張莉娜，楊微

（廣州大學(xué)華軟軟件學(xué)院，廣州510990）

0 引言

隨著自適應(yīng)教育超媒體學(xué)習(xí)系統(tǒng)、在線自主學(xué)習(xí)系統(tǒng)、智能學(xué)習(xí)系統(tǒng)等各個不同名稱的智能教育平臺的不斷研發(fā)，智慧教育目前已經(jīng)成為教育教學(xué)技術(shù)研究的核心熱點話題。針對在線課程學(xué)習(xí)中的學(xué)習(xí)行為進(jìn)行分析，確定學(xué)習(xí)者學(xué)習(xí)風(fēng)格類型，為學(xué)習(xí)者提供合適的教育資源，從而提高學(xué)習(xí)者的學(xué)習(xí)效率與學(xué)習(xí)效果。而學(xué)習(xí)風(fēng)格的預(yù)測作為其中的核心關(guān)鍵環(huán)節(jié)，存在多種形式：基于不同模型的靜態(tài)預(yù)測，基于數(shù)據(jù)處理的智能預(yù)測。在智慧教育的大背景下，目前研究者的關(guān)注點已經(jīng)從靜態(tài)預(yù)測逐漸過度于智能預(yù)測，借助人工智能中各種算法工具對收集的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行智能分析，從而推測出學(xué)習(xí)者的不同學(xué)習(xí)風(fēng)格，針對個性化的學(xué)習(xí)風(fēng)格進(jìn)行干預(yù)，并推薦適應(yīng)學(xué)習(xí)者自身學(xué)習(xí)特點的學(xué)習(xí)資源。

1 學(xué)習(xí)風(fēng)格模型

“學(xué)習(xí)風(fēng)格”這一概念最早由Herbert Thelen 為研究學(xué)生個性化差異在1954 年提出來，并且很快得到研究者的高度重視，至今已存在30 多種學(xué)習(xí)風(fēng)格相關(guān)的理論與模型[1]。國內(nèi)外研究者基于自己的研究，為學(xué)習(xí)風(fēng)格提出不同學(xué)習(xí)風(fēng)格理論與模型，如場依存/場獨立模型（Witkin，1977），Kolb 學(xué)習(xí)風(fēng)格理論模型（Kolb，1984）[2]、Felder-Silverman 學(xué) 習(xí) 風(fēng) 格 模 型（Felder，1988）、Dunn＆Dunn 模型（Dunn，1993），以及VARK 感知學(xué)習(xí)風(fēng)格模型（FJemjng，2001）等。

通過文獻(xiàn)統(tǒng)計分析，在各類學(xué)習(xí)風(fēng)格相關(guān)研究中，最常用的是Felder-Silverman 學(xué)習(xí)風(fēng)格模型，該模型借鑒其他學(xué)習(xí)風(fēng)格模型之長處，使其更加完整與有效，特別是在自適用學(xué)習(xí)分析系統(tǒng)中尤其受到關(guān)注。該模型將學(xué)習(xí)者分為4 個維度包括八種類型：處理維度：活躍型、沉思型；感知維度：感知型、直覺型；輸入維度：視覺型、言語型；理解維度：序列型、綜合型[3]。Felder-Silverman 學(xué)習(xí)風(fēng)格模型支持的所羅門學(xué)習(xí)風(fēng)格問卷包括44個題目，每個題目兩個選項，均為單項選擇題[4]。與所羅門學(xué)習(xí)風(fēng)格問卷相匹配的存在一種所羅門學(xué)習(xí)風(fēng)格分析表，問卷分析包括以下幾個步驟：①在表1 中四個維度量表所對應(yīng)題目的適當(dāng)位置填寫“1”，②計算每一列總數(shù)并填在總計欄，③每個維度量表，用較大的總數(shù)減去較小的總數(shù)，記錄差值與較大數(shù)據(jù)字母（a&b）。④根據(jù)得到的各種量表的取值，可以確定學(xué)習(xí)風(fēng)格取向以及強(qiáng)烈程度。

以某一個學(xué)生填寫的問卷結(jié)果進(jìn)行分析解釋，如表1 所示。通過該同學(xué)量表分析可以得到1b，7a，7a，3a 四組數(shù)據(jù)，該數(shù)據(jù)的意義表示該同學(xué)屬于弱沉思型、強(qiáng)感悟型、強(qiáng)視覺型，弱序列型。

表1 所羅門學(xué)習(xí)風(fēng)格分析表

表2 分析結(jié)果解釋表

2 學(xué)習(xí)風(fēng)格智能預(yù)測研究現(xiàn)狀

通過文獻(xiàn)檢索加研讀，可以總結(jié)出針對學(xué)習(xí)風(fēng)格智能預(yù)測研究目前研究特點主要表現(xiàn)在：關(guān)注度較高、綜合性較強(qiáng)、智能化較弱、實用性較差等。

（1）關(guān)注度較高

在知網(wǎng)、維普等期刊，以“學(xué)習(xí)風(fēng)格”、“學(xué)習(xí)偏好”、“認(rèn)知風(fēng)格”、“Learning preference”、“Cognitive style”、“l(fā)earning styles”、“l(fā)earning styles”等作為學(xué)習(xí)風(fēng)格的相近相似關(guān)鍵詞，和以“預(yù)測”、“識別”、“forecasting”、“recognition”作為預(yù)測的相近相似關(guān)鍵詞進(jìn)行文獻(xiàn)查詢，從2001 年至今20 年間共搜索到494 篇，其中2010-2019 年近10 年403 篇，涵蓋教育理論與教育管理、外國語言文學(xué)、計算機(jī)軟件及計算機(jī)應(yīng)用、心理學(xué)、自動化技術(shù)等多個學(xué)科門類，并且重點體現(xiàn)在教育理論與教育管理以及計算機(jī)軟件與計算機(jī)應(yīng)用等學(xué)科，數(shù)據(jù)來源主要包括CNKI 碩士學(xué)位論文、中國圖書數(shù)目、CNKI 博士論文以及中國學(xué)術(shù)期刊。通過文獻(xiàn)數(shù)量可以直觀地發(fā)現(xiàn)學(xué)習(xí)風(fēng)格預(yù)測得到學(xué)者熱烈的關(guān)注與研究，只是通過論文相關(guān)度分析以及論文題目與內(nèi)容篩查，最終統(tǒng)計得出2009-2019 年共109 篇，2014 年以后每年均有15 篇以上，并且論文主要收錄在北大核心期刊、CSSCI、NSSD、中國人文社科核心期刊、中國科技核心期刊等。

（2）綜合性較強(qiáng)

智慧教育的背景下，進(jìn)行學(xué)習(xí)風(fēng)格智能預(yù)測研究，涉及到教育學(xué)、心理學(xué)、計算機(jī)軟件、人工智能、大數(shù)據(jù)處理等多個研究領(lǐng)域，跨學(xué)科研究比較廣泛存在。例如《自適應(yīng)學(xué)習(xí)系統(tǒng)學(xué)習(xí)者學(xué)習(xí)風(fēng)格模型的研究現(xiàn)狀與展望》作者高虎子[5]，來自東北師范大學(xué)的理想信息技術(shù)研究院；《LS-Pre：在開放式學(xué)習(xí)環(huán)境中自適應(yīng)地預(yù)測學(xué)習(xí)者學(xué)習(xí)風(fēng)格》的作者楊娟[6]，來自于四川師范大學(xué)的計算機(jī)科學(xué)學(xué)院；《在線學(xué)習(xí)風(fēng)格識別技術(shù)與方法研究》的作者來黃誠[7]，自于上海理工大學(xué)光電信息與計算機(jī)工程學(xué)院；《基于復(fù)合神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)風(fēng)格智能分析與研究》的作者李超[8]，來自于北京航空航天大學(xué)經(jīng)濟(jì)管理學(xué)院；《基于Felder.Silverman 學(xué)習(xí)風(fēng)格模型的網(wǎng)絡(luò)學(xué)習(xí)風(fēng)格研究》的作者王晨煜[9]，來自于北京航空航天大學(xué)中法工程師學(xué)院等。以上學(xué)者來自于不同的研究單位，結(jié)合自己的研究領(lǐng)域，以學(xué)習(xí)風(fēng)格預(yù)測為研究主題，展開相應(yīng)的研究。

（3）智能化較弱

隨著近幾年，人工智能的興起以及在各個領(lǐng)域的有效使用，智慧教育被提出來并且已然成為教育技術(shù)研究者的關(guān)注熱點，人工智能應(yīng)用于教育被得到不斷的嘗試。學(xué)習(xí)風(fēng)格智能預(yù)測也因為人工智能的不斷滲入而得到深入研究，學(xué)習(xí)風(fēng)格預(yù)測一般經(jīng)過兩個過程：靜態(tài)前測，智能修正。靜態(tài)前測：通過自適應(yīng)智能網(wǎng)絡(luò)教育平臺首先收集基于所羅門調(diào)查問卷獲取的初始數(shù)據(jù)，根據(jù)量化工具進(jìn)行數(shù)據(jù)的初步量化分析，然后將量化數(shù)據(jù)傳入學(xué)習(xí)風(fēng)格前測服務(wù)完成學(xué)習(xí)風(fēng)格靜態(tài)測試。有的研究者在這個環(huán)節(jié)會更加關(guān)注學(xué)習(xí)環(huán)境的影響，也會進(jìn)行學(xué)習(xí)風(fēng)格在不同學(xué)習(xí)環(huán)境下的靜態(tài)前測。智能修正：伴隨著在線學(xué)習(xí)的進(jìn)行，采集智能的學(xué)習(xí)行為數(shù)據(jù)，然后對數(shù)據(jù)樣本再用相應(yīng)的算法進(jìn)行建模分析，然后對模型的實證結(jié)果進(jìn)行簡單的分析。

黃興祿、楊娟等研究者采用初始化群集核心構(gòu)造算法（ICCCA 算法）和3-means 聚類算法建模出學(xué)習(xí)風(fēng)格預(yù)測服務(wù)模型[10]。李超、周泓等研究者采用積卷神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)相融合的方式，構(gòu)建出一套“識別-推斷”模型，主要使用并使用基于門循環(huán)單元（Gated Recurrent Unit，GRU）的循環(huán)神經(jīng)網(wǎng)絡(luò)處理和預(yù)測其可能的學(xué)習(xí)風(fēng)格[8]。黃城、張冰雪等研究者針對每個Felder-Silverman 學(xué)習(xí)風(fēng)格模型四個維度至少提供四種行為特征數(shù)據(jù)，結(jié)合C4.5 決策樹算法和隱馬爾科夫算法對數(shù)據(jù)進(jìn)行處理來識別不同的學(xué)習(xí)風(fēng)格[7]。姜強(qiáng)、趙蔚等研究者采用貝葉斯網(wǎng)絡(luò)（BNs）構(gòu)建學(xué)習(xí)風(fēng)格預(yù)測模型[11]。

他們的共同點存在兩個方面：第一，采用或者借鑒Felder-Silverman 學(xué)習(xí)風(fēng)格模型進(jìn)行學(xué)習(xí)風(fēng)格定位，第二，收集的數(shù)據(jù)可以歸納為線上學(xué)習(xí)點擊行為（次數(shù)、頻率等）、社區(qū)交互行為（發(fā)帖跟帖次數(shù)、時間等）、不同形式的學(xué)習(xí)內(nèi)容瀏覽行為（次數(shù)、時間，視頻拖拽等），等等。對于第一個共同點，該學(xué)習(xí)模型得到學(xué)術(shù)界的一致認(rèn)可，凸顯了其信度和效度的可靠性，但是該模型提出于上個世紀(jì)90 年代，是否依然持續(xù)不斷可以應(yīng)用于自適應(yīng)智能教育平臺中，需要信度和效度的進(jìn)一步研究，目前這方面的研究教缺乏。對于第二個共同點學(xué)習(xí)行為特征數(shù)據(jù)主要來自于網(wǎng)絡(luò)平臺自動捕捉學(xué)習(xí)者與機(jī)器之間的交互痕跡，然而并沒有考慮到學(xué)習(xí)者學(xué)習(xí)進(jìn)行時的環(huán)境、狀態(tài)、情緒、表情，以及人機(jī)交互產(chǎn)生的現(xiàn)場反應(yīng)。當(dāng)然這些行為的獲得除了需要計算機(jī)軟件硬件支持，更需要一些穿戴設(shè)備的參與。例如智能攝像頭可以幫助我們采集現(xiàn)場學(xué)習(xí)者的微觀表情以及學(xué)習(xí)情緒，通過這些信息的及時捕獲與有效傳輸，可以通知到自適應(yīng)智能教育系統(tǒng)怎樣更加智能的修正學(xué)習(xí)風(fēng)格，并做出及時干預(yù)或者有效推薦。

（4）實用性較差

在國內(nèi)，自適應(yīng)智能學(xué)習(xí)平臺的研發(fā)與推廣使用是一個時代使命，目前從理念的提出，到設(shè)計建模，再到有限的功能的實現(xiàn)，處于不斷探索發(fā)展中。從各位研究者的研究總結(jié)中可以看出，目前研發(fā)的學(xué)習(xí)風(fēng)格智能測試模型還存在一些局限性，并且并沒有提及其實用性。

例如，研究者黃興祿、楊娟等提出的智能學(xué)習(xí)系統(tǒng)架構(gòu)和學(xué)習(xí)風(fēng)格服務(wù)，通過某個主題學(xué)習(xí)對提供的服務(wù)功能進(jìn)行驗證，驗證了學(xué)習(xí)風(fēng)格服務(wù)的可重用性以及較高的學(xué)習(xí)風(fēng)格預(yù)測的準(zhǔn)確率。但是仍然存在若干問題，如數(shù)據(jù)無法自動智能更新，采用的學(xué)習(xí)風(fēng)格用戶模型不足等[10]。研究者李超、周泓等在研究總結(jié)中提到研究結(jié)果可以適用于大規(guī)模在線學(xué)習(xí)環(huán)境中對學(xué)習(xí)風(fēng)格的智能預(yù)測，并且提出下一步結(jié)合線下進(jìn)行研究，并未提高該模型的可推廣性以及使用性[8]。

3 反思與展望

通過對國內(nèi)有關(guān)學(xué)習(xí)風(fēng)格智能測試的現(xiàn)狀分析，我們可以看出，人工智能支持下的智慧教育已經(jīng)得到各個學(xué)科研究者的高度關(guān)注與持續(xù)研究，但是目前還存在每一個高新技術(shù)應(yīng)用于教育行業(yè)的共性問題：起步晚，見效慢。在現(xiàn)有的研究成果基礎(chǔ)之上，我們應(yīng)該更多的關(guān)注研究成果的使用性以及成果轉(zhuǎn)化辦法，盡力讓研究成果快速高效得為教育服務(wù)。同時，我們應(yīng)該不斷的優(yōu)化研究成果，不斷推陳出新，獲得更加使用更加有效的研究成果。

針對上述研究成果存在的共性與個性問題，提出未來研究展望：第一，區(qū)別研究所服務(wù)的學(xué)習(xí)環(huán)境，有區(qū)別的針對在線遠(yuǎn)程教育平臺、線上線下同步的教室用教育平臺進(jìn)行不同學(xué)習(xí)風(fēng)格智能測試研究。如果針對適用于線上線下同步的教室用教育平臺，那么學(xué)習(xí)風(fēng)格智能預(yù)測模型考慮到教師現(xiàn)場干預(yù)的特點進(jìn)行研究。如果針對線上的自適應(yīng)智慧教育平臺的遠(yuǎn)程學(xué)習(xí)，那么學(xué)習(xí)風(fēng)格智能預(yù)測模型需要考慮更加全面，除了線上學(xué)習(xí)痕跡，更應(yīng)該考慮學(xué)習(xí)者的個性學(xué)習(xí)特征。第二，對學(xué)習(xí)風(fēng)格智能測試研究需要關(guān)注兩個問題：一個是需要借鑒的學(xué)習(xí)風(fēng)格模型，一貫常用的Felder-Silverman 學(xué)習(xí)風(fēng)格模型需不需要修正或者擴(kuò)充？另一個是學(xué)習(xí)行為特征數(shù)據(jù)如何更加全面，更加個性化才能滿足智能教育下學(xué)習(xí)者個性化學(xué)習(xí)需求？第三，人工智能算法的遴選與使用。針對不同的類型數(shù)據(jù)有針對的選擇不同算法，例如對于線上的行為數(shù)據(jù)可以分類研究，例如人臉識別可以采多任務(wù)積卷神經(jīng)網(wǎng)絡(luò)MTCNN、字符識別使用積卷神經(jīng)網(wǎng)絡(luò)CNN，語音識別采用隱含馬爾科夫算HMM、大數(shù)據(jù)處理的算法分類決策樹算法C4.5 或者聚類分析算法K-means，等等。根據(jù)學(xué)習(xí)風(fēng)格智能需求，綜合分析不同算法的相容性，爭取聯(lián)合多種算法綜合分析所采集的行為特征數(shù)據(jù)，從而使得學(xué)習(xí)風(fēng)格智能預(yù)測的結(jié)果更加真實，更加有效地幫助學(xué)習(xí)者學(xué)習(xí)。