识类型的学习成绩没有显著差异（F=0.015，p=0.904>0.05;F=0.829，p=0.370>0.05）。这说明相较于传统移动学习系统而言，移动学习自适应系统有利于陈述性和程序性两种知识类型的学习，而知识类型对学习成绩没有影响。

不同系统的学习成绩统计

3. 学习风格与使用系统对自我效能感的影响

不同学习风格学生使用不同系统后的自我效能感数据统计见表2。

（1）两因素主效应与交互作用分析的结果表明：自我效能感前测对后测没有显著影响（F=1.461，p=0.231>0.05），学习风格因素主效应和两因素交互作用均不显著（F=1.862，p=0.177>0.05;F=0.831，p=0.366>0.05），使用系统主效应极其显著（F=26.188，p=0.000<0.01）。

（2）单因素协方差分析结果表明：场依存型和场独立型的学生使用A系统后的自我效能感均显著高于使用B系统（F=9.253，p=0.005<0.01;F=11.255，p=0.002<0.01）;使用A系统和B系统的两种学习风格的学生的自我效能感不存在显著差异（F=3.816，p= 0.06>0.05;F=1.149，p=0.292>0.05）。这说明相较于传统的移动学习系统来说，移动学习自适应系统更有利于提高学生的自我效能感，而学习风格对自我效能感不产生影响。

4. 学生的使用意愿

不同学习风格的学生使用不同系统后的技术接受度统计结果见表3。

（1）两因素主效应与交互作用分析结果如下：从感知有用性来看，学习风格与使用系统因素主效应和两因素交互作用均显著（F=1.572，p=0.021<0.05;F=12.182，p=0.001<0.01;F=6.017，p=0.006<0.01）;从感知易用性来看，学习风格因素主效应与两因素交互作用均不显著（F=0.037，p=0.698>0.05，F=0.018，p=0.895>0.05），使用系统因素主效应显著（F=7.333，p=0.009<0.01）。

（2）单因素方差分析结果如下：从感知有用性来看，场依存型学生使用A系统显著高于使用B系统（F=8.833，p=0.006<0.01），场独立型学生使用两种移动系统无显著差异（F=1.867，p=0.182>0.05），使用A系统的两种学习风格的学生存在显著差异（F=0.419，p=0.022<0.05），使用B系统的两种学习风格的学生不存在显著差异（F=1.104，p=0.302>0.05）;从感知易用性来看，使用A系统的场依存型与场独立型学生不存在显著差异（F=0.006，p=0.936>0.05），使用B系统的场依存型与场独立型学生不存在显著差异（F=0.037，p=0.849>0.05），场独立型学生使用A、B系统存在显著差异（F=13.890，p=0.001<0.01），场依存型学生使用A、B系统存在显著差异（F=11.860，p=0.002<0.01）。这说明相较于传统移动学习系统，场依存型学生认为移动学习自适应系统更有利于促进学习，而场依存型学生认为该系统的使用对自己影响较小;学习风格对感知易用性不产生影响，学生均认为移动学习自适应系统更加便捷适用。

六、结   语

移动学习成为云空间的主要学习方式之一，但复杂的情境、学生的差异性严重制约了移动学习成效。本研究着眼于移动学习的自适应问题，以情境感知为技术支撑，探讨了移动学习的自适应模型及其应用策略，并实现了基于情境感知的移动学习自适应系统，最后分别从学习成绩、自我效能感与技术接受度三个方面验证了该移动学习自适应模型及其应用策略的有效性。本研究提高了空间化学习对复杂情境的适应性，为促进个性化自适应学习提供了有意义的理论与实践支撑，对学习云空间的功能完善与建设具有良好促进作用。本研究的不足主要表现在：自适应因素忽视了学生动机、实时情感等因素的影响;学习诊断与预测未对出现偏差的原因进行深度分析等。后续将对上述不足进行深入研究。

[参考文献]

[1] 教育部.教育部关于加强网络学习空间建设与应用的指导意见[EB/OL].（2019-01-16）[2019-03-08].http：//www.moe.gov.cn/srcsite/A16/s3342/201901/t20190124_367996.html.

[2] 黄昌勤，王希哲，张冬冬，梅晓勇，周宇文.学习云空间支持下的研究性学习研究与实践[J].中国电化教育，2015（8）：21-28.

[3] 黄荣怀，王晓晨，李玉顺.面向移动学习的学习活动设计框架[J].远程教育杂志，2009，17（1）：3-7.

[4] SU C H， CHENG C H. A mobile gamification learning system for improving the learning motivation and achievements[J]. Journal of computer assisted learning，2015，31（3）：268-286.

[5] HWANG G J， CHANG H F. A formative assessment-based mobile learning approach to improving the learning attitudes and achievements of students[J]. Computers & education，2011，56（4）：1023-1031.

[6] NMC地平線项目，龚志武，吴迪，陈阳键，苏宏，黄淑敏，陈木朝，吴杰锋，焦建利.新媒体联盟2015地平线报告高等教育版[J].现代远程教育研究，2015（2）：3-22，42.

[7] 顾君忠.情景感知计算[J].华东师范大学学报（自然科学版），2009（5）：1-20.

[8] 武法提，黄石华，殷宝媛.基于场景感知的学生建模研究[J].电化教育研究，2019，40（3）：68-74.

[9] KORHONEN H， ARRASVUORI J， KAISA V. Analysing user experience of personal mobile products through contextual factors[C]//International Conference on Mobile and Ubiquitous Multimedia. New York：ACM，2010：1-10.

[10] ROY S， MONDAL S， EKBAL A， et al. Dispersion ratio based decision tree model for classification[J]. Expert systems with applications，2019，116：1-9.

[11] ANDERS A D. Networked learning with professionals boosts students' self-efficacy for social networking and professional development[J]. Computers & education，2018，127：13-29.

[12] 李寿欣，周颖萍.个体认知方式与材料复杂性对视空间工作记忆的影响[J].心理学报，2005，38（4）：523-531.

[13] HSIA L H， HUANG I， HWANG G J. Effects of different online peer-feedback approaches on students' performance skills， motivation and self-efficacy in a dance course[J]. Computers & education，2016，96：55-71.

[14] HWANG G J， YANG L H， WANG S Y. A concept map-embedded educational computer game for improving students' learning performance in natural science course[J]. Computers & education，2013，69：121-130.