黃興祿+楊娟+宋曉玲+劉璇

【摘 要】 為了解決智能學習系統(tǒng)中學習風格判別等功能模塊之間存在著耦合性低、重用性差、不同系統(tǒng)之間不能實現(xiàn)資源共享等問題，基于面向服務(wù)體系結(jié)構(gòu)（SOA）設(shè)計了一個智能學習系統(tǒng)架構(gòu)（SOALS）以及學習風格判別組件（SOALS_pre），并通過該組件對外發(fā)布了一個學習風格服務(wù)（LstyleRMIService）。各種學習系統(tǒng)或者門戶網(wǎng)站通過綁定該服務(wù)接口，可以實現(xiàn)學習者在不同學習環(huán)境下多模型的學習風格判別服務(wù)。

【關(guān)鍵詞】 學習風格；面向服務(wù)架構(gòu)；學習風格判別組件

【中圖分類號】 G40-057 【文獻標識碼】 A 【文章編號】 1009—458x（2016）05—0064—07

一、研究背景及相關(guān)研究

學習風格（Learning Style，簡稱“LS”）是學習者特有的認知、情感和心理行為，作為學習者如何理解信息以及學習者在學習環(huán)境相互作用下如何反應(yīng)的相對穩(wěn)定的指標[1]。根據(jù)學習者不同的認知過程分為不同類型的學習風格。很多教育理論學者以及研究者對這一觀點表示認同，一致認為將學習風格整合到教育中可以更好地促進學習者個性化學習。有大量的相關(guān)研究證明并支持這一觀點，例如Bajraktarevic、Hall和Fullick[2]、Graf和Kinshuk[3]等。目前主要是通過人工智能相關(guān)技術(shù)來實現(xiàn)學習者學習風格自動偵測，例如機器學習[4]、貝葉斯網(wǎng)絡(luò)[5][6]、神經(jīng)網(wǎng)絡(luò)[7]以及基于規(guī)則的推理[8]等。很多智能學習系統(tǒng)，尤其是自適應(yīng)教育超媒體系統(tǒng)（AEHS），大多數(shù)都具備不同的LS偏向性測試功能，并通過建立LS用戶模型為學習者提供更好的個性化學習服務(wù)，如Tangow 系 統(tǒng)[9]、Protus 系統(tǒng)[10]、WHURLE 系統(tǒng)[11]、CS383 系統(tǒng)[12]等都使用了Felder-Silverman模型；AES-CS系統(tǒng)[13]使用了FI-FD模型；INSPIRE系統(tǒng)[14]使用了Honey-Mumford模型。這些傳統(tǒng)的智能學習系統(tǒng)在一定程度上解決了個性化學習的問題，但是這些系統(tǒng)的功能模塊之間存在著耦合性低、重用性差、不同系統(tǒng)之間很難實現(xiàn)資源共享等問題。

大量研究表明，采用面向服務(wù)架構(gòu)（SOA）技術(shù)能很好地解決傳統(tǒng)智能系統(tǒng)存在的問題。Dagger對學習管理系統(tǒng)（LMS）的演變進行了分析，指出了傳統(tǒng)智能學習系統(tǒng)存在著以上問題，肯定了下一代智能學習系統(tǒng)應(yīng)具有互操作性和擴展性這一未來發(fā)展的趨勢，并通過案例證明了SOA架構(gòu)的優(yōu)越性[15]。

現(xiàn)在，基于SOA技術(shù)設(shè)計了很多學習系統(tǒng)架構(gòu)，試圖通過SOA架構(gòu)技術(shù)解決傳統(tǒng)學習系統(tǒng)存在的問題。其中，Mohammed提出了使用SOA技術(shù)構(gòu)建一個E-learning學習管理系統(tǒng)，雖然該系統(tǒng)沒有實現(xiàn)個性化學習資源推送服務(wù)，但可以對外提供服務(wù)接口[16]；Cheng設(shè)計了一個可擴展的SOA E-learning系統(tǒng)架構(gòu)，能使網(wǎng)絡(luò)學習系統(tǒng)功能更完善、更靈活，但是如何實現(xiàn)這些服務(wù)沒有進行詳細設(shè)計[17]；SLO 管理系統(tǒng)是一個基于SOA的學習資源管理系統(tǒng)架構(gòu)，該系統(tǒng)架構(gòu)采用SOA技術(shù)是為了實現(xiàn)教學資源共享，但沒有使用學習風格模型對用戶進行建模[18]；孫艷提出了一種面向服務(wù)的E-learning系統(tǒng)架構(gòu)，該系統(tǒng)可以實現(xiàn)教學設(shè)計、動態(tài)更新學習資源以及通過學習者個性特征分析提供個性化的學習指導。雖然該系統(tǒng)有個性化特征提取，但是并沒有提到如何建立學習者個性化特征[19]。Canales提出了一個基于SOA自適應(yīng)智能網(wǎng)絡(luò)教育系統(tǒng) （WBES）架構(gòu)，詳細介紹了用認知地圖來構(gòu)建學習者學習風格用戶模型[20]；Yaghmaie通過SOA架構(gòu)設(shè)計了一個自適應(yīng)學習系統(tǒng)，根據(jù)學習者學習風格自動過濾學習內(nèi)容，實現(xiàn)個性化學習內(nèi)容的推介[21]；姜強設(shè)計的SOALS系統(tǒng)主要采用了Felder-Silverman模型，并使用學習行為來修正學習風格模型，最終實現(xiàn)個性化資源推送服務(wù)[22]。

現(xiàn)有的很多SOA 智能系統(tǒng)只是一個系統(tǒng)架構(gòu)，雖然有些系統(tǒng)提供了學習風格判別和個性化推送功能，但是這些功能并不對外提供服務(wù)接口，導致不能實現(xiàn)資源共享。同時，現(xiàn)在的系統(tǒng)很多只采用了單一的LS用戶模型，導致用戶建模單一化和片面化，學習資源推送準確率低、效率低。此外，大部分SOA學習系統(tǒng)都沒有建立LS用戶模型，因此，這類系統(tǒng)不能提供個性化服務(wù)。

二、 SOALS系統(tǒng)架構(gòu)及其服務(wù)模型

（一）SOALS系統(tǒng)架構(gòu)

為了解決現(xiàn)有SOA學習系統(tǒng)存在的問題，基于SOA架構(gòu)設(shè)計了一個智能學習系統(tǒng)架構(gòu)（SOALS），并設(shè)計了一個學習風格判別組件（SOALS_pre），該組件采用了Felder-Silverman（簡稱“FS”）[23][24]和Field Independence/Field Dependence（簡稱“FI-FD”）[25][26]學習風格建立用戶模型，使LS預測更加準確。通過對SOALS_pre組件進行封裝，對外發(fā)布了一個學習風格服務(wù)（LstyleRMIService）。不同架構(gòu)的學習系統(tǒng)通過綁定該服務(wù)接口可以實現(xiàn)學習者在不同環(huán)境下進行多模型的LS判別服務(wù)。同時，服務(wù)會把測試結(jié)果自動建立成標記的樣本數(shù)據(jù)集，為LS測試服務(wù)提供樣本數(shù)據(jù)資源。

該架構(gòu)共有四層：第一層是資源層，第二層是組件層，第三層是服務(wù)接口層，第四層是用戶表示層（如圖1所示）。

資源層主要存儲了各種服務(wù)所需要的資源，例如學習風格樣本數(shù)據(jù)、學習行為樣本數(shù)據(jù)、學習資源庫（LOM標準）等。本系統(tǒng)通過Mysql 5.5設(shè)計了3個數(shù)據(jù)庫，其中LSdata數(shù)據(jù)庫主要用于存儲學習風格樣本數(shù)據(jù)；LCdata數(shù)據(jù)庫主要用于存儲學習行為樣本數(shù)據(jù)；LRdata數(shù)據(jù)庫主要用于存儲學習資源，學習資源需要遵循LOM標準。

組件層是系統(tǒng)架構(gòu)的核心層，也是系統(tǒng)的底層，它涉及組件的核心代碼和對核心代碼的封裝。在系統(tǒng)中，學習風格判別組件（SOALS_pre）分別由LS組件、LS前測組件、LS維度篩選組件和LS預測組件組成。其中，LS組件提供了FS學習風格測試、FI-FD學習風格測試、LS維度篩選以及LS預測功能。LS組件要實現(xiàn)這些功能需要分別引用LS前測組件、LS維度篩選組件和LS預測組件。LS前測組件需要使用LSdata數(shù)據(jù)；LS維度篩選組件和LS預測組件需要使用LSdata數(shù)據(jù)和LCdata數(shù)據(jù)，如圖1組件層所示。

服務(wù)接口層是SOA系統(tǒng)架構(gòu)中最重要的一層，是服務(wù)使用者綁定和實現(xiàn)服務(wù)的入口。一個服務(wù)可能需要使用一個組件或者多個組件來實現(xiàn)其功能。同時，一個組件可以實現(xiàn)一個或者多個服務(wù)功能。本系統(tǒng)對外發(fā)布的LstyleRMIService學習風格服務(wù)需要使用LS組件、LS前測組件、LS篩選組件和LS預測組件來實現(xiàn)服務(wù)的功能，這個服務(wù)主要對外提供了三個服務(wù)接口：LS前測服務(wù)、LS維度篩選服務(wù)以及LS預測服務(wù)（如圖1第三層中橢圓虛線框所示）。

表示層主要是指綁定并使用服務(wù)的各種系統(tǒng)。本文通過設(shè)計一個學習系統(tǒng)驗證了服務(wù)功能具有可重用性，不同系統(tǒng)之間能實現(xiàn)資源共享。最后，對學習風格服務(wù)得到的實驗結(jié)果與NBC分類器得到的實驗結(jié)果進行了對比分析。

（二）SOALS_pre判別組件核心模型

1.LS前測服務(wù)模型

前測服務(wù)主要是從終端獲取學習者學習風格問卷數(shù)據(jù)，并根據(jù)量化公式把問卷結(jié)果進行量化處理，最后把該量化的數(shù)據(jù)作為有標記的樣本數(shù)據(jù)存儲在LSdata數(shù)據(jù)庫中。FS學習風格通過Solomon量化表進行學習風格計算；FI-FD學習風格通過改進的問卷調(diào)查表和量化表進行學習風格計算[27][28][29]， LS前測服務(wù)模型如圖2所示。

本文使用了標準的FS問卷進行學習風格樣本數(shù)據(jù)采集，該問卷的量化方式遵循Solomon量化表規(guī)則（最大數(shù)-最小數(shù)+最大數(shù)的字母），通過這種規(guī)則得到的LS結(jié)果分別是：1a、3a、5a、7a、9a、11a；1b、3b、5b、7b、9b、11b。其中，a表示學習者在某種維度上LS左邊的傾向值，b表示學習者在某種維度上LS右邊的傾向值，值越大表示學習風格傾向性越大。為了使學習風格結(jié)果適用于數(shù)學建模，本文將Solomon量化表的結(jié)果進行量化處理，把LS結(jié)果量化為0到1之間的小數(shù)。通過量化關(guān)系表和所羅門學習風格理論，學習風格可以通過一個四元組進行形式化表示，如公式（1）所示[30]：

其中，中的i是學習者序號，表示學習者在學習風格t維度上的取值。當取值范圍為時，學習風格偏向左邊的維度；當時，學習風格絕對偏向左邊的維度；當取值范圍為時，學習風格偏向右邊的維度；當時，學習風格絕對偏向右邊的維度；當時，學習風格偏向中間的維度。

FI-FD學習風格采集的方式有很多種，本文主要采用問卷調(diào)查法獲取學習者LS，并將FI-FD學習風格結(jié)果進行歸一化處理，量化成0到1之間的小數(shù)。通過量化關(guān)系表以及FI-FD學習風格理論，F(xiàn)I-FD學習風格可以通過一元組形式化表示或公式（2）：

其中，中的i是學習者序號；是i學習者學習風格維度上的偏向值。當取值范圍為時，學習風格偏向左邊的維度；當時，學習風格絕對傾向于左邊的維度；當取值范圍為時，學習風格偏向右邊的維度；當時，學習風格絕對傾向于右邊的維度；當時，學習風格偏向中間的維度。

2. LS維度篩選服務(wù)模型

LS維度篩選服務(wù)的主要功能是識別出學習者群體在不同學習環(huán)境下LS主導維度偏向。本模塊沿用了前期工作中使用的維度篩選技術(shù)[31]，并將其封裝成LS維度篩選服務(wù)（如圖3所示）。

學習者的學習風格會隨著學習環(huán)境的改變而發(fā)生變化，由于一種學習風格模型不能完全描述出學習者在不同學習環(huán)境中的偏向，所以本文采用了FS學習風格模型以及FI-FD認知風格模型構(gòu)建了一個多模型的學習風格用戶模型。為了識別出學習者群體在不同環(huán)境下的主導維度偏向，需要使用兩種樣本數(shù)據(jù)：一種是學習者在某一學習環(huán)境下的學習行為樣本數(shù)據(jù)，另一種是學習者在多模型下學習風格抽象樣本數(shù)據(jù)。通過這些抽象樣本數(shù)據(jù)就能夠進行多模型下學習風格維度相似度識別，實現(xiàn)多標簽分類向單標簽分類的轉(zhuǎn)化[32]，從而識別出學習群體在當前學習環(huán)境下主導K維度LS偏向。

3. 學習風格預測服務(wù)模型

預測服務(wù)是對未知LS的學習者在某一環(huán)境下的學習風格偏向進行預測，其方法是把新學習者的學習行為根據(jù)主導K維度下學習行為樣本進行聚類?？梢圆捎贸跏蓟杭诵臉?gòu)造算法（Initialization Cluster Core Constructing Algorithm，簡稱“ICCCA算法”）和3-means聚類算法（如圖4所示）。

（三）組件及服務(wù)接口設(shè)計

本文利用SCA規(guī)范設(shè)計了一個學習風格組件（SOALS_Pre組件），共包括4個組件。LS組件（LS_component）中有3個服務(wù)接口和3個屬性；LS前測組件（FSDI_component）中有1個服務(wù)接口和1個屬性；LS篩選組件（Rec_component）中有1個服務(wù)接口和3個屬性；學習風格預測組件（Pre_component）中有1個服務(wù)接口和3個屬性（如圖5所示）。

三、實驗

（一）樣本數(shù)據(jù)采集

實驗數(shù)據(jù)主要來自成都大學2014級和2011級本科生以及四川師范大學2014級和2011級本科生、2013級研究生計算機專業(yè)學生的學習風格樣本數(shù)據(jù)和學習行為樣本數(shù)據(jù)，共計320份。其中，有效樣本數(shù)據(jù)298份，男生232人，女生66人，平均年齡為23歲；從學歷層次來看，本科生262人，碩士研究生36人；從區(qū)域來看，成都大學136人，四川師范大學162人。

為了驗證測試結(jié)果的一致性、穩(wěn)定性和可靠性，在第一次采集數(shù)據(jù)后的第二周再一次對有效樣本群體進行了學習風格偏向性采集，并通過SPSS軟件采用了重測可信度的方法對所羅門學習風格量表中100個樣本數(shù)據(jù)進行信度驗證，其中重測可信度主要通過Cohen提出的Kappa系數(shù)來驗證。當問卷調(diào)查Kappa系數(shù)大于0.75就可以表示重測的可信度很好。通過對學習風格的4個維度進行可信度驗證，每個維度的Kappa系數(shù)分別為 active/reflective（0.881）、sensing/intuitive（0.879）、visual/verbal（0.896）、sequential/global（0.869）。通過這些結(jié)果很好地驗證了該問卷的可靠性。

通過SPSS軟件，使用了100個樣本數(shù)據(jù)對所羅門學習風格量表的44道題進行探索性因子分析來驗證問卷的效度，把取消最小系數(shù)設(shè)置為0.6，最終KMO得出的結(jié)果為0.73，說明該問卷及樣本數(shù)據(jù)適合使用探索性因子分析來驗證問卷的效度。該量表是目前心理學中比較成熟的量表之一，很多研究者都做過信度和效度檢驗，并對該量表測試的LS結(jié)果進行了肯定，如Livesay、Dee和Nauman[33]，Van Zwanenberg等[34]，Zywno[35]，F(xiàn)elder和 Spurlin[36]等。

本文通過對實驗所使用的50個訓練樣本數(shù)據(jù)進行處理，得到了LS維度偏向分布圖（如圖6所示）。X軸分別為A-R（活躍型/沉思型）、S-I（感悟型/直覺型）、Vi-Ve（視覺型/言語型）、S-G（序列型/綜合型）和FI-FD（場獨立/場依存）5個維度的取值，每個維度上有三個取值分別表示LS左邊偏向、LS中間偏向、LS右邊偏向（從左往右）。Y軸表示每個維度上不同LS偏向的學生人數(shù)。

（二）學習風格測試與預測

1. LS前測服務(wù)

本文設(shè)計了一個學習系統(tǒng)并綁定LstyleRMIService服務(wù)，在實驗中讓一名新學習者（C201110409121）通過前測服務(wù)進行了學習風格測試，得到學習風格測試結(jié)果（如圖7、圖8所示）。

2. LS維度篩選服務(wù)與LS預測服務(wù)

在實驗中，在學習系統(tǒng)中選擇“Java JDK平臺搭建”作為學習環(huán)境（如圖9所示）。

通過對實驗所使用的50個訓練樣本數(shù)據(jù)進行維度篩選，得到的結(jié)果發(fā)現(xiàn)，這些訓練樣本在該學習環(huán)境下的主導維度偏向是視覺型/言語型（Vi—Ve）。將當前學習者（C201110409121）和另外49個學習者群體（除訓練樣本數(shù)據(jù)外，對剩下的樣本數(shù)據(jù)隨機選?。?gòu)成一個測試學習者群體，通過調(diào)用LS預測服務(wù)對該測試學習者群的學習風格進行偏向性預測。其中，“Main dimensions：Vi—Ve”是指學習者群體的該學習環(huán)境下主導K維度偏向；“Results of LS online questionnaire（LSOQ）”是指問卷測試的結(jié)果；“Results of Prediction”是指學習者在“Java JDK平臺搭建”環(huán)境下通過學習行為預測的結(jié)果。數(shù)字1-50表示了50個測試樣本的序號，其中當前學習（C201110409121）的序列為7（如圖10所示）。

從LSOQ結(jié)果可以看出，有19名學習者偏向于視覺型；有1名學習者偏向中間的維度；有30名學習者偏向于言語型。而這50個測試樣本在“Java JDK平臺搭建”學習環(huán)境下進行學習風格預測的結(jié)果顯示，有35名學習者偏向于視覺型，有14名學習者偏向于言語型，有1名學習者偏向中間的維度。其中，有32名學習者樣本的LSOQ結(jié)果與預測結(jié)果一致（正確為64%）（如表1所示）。

通過以上的實驗結(jié)果，可以看出大部分學習者在“Java JDK平臺搭建”學習環(huán)境下并沒有像傳統(tǒng)預測方法一樣預測“active/reflective”維度，而通過本文的維度篩選服務(wù)預測的結(jié)果是“visual/verbal”維度，而這個維度上的預測通常比較困難，以前的預測準確率都只有50%-60%左右（樣本數(shù)小于300），部分技術(shù)預測準確率只能達到40%。因此，實驗結(jié)果是令人滿意的。

為了更好地驗證維度篩選服務(wù)和預測服務(wù)的有效性，利用樸素貝葉斯分類器（Naive Bayes Classifier，簡稱“NBC”）對50名學習者在不同維度上進行了分類，結(jié)果如表2所示。

通過上面的實驗結(jié)果可以看出，通過NBC分類器在Vi-Ve維度上預測的結(jié)果準確率達到62.5%，可以確定當前環(huán)境下學習者群體主要偏向Vi-Ve維度，這與本文實驗維度篩選結(jié)果一致，但是本文預測的優(yōu)于NBC分類器的結(jié)果，準確率可以達到64%。

四、結(jié)語與展望

本文通過SOA架構(gòu)技術(shù)設(shè)計了一個智能學習系統(tǒng)架構(gòu)（SOALS）和學習風格判別組件（ SOALS_pre），并對外發(fā)布了一個學習風格服務(wù)（LstyleRMIService）。不同架構(gòu)的系統(tǒng)通過綁定該服務(wù)接口，可以實現(xiàn)學習者在不同環(huán)境下多模型學習風格預測服務(wù)。本文通過一個學習系統(tǒng)對學習風格服務(wù)進行了綁定，并通過“Java JDK平臺搭建”為主題（學習環(huán)境）對提供的服務(wù)功能進行驗證，證明了學習風格服務(wù)的可重用性。最后，通過對比實驗驗證了學習風格預測的準確率優(yōu)于NBC分類器。

本文設(shè)計的學習系統(tǒng)架構(gòu)和學習風格判別組件（SOALS_pre）還存在以下問題：

第一，未能完全實現(xiàn)訓練數(shù)據(jù)集自動動態(tài)更新；

第二，F(xiàn)S與FI-FD學習風格測試服務(wù)使用了同一個服務(wù)接口；

第三，學習風格用戶模型太少，例如缺少Kolb等。

我們將會在未來工作中重點解決這些問題。

[參考文獻]

[1] National Association of Secondary School Principals（US）. Student learning styles： Diagnosing and prescribing programs[M]. NatlAssn of Secondary School，1979.

[2] N. Barjraktarevic， W. Hall， and P. Fullick， Incorporating Learning Styles in Hypermedia Environment： Empirical Evaluation， Proceedings of the workshop on adaptive Hypermedia and Adaptive Web-Based Systems， Nottingham， UK， 2003， pp.41-52.

[3] S. Graf and Kinshuk， Providing Adaptive Courses in Learning Management Systems with Respect to Learning Styles， Proceedings of the World Conference on E-Learning in Corporate， Government， Healthcare， and Higher Education， AACE， 2007， pp. 2576-2583.

[4] Orriols-Puig， J. Casillas， and E. Bernado-Mansilla， Fuzzy-UCS： AMichigan-Style Learning Fuzzy-Classifier System for Supervised Learning， IEEE Transactions on Evolutionary Computation，13（2）， 2009.

[5] P. Garcia， A. Amandi， S. Schiaffino， and M. Campo. Evaluating Bayesian networksprecision for detecting studentslearning styles[M]. Computers & Education， 2007，49：794-808.

[6] C. Carcia， G. Castillo and E. Millan. Designing a Dynamic Bayesian Network for Modeling StudentsLearning Styles [M]. Proceedings of the 8th IEEE International Conference on Advanced Learning Techologies， 2008： pp.346-350.

[7] R. Zatarain-Cabada， M.L. Barron-Estrada， Viridiana Ponce Angulo， A.Jose Garcia and Carlos A. Reyes Garcia， A framework for Creating， Training， and Testing Self-Organizing Maps for Recognizing Learning Styles[M]. Proceedings of the 5th International Conference on E-learning and Games， 2010： pp. 53-64.

[8] Jeremi Z， Deved?i V. Design pattern its： Student model implementation[C]//Advanced Learning Technologies， IEEE International Conference on. IEEE Computer Society， 2004： 864-865.

[9] Paredes P， Rodriguez P. Considering Sensing-Intuitive Dimension to Exposition-Exemplification in Adaptive Sequencing[J]. Lecture Notes in Computer Science， 2002：556-559.

[10] Klasnja-Milicevic A， Vesin B， Ivanovic M， Budimac Z： E-Learning personalization based on hybrid recommendation strategy and learning style identification. Comput Educ 2011， 56：885-899.

[11] Brown E， Stewart C， Brailsford T. Adapting for Visual and Verbal Learning Styles in AEH[C]// Advanced Learning Technologies， 2006. Sixth International Conference on. IEEE， 2006：1145-1146.

[12] Carver C A， Howard R A， Lane W D. Enhancing student learning through hypermedia courseware and incorporation of student learning styles[J]. Education IEEE Transactions on， 1999， 42（1）：33-38.

[13] Triantafillou， E.， Pomportsis， A.， Georgiadou， E.： AES-CS： Adaptive Educational System based on Cognitive Styles. In： The Workshop on Adaptive System for Web-based Education， held in conjunction with AH 2002， Malaga， Spain （2002）.

[14] Papanikolaou K A， Grigoriadou M， Kornilakis H， et al. Personalizing The Interaction In A Web-Based Educational Hypermedia System： The Case Of Inspire. User Modeling And User-Adapted Interaction[J]. User Modeling and User-Adapted Interaction， 2003，13（3）：213-267.

[15] Dagger D， O'Connor A， Lawless S， et al. Service-oriented e-learning platforms： From monolithic systems to flexible services [J]. Internet Computing， IEEE， 2007，11（3）： 28-35.

[16] Jabr M A， Al-omari H K. e-Learning Management System Using Service Oriented Architecture 1[J]. 2010.

[17] Cheng Z， Huang T， NongJ.An extensible development platform for SOA-based e-learning system[C]//Computer Science and Software Engineering， 2008 International Conference on. IEEE， 2008， 5： 901-904.

[18] 李曉鋒，吳產(chǎn)樂. 基于 SLO 與 SOA 技術(shù)構(gòu)建新一代教學資源管理系統(tǒng)[J]. 中國電化教育， 2010，（1）：029.

[19] 孫艷，崔懷林. 面向服務(wù)的個性化 E-Learning 系統(tǒng)分析與設(shè)計[J]. 廣東技術(shù)師范學院學報，2010，31（06）：19-22.

[20] Canales A， Pe?a A， Peredo R， et al. Adaptive and intelligent web based education system： Towards an integral architecture and framework[J]. Expert Systems with Applications， 2007， 33（4）： 1076-1089.

[21] Yaghmaie M， Bahreininejad A. A context-aware adaptive learning system using agents [J]. Expert Systems with Applications， 2011， 38（4）： 3280-3286.

[22] 姜強，趙蔚. 面向“服務(wù)”視角的自適應(yīng)學習系統(tǒng)設(shè)計與實現(xiàn)[J]. 中國電化教育，2011，（2）：119-124.

[23] Felder R M， Silverman L K. Learning and teaching styles in engineering education [J]. Engineering education， 1988， 78（7）： 674-681.

[24] Felder R M. Matters of style [J]. ASEE prism， 1996， 6（4）： 18-23.

[25] Witkin H A， Goodenough D R. Field dependence and interpersonal behavior [J]. Psychological bulletin， 1977， 84（4）： 661.

[26] Witkin H A， Moore C A， Goodenough D R， et al. Field-dependent and field-independent cognitive styles and their educational implications[J]. Review of educational research， 1977.

[27] Maghsudi M. The Interaction Between Field Dependent/Independent Learning Styles and LearnersLinguality in Third Language Acquisition[J]. Language in India， 2007， 7（5）.

[28] Wyss R. Field independent/dependent learning styles and L2 acquisition [J].The weekly column article 102. Retrieved June 28， 2005

[29] Brown H D，吳一安. Principles of language learning and teaching[J]. 2000.

[30] 黃興祿. 基于SOA學習風格判別組件的設(shè)計與實現(xiàn)[D]. 四川師范大學，2014.

[31][32] J. Yang， Z. X. Huang，Y. X. Gao， H. T. Liu， Dynamic Learning Style Prediction Method Based on a Pattern Recognition Technique， IEEE Transactions on Learning Technologies， vol. 7 no. 2， 2014， pp.165-177.

[33] Livesay， G.A.， Dee， K.C.， Nauman， E.A.， Hites， L.S.： Engineering student learning styles： a statistical analysis using Felders Index of Learning Styles. Presented at the Annual Conference of the American Society for Engineering Education， Montreal， Canada （June 2002）.

[34] Van Zwanenberg， N.， Wilkinson， L.J.， Anderson， A.： Felder and Silvermans Index of Learning Styles and Honey and Mumfords Learning Styles Questionnaire： how do they compare and do they predict academic performance？ Educational Psychology 20， 365-380 （2000）.

[35] Zywno， M.S.： A contribution to validation of score meaning for Felder-Solomans Index of Learning Styles. Presented at the Annual Conference of the American Society for Engineering Education， Nashville， USA （June 2003）.

[36] Felder， R.M.， Spurlin， J.： Applications， Reliability and Validity of the Index of Learning Styles. International Journal on Engineering Education 21（1）， 103-112 （2005）.

收稿日期：2015-06-01

定稿日期：2015-12-29

作者簡介：黃興祿，碩士研究生，助理實驗師，成都大學（610106）。

楊娟，博士，副教授， 碩士生導師；宋曉玲，碩士研究生；劉璇，碩士研究生。四川師范大學（610101）。

責任編輯 韓世梅