林 一，王舜波

福州大學(xué) 物理與信息工程學(xué)院，福州 350107

近年來，運用數(shù)字化技術(shù)來輔助教學(xué)的方法不斷涌現(xiàn)，其中自適應(yīng)學(xué)習(xí)是工科教育中使用最為廣泛的方法之一，即由學(xué)習(xí)者產(chǎn)生的數(shù)據(jù)來驅(qū)動教學(xué)系統(tǒng)適應(yīng)學(xué)習(xí)者。最初的自適應(yīng)學(xué)習(xí)是根據(jù)學(xué)習(xí)者的成績來調(diào)整教學(xué)策略，但由于忽略了學(xué)習(xí)者的主觀能動性，缺乏針對性的教學(xué)使學(xué)習(xí)者的積極性不升反降，導(dǎo)致改善學(xué)習(xí)的效果始終不佳。為了解決上述問題，有研究者將學(xué)習(xí)風(fēng)格的概念引入到自適應(yīng)學(xué)習(xí)中[1-3]，Thalmann在調(diào)查關(guān)于電子學(xué)習(xí)系統(tǒng)開發(fā)的研究后，認為在學(xué)習(xí)者以往的知識和背景等來源中，學(xué)習(xí)風(fēng)格模型是自適應(yīng)系統(tǒng)最適合的開發(fā)框架[3-4]。學(xué)習(xí)風(fēng)格指的是學(xué)習(xí)者偏好的學(xué)習(xí)方式，是學(xué)習(xí)者在進行學(xué)習(xí)任務(wù)時具有個人特色的體現(xiàn)[4]。學(xué)習(xí)風(fēng)格概念中使用較為廣泛的模型有Felder & Silverman學(xué)習(xí)風(fēng)格模型（Felder-Silverman learning style model，F(xiàn)SLSM）[5]和Kolb學(xué)習(xí)風(fēng)格模型[4]。將學(xué)習(xí)風(fēng)格模型與自適應(yīng)學(xué)習(xí)相結(jié)合，在一定程度上改善了學(xué)習(xí)者的積極性[6-7]，然而現(xiàn)實中基于網(wǎng)頁的運用了學(xué)習(xí)風(fēng)格模型的自適應(yīng)系統(tǒng)仍存在著一些問題。一方面，獲取數(shù)據(jù)的方式較為單一，僅依靠學(xué)習(xí)者的主觀數(shù)據(jù)或鍵盤鼠標(biāo)獲取的人機交互數(shù)據(jù)，不足以精確地驅(qū)動系統(tǒng)對學(xué)習(xí)風(fēng)格的自適應(yīng)。另一方面，由于基于網(wǎng)頁的方式無法提供便捷的實驗操作場所，使得工科中偏好于通過動手實操對知識進行深入理解的學(xué)習(xí)者無處施展。此外，基于二維的知識展示方式較為單調(diào)枯燥，容易導(dǎo)致學(xué)習(xí)者的學(xué)習(xí)動機的下降。

虛擬現(xiàn)實（virtual reality，VR）技術(shù)突破了時間空間的束縛，具有沉浸性、構(gòu)想性和交互性的優(yōu)勢，使其在教育領(lǐng)域中得到廣泛的運用[8-9]。而將VR技術(shù)運用在自適應(yīng)學(xué)習(xí)中，不僅能夠克服環(huán)境的局限，而且可以收集多模態(tài)的互動數(shù)據(jù)用于驅(qū)動交互環(huán)境進行全方面的自適應(yīng)，促使學(xué)習(xí)者更有效的學(xué)習(xí)。針對上述情況，本研究將VR技術(shù)引入到基于學(xué)習(xí)風(fēng)格的自適應(yīng)系統(tǒng)。首先，VR技術(shù)模擬沉浸式的虛擬課堂，允許學(xué)習(xí)者自然地進行多感知的交互，由此獲取的數(shù)據(jù)既精準又充足，再配合于虛擬環(huán)境中豐富的自適應(yīng)手段，可以準確地驅(qū)動系統(tǒng)適配于學(xué)習(xí)者各異的學(xué)習(xí)風(fēng)格，給予學(xué)習(xí)者個性化程度較高的教學(xué)體驗，最大程度地發(fā)揮學(xué)習(xí)者的潛力和天分。其次，虛擬環(huán)境滿足了工科教育中通過實踐操作進行知識遷移的需要，促進學(xué)習(xí)者完成理論與實踐的結(jié)合。最后，虛擬環(huán)境支持知識的多維度展示和交互，全方位地刺激學(xué)習(xí)者的感官和記憶，充分激發(fā)學(xué)習(xí)者的學(xué)習(xí)動機。

綜上所述，本研究基于學(xué)習(xí)風(fēng)格提出了一種自適應(yīng)式VR交互方法。該方法設(shè)計了適用于虛擬交互環(huán)境的學(xué)習(xí)風(fēng)格判斷方式，通過分析學(xué)習(xí)者的主客觀數(shù)據(jù)來判斷其學(xué)習(xí)風(fēng)格，然后根據(jù)判斷結(jié)果對虛擬交互環(huán)境進行持續(xù)的自適應(yīng)調(diào)整，使學(xué)習(xí)者在滿足自身偏好的環(huán)境中進行交互，激發(fā)學(xué)習(xí)者的學(xué)習(xí)動機，改善學(xué)習(xí)成績。為了驗證該方法對學(xué)習(xí)風(fēng)格判斷的精準度、學(xué)習(xí)者的學(xué)習(xí)動機和學(xué)習(xí)成績的影響，本研究構(gòu)建了一套面向工科教育的虛擬現(xiàn)實交互系統(tǒng)（virtual reality interaction system for engineering education，VRIS-EE）進行對照實驗予以檢驗。

1 研究思路

本研究通過構(gòu)建對學(xué)習(xí)風(fēng)格自適應(yīng)的虛擬交互環(huán)境，使學(xué)習(xí)者在適配于自身學(xué)習(xí)偏好的空間中交互，由此實現(xiàn)授課者長久以來期冀的“因材施教”的目的。研究思路如圖1所示，首先，根據(jù)學(xué)習(xí)者初次在虛擬環(huán)境中產(chǎn)生的交互數(shù)據(jù)對學(xué)習(xí)風(fēng)格進行判斷，然后憑借判斷結(jié)果對虛擬環(huán)境進行自適應(yīng)調(diào)整。最后，學(xué)習(xí)者在調(diào)整過的虛擬環(huán)境中再次交互將生成新的數(shù)據(jù)，用于后續(xù)學(xué)習(xí)風(fēng)格的判斷以及虛擬交互環(huán)境的自適應(yīng)調(diào)整進行螺旋循環(huán)迭代，從而通過不斷調(diào)整虛擬交互環(huán)境以持續(xù)自適應(yīng)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格。

圖1 研究思路Fig.1 Idea of method

2 學(xué)習(xí)偏好

不同學(xué)習(xí)風(fēng)格的學(xué)習(xí)者有著不同的學(xué)習(xí)偏好，體現(xiàn)在與虛擬環(huán)境的交互上也相應(yīng)存在差異。因此，學(xué)習(xí)偏好既是判斷學(xué)習(xí)風(fēng)格的憑證，也是虛擬交互環(huán)境進行自適應(yīng)調(diào)整的依據(jù)。本研究采用的學(xué)習(xí)風(fēng)格模型是FSLSM[5]，該模型將工科教育中學(xué)習(xí)者的學(xué)習(xí)風(fēng)格分為四個維度：主動和反思、感官和直覺、視覺和語言以及順序和全局，每一個學(xué)習(xí)者的學(xué)習(xí)風(fēng)格都是這四個維度的組合。此外，對學(xué)習(xí)風(fēng)格維度中兩極的傾向都較小為中性風(fēng)格。

主動型的學(xué)習(xí)者傾向與他人交流學(xué)習(xí)，善于團隊合作，喜歡從動手實操中獲取知識。而反思型的學(xué)習(xí)者喜歡獨立思考材料，通過借鑒別人的經(jīng)驗得到進步。

感官型的學(xué)習(xí)者喜歡強調(diào)事實和數(shù)據(jù)的材料，解決問題時傾向于用標(biāo)準的方法且較為耐心。而直覺型的學(xué)習(xí)者喜歡強調(diào)原理和理論的材料，比起感官型更具創(chuàng)新能力，但耐心較為不足。

視覺型的學(xué)習(xí)者最容易記住他們看到的東西：圖片、圖表、流程圖和視頻等。而語言型的學(xué)習(xí)者則更能從以文本形式呈現(xiàn)的材料中獲取知識。

順序型的學(xué)習(xí)者喜歡包含較多細節(jié)的材料，傾向于遵循步驟地獲取知識。而全局型的學(xué)習(xí)者憑直覺進行隨機學(xué)習(xí)，他們在學(xué)習(xí)足夠多的材料后，就可以宏觀地理解并掌握知識。因此，大綱和概述類的材料對全局型的學(xué)習(xí)者很重要。

3 學(xué)習(xí)風(fēng)格的判斷

根據(jù)學(xué)習(xí)偏好的描述，對學(xué)習(xí)者在學(xué)習(xí)過程中的行為進行分析，可以獲取到判斷學(xué)習(xí)者的學(xué)習(xí)風(fēng)格的有用信息。學(xué)習(xí)風(fēng)格指數(shù)（index of learning style，ILS）[5]問卷是FSLSM中基于各維度學(xué)習(xí)風(fēng)格的偏好所創(chuàng)建的評分工具，可以判斷出學(xué)習(xí)者對學(xué)習(xí)風(fēng)格的傾向程度。傳統(tǒng)的課堂由于受限于環(huán)境，很難觀察和分析學(xué)習(xí)者的行為，因此大多是依靠ILS問卷來衡量學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，要求學(xué)習(xí)者對自身進行評價。然而，這種方式存在著很多缺陷，由于問卷取決于學(xué)習(xí)者的判斷，一旦問卷測試時間過長，或者學(xué)習(xí)者不知道問卷的用途和后果，他們往往會不經(jīng)過仔細思考而隨意回答，從而導(dǎo)致結(jié)果的誤判。此外，Truong[4]認為ILS問卷只是在某個時間點完成的，而學(xué)習(xí)風(fēng)格雖然是相當(dāng)穩(wěn)定的指標(biāo)，但可能會隨著時間而改變。因此，僅依靠ILS問卷進行學(xué)習(xí)風(fēng)格的判斷具有準確性存疑的問題，而根據(jù)可能誤判的學(xué)習(xí)風(fēng)格對教學(xué)環(huán)境進行調(diào)整也存在著弊端。對于學(xué)習(xí)風(fēng)格傾向程度不高的學(xué)習(xí)者，或?qū)⒃谝呀?jīng)具有學(xué)習(xí)風(fēng)格特性的教學(xué)環(huán)境中隨波逐流，從而無法體現(xiàn)出自身真正的學(xué)習(xí)偏好，導(dǎo)致后續(xù)由交互數(shù)據(jù)驅(qū)動的自適應(yīng)失去了意義。

針對上述情況，為了精準地判斷學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，本研究設(shè)計了適用于虛擬交互環(huán)境的學(xué)習(xí)風(fēng)格判斷方式。判斷流程如圖2所示，將初始的虛擬交互環(huán)境設(shè)定為中性風(fēng)格，旨在對學(xué)習(xí)者不進行指向性引導(dǎo)，由此獲取到由第一輪的交互數(shù)據(jù)判斷得出的學(xué)習(xí)風(fēng)格，將其視為客觀評判基準。然后將ILS問卷判斷得出的學(xué)習(xí)風(fēng)格視為主觀評判基準，比較主客觀基準判斷得出的各維度的學(xué)習(xí)風(fēng)格是否相同，如果兩者的學(xué)習(xí)風(fēng)格不同則輸出中性風(fēng)格，學(xué)習(xí)風(fēng)格相同則保持當(dāng)前風(fēng)格，由對比后得出的學(xué)習(xí)風(fēng)格將作為虛擬交互環(huán)境進行自適應(yīng)調(diào)整的參考依據(jù)。學(xué)習(xí)者在調(diào)整后的虛擬環(huán)境中再次學(xué)習(xí)后，可以獲取到由第X(X∈N,N表示大于1的正整數(shù)）輪交互數(shù)據(jù)判斷的學(xué)習(xí)風(fēng)格。將其與由第X-1輪交互數(shù)據(jù)判斷的學(xué)習(xí)風(fēng)格進行比較，判斷兩者得出的結(jié)果是否完全一致。假如結(jié)果不一致，將兩者的學(xué)習(xí)風(fēng)格進行各維度的逐一比較，學(xué)習(xí)風(fēng)格不同則輸出中性風(fēng)格，相同則保持當(dāng)前風(fēng)格，由此輸出學(xué)習(xí)風(fēng)格進行后續(xù)的迭代。假如結(jié)果一致，將結(jié)果視為學(xué)習(xí)者在該階段的學(xué)習(xí)風(fēng)格，并對虛擬交互環(huán)境進行自適應(yīng)的調(diào)整，從而結(jié)束學(xué)習(xí)風(fēng)格判斷流程。通過該方式的持續(xù)判斷迭代，可以動態(tài)且精確地獲取到學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，從而有依據(jù)地調(diào)整虛擬交互環(huán)境，使其適應(yīng)于學(xué)習(xí)者的真實的學(xué)習(xí)風(fēng)格。

圖2 學(xué)習(xí)風(fēng)格判斷流程Fig.2 Workflow of learning style identification mode

3.1 判斷學(xué)習(xí)風(fēng)格的交互模式

在上述判斷方式中，學(xué)習(xí)者產(chǎn)生的交互數(shù)據(jù)對判斷學(xué)習(xí)風(fēng)格的影響毋庸置疑。傳統(tǒng)課堂的方式不便于獲取和分析交互數(shù)據(jù)，而基于網(wǎng)頁的自適應(yīng)方式，由于僅僅依靠與鼠標(biāo)鍵盤的交互產(chǎn)生數(shù)據(jù)，存在著數(shù)據(jù)片面且準確率存疑的問題。例如，當(dāng)學(xué)習(xí)者瀏覽某個網(wǎng)絡(luò)課程時，光標(biāo)停留的位置未必是眼睛所瀏覽的區(qū)域，從而無法獲取到學(xué)習(xí)者準確的瀏覽時長。然而在虛擬交互環(huán)境中，由頭盔發(fā)出的射線可以模擬學(xué)習(xí)者的視線，由手柄產(chǎn)生的交互數(shù)據(jù)可以識別學(xué)習(xí)者的操作狀態(tài)。因此，為了精確地判斷學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，本研究對學(xué)習(xí)者使用頭盔和手柄與虛擬環(huán)境之間的交互進行了數(shù)據(jù)收集。

虛擬交互環(huán)境中具有多模態(tài)的交互手段和豐富的知識展示方式，學(xué)習(xí)者可以根據(jù)個人偏好進行自由交互。由于不同學(xué)習(xí)風(fēng)格的學(xué)習(xí)者在交互行為上的表現(xiàn)具有差異性，為了高效地判斷學(xué)習(xí)風(fēng)格，因此需要有針對性地監(jiān)聽可用于判斷學(xué)習(xí)風(fēng)格的交互行為。根據(jù)第2章對學(xué)習(xí)偏好的描述，本研究制定了虛擬環(huán)境中判斷各維度學(xué)習(xí)風(fēng)格的交互模式。模式如表1所示，第一行列舉了四個維度的學(xué)習(xí)風(fēng)格，各列展示了相應(yīng)維度可用于判斷學(xué)習(xí)風(fēng)格的交互模式，并分別從主動、感官、視覺和順序?qū)W習(xí)風(fēng)格的角度，使用“+”和“-”來表示對應(yīng)交互模式發(fā)生頻率的高低。通過對表中所列舉的交互進行監(jiān)聽，可以獲取到學(xué)習(xí)風(fēng)格判斷的相關(guān)提示。

例如，主動型的學(xué)習(xí)者在學(xué)習(xí)上較為主動，傾向于自己嘗試解決問題，因此可能較少地訪問例子對象。然而頻繁的發(fā)帖交流、大量的實驗操作和較多的自我測試卻可以提示學(xué)習(xí)者屬于主動風(fēng)格。相反，反思型的學(xué)習(xí)者更喜歡思考和借鑒他人的意見，因此可以假設(shè)他們會花費更多時間記錄課堂內(nèi)容和查看自我測試的結(jié)果。此外，實驗操作的取消也可以作為判斷的依據(jù)，反思型的學(xué)習(xí)者較有可能在多次思考后取消先前的實驗操作。

3.2 交互的閾值劃分

制定了用于判斷各維度學(xué)習(xí)風(fēng)格的交互模式后，還需對交互模式進行閾值的劃分，由此才能直觀地通過交互數(shù)據(jù)分析出學(xué)習(xí)者對學(xué)習(xí)風(fēng)格的傾向。Graf[6]認為閾值應(yīng)根據(jù)課程的特征來調(diào)整，因此本研究結(jié)合實際課程制定了表1中所列交互的閾值。對于發(fā)帖、自我測試、實驗操作的交互次數(shù)，使用課程所提供相關(guān)題數(shù)的75%和150%作為閾值。對于各類問題的成績，使用滿分的50%和75%作為閾值。對于取消實驗操作的次數(shù)，使用實際有效實驗操作交互次數(shù)的10%和20%作為閾值。對于筆記本、論壇、大綱和自我測試的交互時間以及例子對象、內(nèi)容對象、大綱、論壇、全局學(xué)習(xí)界面和順序?qū)W習(xí)界面的交互次數(shù)，使用對這類教學(xué)材料有很大興趣的學(xué)生的預(yù)期花費時間和交互次數(shù)的50%和75%作為閾值。對于自我測試結(jié)果交互時間，使用實際有效自我測試交互時間的30%和60%作為閾值。

表1 判斷各維度學(xué)習(xí)風(fēng)格的交互模式Table 1 Interaction mode for identifying learning style of each dimension

3.3 學(xué)習(xí)風(fēng)格的量化

通過閾值的劃分，學(xué)習(xí)者產(chǎn)生的交互數(shù)據(jù)將位于高中低三個區(qū)間，對應(yīng)四個值的提示。交互數(shù)據(jù)位于高區(qū)間意味著學(xué)習(xí)者對相應(yīng)的學(xué)習(xí)風(fēng)格有著強烈的正傾向，則提示值為3。中區(qū)間代表沒有傾向，則提示值為2。低區(qū)間代表強烈的負傾向，則提示值為1。假如沒有相關(guān)的交互數(shù)據(jù)，則提示值為0。在得到交互數(shù)據(jù)對應(yīng)的提示值后，通過下列公式可以將學(xué)習(xí)者對學(xué)習(xí)風(fēng)格的傾向進行量化：

其中，公式（1）的dim是維度，i是交互，lsdim是該維度的學(xué)習(xí)風(fēng)格傾向，Ndim是該維度收集到的所有可用交互提示值的數(shù)量，hdim,i是交互對應(yīng)的提示值。將所有可用提示值求和并除以可用交互提示值的數(shù)量，就得到了相應(yīng)學(xué)習(xí)風(fēng)格傾向lsdim的數(shù)值。公式（2）是將公式（1）計算出的lsdim進行歸一化處理，由此得到nlsdim的值，當(dāng)值為0表示強烈的負傾向，1表示強烈的正傾向，0.5表示為中性。

通過對交互數(shù)據(jù)的閾值劃分和計算，可以將學(xué)習(xí)者對各維度學(xué)習(xí)風(fēng)格的傾向量化為0-1的數(shù)值，由此獲取到由交互數(shù)據(jù)判斷的學(xué)習(xí)風(fēng)格，然后將判斷結(jié)果代入到圖2的學(xué)習(xí)風(fēng)格判斷方式的流程中，對學(xué)習(xí)風(fēng)格的后續(xù)判斷進行持續(xù)迭代。

4 自適應(yīng)式虛擬交互環(huán)境的構(gòu)建

學(xué)習(xí)風(fēng)格的判斷為虛擬交互環(huán)境的自適應(yīng)提供了依據(jù)。傳統(tǒng)課堂的方式下教師很難改變教學(xué)策略去適應(yīng)每一位學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，而基于網(wǎng)頁的自適應(yīng)系統(tǒng)運用學(xué)習(xí)風(fēng)格模型進行授課，在一定程度上提供了個性化教學(xué)，但由于教學(xué)環(huán)境的限制，大多數(shù)的相關(guān)研究[10-12]是通過調(diào)整教學(xué)環(huán)境中的教學(xué)材料、展示內(nèi)容和導(dǎo)航內(nèi)容來自適應(yīng)學(xué)習(xí)者。而VR技術(shù)的引入提供了更多的自適應(yīng)選項，例如場景屬性、交互對象、用戶交互以及聲音等[13]。

由于FSLSM[5]并未對學(xué)習(xí)者關(guān)于用戶交互和聲音的偏好進行學(xué)習(xí)風(fēng)格的分類，因此本研究將虛擬交互環(huán)境中的教學(xué)材料、展示內(nèi)容、導(dǎo)航內(nèi)容、場景屬性和交互對象作為自適應(yīng)的選項。自適應(yīng)內(nèi)容如表2所示，通過調(diào)整虛擬交互環(huán)境中教學(xué)材料的內(nèi)容、允許展示的交互對象、導(dǎo)航過程中著重引導(dǎo)的內(nèi)容、場景的燈光以及交互對象的大小和位置，構(gòu)建滿足學(xué)習(xí)者學(xué)習(xí)偏好的虛擬交互環(huán)境。初始構(gòu)建的虛擬交互環(huán)境為中性風(fēng)格，在判斷出學(xué)習(xí)者的學(xué)習(xí)風(fēng)格后，虛擬交互環(huán)境需要經(jīng)過調(diào)整以適應(yīng)不同的學(xué)習(xí)風(fēng)格，因此虛擬交互環(huán)境包含初始構(gòu)建和自適應(yīng)學(xué)習(xí)風(fēng)格兩個階段。

表2 自適應(yīng)內(nèi)容Table 2 Adaptation content

4.1 初始構(gòu)建的虛擬交互環(huán)境

初始構(gòu)建的虛擬交互環(huán)境為中性風(fēng)格，需提供各類學(xué)習(xí)風(fēng)格的學(xué)習(xí)者偏好的交互對象。根據(jù)表1可知，交互對象包含自我測試、實驗操作、例子對象、內(nèi)容對象、大綱、筆記本、論壇、順序?qū)W習(xí)界面和全局學(xué)習(xí)界面。初始構(gòu)建的虛擬交互環(huán)境如圖3所示，模擬了傳統(tǒng)課堂的環(huán)境，提供了實驗、視頻、論壇、大綱、幻燈片、筆記本、自我測試、順序?qū)W習(xí)界面和全局學(xué)習(xí)界面，并設(shè)立監(jiān)聽功能來獲取學(xué)習(xí)者的交互數(shù)據(jù)。此外，還開放了虛擬交互環(huán)境的接口以進行后續(xù)的自適應(yīng)調(diào)整。

圖3 初始構(gòu)建的虛擬交互環(huán)境Fig.3 Preliminary constructed virtual interactive environment

4.2 自適應(yīng)學(xué)習(xí)風(fēng)格的虛擬交互環(huán)境

不同學(xué)習(xí)風(fēng)格的學(xué)習(xí)者的偏好各異，因此對應(yīng)的虛擬交互環(huán)境自適應(yīng)策略也有所不同。根據(jù)第2章對學(xué)習(xí)偏好的描述，本研究針對不同學(xué)習(xí)風(fēng)格制定了差異性的自適應(yīng)策略。自適應(yīng)策略如表3所示，列舉了各類學(xué)習(xí)風(fēng)格對于虛擬交互環(huán)境中的教學(xué)材料、展示內(nèi)容、導(dǎo)航內(nèi)容、場景屬性和交互對象的調(diào)整策略，基于策略的調(diào)整可以促使環(huán)境滿足學(xué)習(xí)者的交互偏好，由此實現(xiàn)虛擬交互環(huán)境自適應(yīng)學(xué)習(xí)風(fēng)格的目的。

假設(shè)學(xué)習(xí)者被判斷為主動/感官/視覺/順序的學(xué)習(xí)風(fēng)格，該類風(fēng)格對應(yīng)于表3中的自適應(yīng)策略為提供包含較多事實、數(shù)據(jù)、實際解決問題的方法、具體例子、圖表、圖片、圖形和邏輯順序的教學(xué)材料。虛擬交互環(huán)境中的實驗、自我測試和順序?qū)W習(xí)界面的交互對象被增大，置于場景的中心位置高亮展示，并在導(dǎo)航過程中被著重引導(dǎo)交互。視頻和幻燈片的交互對象被普通展示，而論壇、大綱、筆記本和全局學(xué)習(xí)界面的交互對象被以鏈接的形式展示。自適應(yīng)前后的虛擬交互環(huán)境如圖4所示，圖（a）中性風(fēng)格的虛擬交互環(huán)境通過自適應(yīng)調(diào)整后，轉(zhuǎn)變?yōu)閳D（b）適應(yīng)主動/感官/視覺/順序風(fēng)格的學(xué)習(xí)者偏好的虛擬交互環(huán)境。

表3 自適應(yīng)策略Table 3 Adaptation strategy

圖4 自適應(yīng)前后的虛擬交互環(huán)境Fig.4 Virtual interactive environment before and after adaptation

5 實驗與評估

為了證明基于學(xué)習(xí)風(fēng)格的自適應(yīng)式VR交互方法的可行性，本研究使用Java EE框架搭建服務(wù)端，HTC VIVE作為客戶端，基于Unity 3D構(gòu)建了VRIS-EE，將其與基于網(wǎng)頁的自適應(yīng)系統(tǒng)采用對照實驗研究，并對實驗結(jié)果進行分析討論。

5.1 實驗?zāi)康暮头椒?/h3>

VRIS-EE通過引入VR技術(shù)來提高判斷學(xué)習(xí)風(fēng)格的精確度，然后根據(jù)判斷結(jié)果對虛擬交互環(huán)境進行自適應(yīng)調(diào)整，促使交互環(huán)境適配于學(xué)習(xí)者的學(xué)習(xí)偏好，從而激發(fā)學(xué)習(xí)者的學(xué)習(xí)動機，改善學(xué)習(xí)成績。因此，本研究將VRIS-EE與基于網(wǎng)頁的應(yīng)用學(xué)習(xí)風(fēng)格的自適應(yīng)教學(xué)方式對比，對三個問題進行了研究。問題一，VR技術(shù)的引入能否提高判斷學(xué)習(xí)風(fēng)格的精確度?問題二，VR技術(shù)的引入對學(xué)習(xí)者的學(xué)習(xí)動機的影響是否更為積極?問題三，VR技術(shù)的引入是否對學(xué)習(xí)者的學(xué)習(xí)成績的改善更有效?

關(guān)于問題一，本研究參考García[14]的公式來計算精準度：

公式（3）中的LSidentified是通過交互數(shù)據(jù)判斷的學(xué)習(xí)風(fēng)格，LSILS是通過ILS問卷判斷的學(xué)習(xí)風(fēng)格。函數(shù)Sim是比較兩個參數(shù)LSILS和LSidentified，如果相同返回1，如果一個為中性的風(fēng)格返回0.5，如果各為維度的兩極返回0。n是參與測試的實驗人數(shù)，將n個比較結(jié)果的值相加除以n并轉(zhuǎn)化為百分比的形式就得到精準度P的值。

關(guān)于問題二，本研究對學(xué)習(xí)者進行教學(xué)材料動機調(diào)查（instructional materials motivation survey，IMMS）[15]。IMMS旨在調(diào)查學(xué)習(xí)者在學(xué)習(xí)過程中的學(xué)習(xí)動機，通過36道題目測量影響學(xué)習(xí)動機的四個因素的得分：注意力、相關(guān)性、自信度和滿意度。由于IMMS的部分問題與實驗無關(guān)，因此本研究排除了8個問題，剩下的28個問題進行文字改造后可適用于評估。所有學(xué)習(xí)者被要求以5分制的李克特量表（1分：完全不同意~5分：非常同意）來回答所有的題目。

關(guān)于問題三，本研究將實驗組和對照組的學(xué)前測試、學(xué)后測試和延后測試的成績作為評估的依據(jù)。通過學(xué)前測試成績的比較可以判斷兩個小組是否具有相同的先驗知識。通過學(xué)后測試和延后測試得分的對比可以得出在不同的條件下，實驗組和對照組的學(xué)習(xí)效果是否存在差異。

5.2 實驗流程

根據(jù)上述描述，本研究邀請了30名受測者參與實驗，平均年齡在20歲左右。他們被隨機分為A與B兩組，其中A組由10名男生與5名女生組成，B組包括10名男生和5名女生。實驗選用工科教育中的電路課程作為教學(xué)內(nèi)容，實驗流程如圖5所示，分為學(xué)前測試、學(xué)習(xí)過程、學(xué)后測試、問卷調(diào)查和延后測試五個階段。學(xué)前測試是對學(xué)習(xí)者先驗知識的評估。在學(xué)習(xí)過程中，兩組學(xué)習(xí)者在不同的環(huán)境中學(xué)習(xí)相同的教學(xué)材料。A組在一款基于網(wǎng)頁的運用了學(xué)習(xí)風(fēng)格模型的自適應(yīng)系統(tǒng)“酷學(xué)習(xí)”（kuxuexi.com）中學(xué)習(xí)，B組使用VRIS-EE進行學(xué)習(xí)。學(xué)后測試是對學(xué)習(xí)者的學(xué)習(xí)成果進行檢驗，所有學(xué)習(xí)者完成學(xué)后測試后，需要對IMMS[15]進行填寫，回答關(guān)于課程的感受。一個月后，學(xué)習(xí)者將進行延后測試，學(xué)前測試、學(xué)后測試和延后測試的總分均為40分，持續(xù)時間為20 min。

圖5 實驗流程Fig.5 Process of experiment

5.3 實驗結(jié)果與討論

表4展示了由第一輪交互數(shù)據(jù)判斷的學(xué)習(xí)風(fēng)格和ILS問卷判斷的學(xué)習(xí)風(fēng)格代入公式（3）的結(jié)果。P值從75%至85%，這表明該方法對于判斷四個維度的學(xué)習(xí)風(fēng)格都有較高的精準度。關(guān)于問題一，本研究選取了Graf[6]的基于網(wǎng)頁的通過鼠標(biāo)鍵盤獲取數(shù)據(jù)的自適應(yīng)方法作為比較對象。結(jié)果如表4所示，VRIS-EE在各個維度判斷學(xué)習(xí)風(fēng)格的精度都略優(yōu)于基于網(wǎng)頁的方式，表明引入VR技術(shù)對提高交互數(shù)據(jù)的數(shù)量和精度有正面影響，導(dǎo)致風(fēng)格判斷的精準度上升。

表4 學(xué)習(xí)風(fēng)格判斷結(jié)果比較Table 4 Comparison of learning style identification results %

IMMS評分結(jié)果如表5所示，A組學(xué)習(xí)者的注意力、相關(guān)度、自信度和滿意度的平均值都略低于B組，進行單因素方差分析后，發(fā)現(xiàn)兩組在注意力和滿意度的得分有顯著差異，且IMMS總分的差異也具有統(tǒng)計意義。因此，關(guān)于問題二，VR技術(shù)的引入對學(xué)習(xí)者的學(xué)習(xí)動機有著更為積極的影響。此外，實驗過程中發(fā)現(xiàn)B組的學(xué)習(xí)者在學(xué)習(xí)時比A組更為積極，較少出現(xiàn)注意力分散的現(xiàn)象。

表5 IMMS評分結(jié)果Table 5 Score results of IMMS

兩組學(xué)習(xí)者的學(xué)前測試、學(xué)后測試和延后測試的成績結(jié)果如表6所示，A組學(xué)前測試的平均值為24.6（標(biāo)準差=3.3），B組的平均值為25.8（標(biāo)準差=2.8），采用單因素方差分析對這兩組學(xué)前測試的值進行分析，結(jié)果顯示兩組學(xué)前測試的數(shù)值沒有顯著性差異，這表明兩組的先驗知識水平相同。學(xué)后測試中A組的平均值為32.4（標(biāo)準差=3.4），B組的平均值為36.8（標(biāo)準差=2.3），B組的成績較高于A組。以學(xué)前測試得分作為協(xié)變量，學(xué)后測試的成績作為因變量，進行協(xié)方差分析。結(jié)果顯示，兩組學(xué)后測試的成績有顯著性差異，且B組的前后成績的效應(yīng)量（Cohen’s d）的值為0.637，表明學(xué)習(xí)成績得到大幅度改善。同樣將兩組的延后測試的成績與學(xué)前測試的成績進行協(xié)方差分析，發(fā)現(xiàn)兩組成績的差異有統(tǒng)計意義，B組成績的平均值30.8（標(biāo)準差=4.2）較高于A組的平均值27.4（標(biāo)準差=2.5）。因此，關(guān)于問題三，實驗結(jié)果表明引入VR技術(shù)能夠更有效地改善學(xué)習(xí)者的學(xué)習(xí)成績，并對學(xué)習(xí)者的知識持續(xù)記憶也有所幫助。

表6 測試成績Table 6 Result of tests

6 結(jié)束語

本研究提出了一種基于學(xué)習(xí)風(fēng)格的自適應(yīng)式VR交互方法，并以此理論面向工科構(gòu)建了一套虛擬現(xiàn)實交互系統(tǒng)。該方法通過收集學(xué)習(xí)者的主客觀數(shù)據(jù)判斷學(xué)習(xí)風(fēng)格，然后參照判斷結(jié)果對虛擬交互環(huán)境進行自適應(yīng)調(diào)整，學(xué)習(xí)者在調(diào)整后的環(huán)境中再次交互將產(chǎn)生新的數(shù)據(jù)，由此對學(xué)習(xí)風(fēng)格的判斷以及虛擬交互環(huán)境的調(diào)整進行循環(huán)迭代。該方法既解決了基于網(wǎng)頁的自適應(yīng)教學(xué)系統(tǒng)的獲取數(shù)據(jù)不精確的問題，也解決了缺乏實驗操作的問題，還提供給學(xué)習(xí)者個性化程度較高的學(xué)習(xí)體驗。實驗結(jié)果證明，該方法改善了判斷學(xué)習(xí)風(fēng)格的精準度，對學(xué)習(xí)者的學(xué)習(xí)動機和學(xué)習(xí)成績有著積極的影響，實現(xiàn)了“因材施教”的教育理念。

本研究通過借助VR技術(shù)幫助學(xué)習(xí)者改善了學(xué)習(xí)效果，但仍然存在一些問題。首先，關(guān)于虛擬環(huán)境中用戶交互行為和聲音的自適應(yīng)方式尚未考慮在內(nèi)。其次，涉及學(xué)習(xí)者與教師之間的反饋問題值得深入探討。因此，本研究后續(xù)的任務(wù)是探究如何在虛擬環(huán)境中尋找更多的自適應(yīng)手段，以及如何根據(jù)學(xué)習(xí)風(fēng)格模型建立教師與學(xué)習(xí)者之間的反饋，為學(xué)習(xí)者提供更為全面的個性化交互體驗。