楊松 張妤 張勇 管雪梅

摘? 要：大學生線上線下混合式教學中存在問題產生原因之一是缺乏對網絡環(huán)境下學生行為數據的分析，從而無法判斷學生的學習風格。因而基于數據挖掘技術，利用網絡學習平臺收集過程控制工程課程學習行為數據，建立基于灰狼算法優(yōu)化支持向量機構建多維度的學習風格模型，處理和預測其可能的學習風格。有助于教師及時掌握學生動態(tài)，調整線上線下混合式教學方案，實現因材施教的個性化教學模式。

關鍵詞：學習風格；灰狼算法；模型預測；學習行為；個性化教學

中圖分類號：G640? ? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2096-000X（2024）05-0049-05

Abstract： One of the reasons for the problems in the online and offline hybrid teaching of college students is the lack of analysis of students' behavior data in the network environment， so it is impossible to judge students' learning style. Based on the data mining technology， this paper collects the learning behavior data of Process Control Engineering course by using the network learning platform， establishes a multi-dimensional learning style model based on the Grey Wolf algorithm optimization support vector mechanism， and processes and predicts its possible learning styles. This research is helpful for teachers to grasp the students' trends in time， adjust the mixed teaching scheme of online and offline， and realize the individualized teaching mode of individualized teaching.

Keywords： learning style; Grey Wolf algorithm; model prediction; learning behavior; individualized teaching

近年突如其來的新冠感染疫情，導致大學生只能轉為網絡在線學習。雖然高校實現停課不停學，但是在全新的網絡授課模式下，教師與學生在空間上是分離的，教師缺乏有效的手段去掌握學生學習過程和學習動態(tài)。這就導致部分學生學習效果不佳、成績下降。出現了諸如學生時間管理不合理，效率低；在巨量的網絡資源面前，學生不知從何學起；學習過程中持續(xù)動力不足，易放棄，學習興趣不濃等問題。分析其原因，其中很重要的一條就是缺乏對學生學習行為數據的深入分析。所以在網絡教學中若要實現根據學生學習行為特點授課，就需要思考采用什么方法通過學生們的學習行為數據推斷學生們的具體學習風格。如今，在后疫情時代，網絡授課并沒有停止，而是更廣泛地應用于線上線下混合式教學。因而對網絡教學中學生學習風格的研究也有著重要意義。

早在2005年，馬來西亞的國際伊斯蘭大學就開展了對學習管理系統(tǒng)的研究[1]。2006年，國內研究者彭文輝等[2]給出了一個基于網絡學習行為分析的學習平臺結構，但沒有用數據驗證其有效性。2012年，魏順平[3]根據網絡日志，探索在線學習行為的影響因素。但并沒有對學生的學習風格進行劃分。

目前，對于學習風格的研究，大多采用的方法有兩個：協(xié)作，用問卷調查獲得的數據建立模型判斷學習風格，但問卷帶有主觀性，不能反映出學生的真實風格；自動識別，通過對學習行為數據的自動采集，利用一定的計算規(guī)則，大多采用機器學習算法計算其學習風格，比如貝葉斯網絡、神經網絡等，但在數據的獲取方面存在一定的困難[4]。

支持向量機（Support Vector Machines，SVM）的出現，在處理小樣本以及非線性數據問題上，提供了良好的建模性能，進而使預測結果也更加準確。但其參數設置會對預測結果有較大影響，因而考慮優(yōu)化SVM網絡參數。灰狼算法（Grey Wolf Optimization，GWO）具有良好的自組織學習性，而且參數簡單、全局搜索能力強、收斂速度快、易于實現[5]。綜上所述，可以使用GWO對SVM進行優(yōu)化，建立學習風格預測模型。

綜上所述，基于GWO-SVM算法，利用線上學習綜合平臺采集學習者的網絡學習行為數據，從多個維度構建大學生的在線學習風格模型，利用此預測模型對大學生的學習風格進行劃分，實現因材施教，進而達到針對性教育教學方式。對于學生自身，能幫助其發(fā)現潛在的學習風格，對于教師，能幫助其了解教學動態(tài)，以便動態(tài)調整教學方案，實現因材施教的個性化教學，也可為大規(guī)模、個性化和高質量的下一代智能學習平臺提供技術支撐。

一? 學習風格

1954年，學習風格（Learning Style）這個概念是由美國學者哈伯特·塞倫扭首次提出的，而學習風格一度被稱為“現代教學的真正基礎”。但國內外研究者們并沒有給學習風格一個確切的定義。Kinsella認為“學習風格是指個體長期堅持的一種偏愛方式，該方式是學習者在處理和分析獲取的知識的進程中所表現出來的慣有的方式”[2]。

最近，國內研究者們引用較多的是譚頂良教授給學習風格下的定義，譚教授[6]認為“學習風格是個體學習者所表現出的持續(xù)性的學習方式，囊括了學習者的在學習過程中的策略和傾向，展現出了學習者鮮明的個性”。將上述研究者們的觀點進行綜述，發(fā)現他們普遍都認為學習風格是學習者相對穩(wěn)定的學習方式，該學習方式能夠通過一定的學習行為進行展現。

（一）? 學習風格的分類

目前，比較有代表性的學習風格劃分模型有如下幾種[7]。

1? Kolb模型

Kolb模型是將學習風格置于學習者的學習過程中，同時依據學習風格的知覺及加工動力特性將學習風格劃分為聚合型、同化型、發(fā)散型、順應型四種類型[8]。

2? Lotas模型

研究者Lotas依據學習者心理的類型，將學習風格劃分為情感Ⅰ、情感Ⅱ、認知Ⅰ、認知Ⅱ四種類型[2]。

3? Felder-Silveman模型（簡稱FSLSM）

FSLSM是由國外研究者Felder和Soloman在1997年研發(fā)的，也是目前為止使用為廣泛的學習風格模型，該模型的主要研究內容有自適應的用戶建模、分析學習風格、推薦學習策略等，見表1[9]。

FSLSM擁有較強的信度與效度，而被相當多的研究人員所接受，其穩(wěn)定實用的教育教學效果也被眾多研究人員所證實，特別適用于線上教學，因此，本文選擇FSLSM。

（二）? 學習風格類型與網絡學習行為的匹配

1? 信息加工維度

活躍型，較多地利用網絡教學資源協(xié)助教學，傾向于學習者之間的交流。傾向在論壇中討論、回答問題，發(fā)帖數很大，論壇訪問時間很長，經常參加課堂互動。

沉思型，傾向獨自解決問題，學習者在做出下意識行為之前更傾向獨立認真思考。在論壇中閱貼數很大，很少回帖；擅于獨立認真思考每個問題，認為沒有錯誤后再提交正確答案，因此，提交答案的時間很長。

2? 信息感知維度

感悟型，喜歡事實和具體的學習材料，比較細心。在交作業(yè)前認真檢查，提交時間更長。傾向于用更多的文字來表達，通過在討論區(qū)發(fā)帖、回帖等行為來解決問題。

直覺型，思維更加靈活創(chuàng)新一些。學習者更注重抽象事物，線上訪問量大、時間充足，但是完成課堂預定內容數較少。

3? 信息輸入維度

視覺型，學習者擅長瀏覽網絡圖片、表格、視頻等網絡學習資源的時間充足、頻率較多。

言語型，學習者擅長閱讀以文本為主的學習資源，任務點完成率高。發(fā)帖、看帖多。

4? 信息理解維度

綜合型，傾向于全局思考，訪問教學大綱、知識點總結的次數多、時間長。學習天數多。

序列型，傾向于按照序列進行學習，點擊上一頁、下一頁導航按鈕的次數多。

二? GWO-SVM模型

（一）? SVM原理

由國外研究者Vapnik等提出了支持向量機（SVM）的概念，SVM的出現，在處理小樣本以及非線性數據問題上，提供了良好的建模性能，進而使預測結果也更加準確[10]。

SVM可以將小樣本以及非線性數據問題歸納為一個尋優(yōu)問題。

假設訓練樣本集為

式中：n表示樣本數，xi是第i個樣本，yi∈{-1，1}。

SVM的尋優(yōu)問題可轉化為下述約束優(yōu)化問題

式中：ω表示求解的最優(yōu)超平面的法向量；b表示偏移量，ωx+b=0即為所尋找的最優(yōu)超平面。

假設訓練樣本線性不可分，為求出最優(yōu)超平面，核函數k（xi，xj）必須滿足Mercer條件，即

k（xi，xj）=Φ（xi）·Φ（xj） 。 （2）

依據前文所述，選擇合適的核函數k（xi，xj），可實現非線性訓練樣本的線性分類。繼續(xù)引入松弛變量ξi后，分類面表達式可描述為

式中：ω表示分類面的權系數向量；b表示分類的域值。因此，可將尋優(yōu)問題轉化為

式中：c表示懲罰因子。

通過引入拉格朗日乘法算子之后，將核函數內積引入表達式（3）可以得到如下表達式

綜上所述，可以得到最優(yōu)分類面表達式

（二）? 灰狼優(yōu)化算法

1? 灰狼優(yōu)化算法概述

2014年，學者Mirjalili提出了灰狼優(yōu)化算法，模擬狼群家族的社會制度和狩獵策略，利用迭代的方式不斷尋優(yōu)的群優(yōu)化算法?；依莾?yōu)化算法，具有結構簡單、收斂速度快等優(yōu)點。

狼以群居為主，每個狼群中平均有7～12只狼，具有較為嚴格的等級制度[11]。按社會地位高低依次定義α、β、δ、ω狼，α為頭狼，β是α的顧問，δ聽從α和β的指示，ω負責跟蹤圍捕獵物。

2? 灰狼優(yōu)化算法數學模型

D為狼群與獵物的距離，其數學模型用公式（7）表示，狼群會根據獵物位置和D更新其位置，如式（8）所示

式中：X表示狼的位置向量；Xp表示獵物的位置向量；t表示當前迭代步；A、C表示可調整系數向量，使狼群迅速到達獵物周圍的不同位置，根據式（9）和（10）計算

式中：在迭代過程中，a從2到0線性減?。籸1和r2表示[0，1]之間的隨機向量。

首先，確定頭狼α，顧問β和δ到獵物的距離，由公式（11）所示，再根據公式（12），ω根據這3頭位置最優(yōu)的狼來更新自己位置。通過以上算法，即可得到最優(yōu)解

（三）? GWO-SVM模型構建

在SVM模型中，參數有著非常重要的作用，人為給定參數值會導致預測結果不理想，所以，優(yōu)化參數是非常有必要的。利用灰狼算法優(yōu)化SVM中的懲罰因子c和核參數σ這兩個參數，可以有效地提高SVM模型預測的準確率。

灰狼算法是一種有效的智能優(yōu)化算法，利用灰狼算法優(yōu)化SVM中的懲罰因子c和核參數σ這兩個參數的流程圖如圖1所示。

三? 基于GWO-SVM的學習風格模型

（一）? 學習風格預測模型的建立

通過上文剖析，選取學習者登錄線上學習平臺的時間、課程互動、作業(yè)提交時間、視頻觀看時長、發(fā)帖數、視頻反芻比、章節(jié)學習次數、回帖數、任務點完成數和訪問大綱次數等學習參數，作為量化學習行為的重要指標。在FSLSM的四大維度上，基于GWO-SVM對學習者的學習風格進行預測的流程圖如圖2所示。

選擇研究對象為東北林業(yè)大學機電工程學院過程控制工程在線課程的學生，在2021年3個月的學習過程中的10種學習行為變量為輸入變量，采集了164組數據，因為SVM模型對[0，1]范圍內的統(tǒng)計數據很敏感，所以，需要對SVM模型進行歸一化處理，并將其中的50%統(tǒng)計數據用作訓練集，其余50%統(tǒng)計數據用作測試集。然后用這些數據建立基于GWO-SVM的學習風格預測模型。其中，核函數選取我們熟知的RBF，懲罰因子c和核參數σ用灰狼算法進行優(yōu)化，同時，假設狼群數為10，最大迭代次數為10，懲罰因子c和核參數σ的搜索區(qū)間為[0.01，100]。最后，用測試集對學習風格模型的準確性進行評估。分類目標屬性分別是各個學習風格維度屬性。

（二）? 預測結果比較分析

分別通過問卷調查和GWO-SVM算法兩種方法對學習風格進行分類，得到了相同的80名大學生的兩組學習風格數據，具體情況見表2。

從表2數據中，首先可看出，兩種方法的分類結論是一致的，本學期過程控制工程課程中大部分被測學生的學習風格為活躍型、感悟型、視覺型與綜合型。但是兩種方法預測結果在數值上是存在一定差異的，分析其原因可以歸結為：其一，學生對自身的學習行為的認識不夠，調查問卷帶有一定的主觀性，學生對自己潛在的學習風格并不自知；其二，影響學習風格的因素是十分復雜的，只選取了十個網絡學習行為參數作為GWO-SVM模型輸入，因而會帶來兩種預測結果的差異。所以，為了更客觀地劃分學生在線學習的學習風格，同時弱化主觀因素對預測模型影響，對于兩種方法有不同學習風格劃分結果的學生，過程控制工程課程將按照GWO-SVM模型預測結果分類，進一步優(yōu)化分類過程，以期獲得滿意的研究效果。

其次，觀察表2中數據可以發(fā)現同一維度中，問卷調查結果人數相差越小，方法的差異率越小。如視覺型/言語型，問卷結果為54人/26人，差異率最低為7.5%。分析其原因，是有充分的訓練數據對應兩種風格，因而差異率越小。因而我們采集訓練數據時，盡量平均對應兩種風格。

最后，從表2的劃分結果可以看出，學生的學習風格偏向于感悟型和視覺型，這就引導授課教師在建設課程時，應多加一些視頻素材，PPT中多一些動畫素材等。同時，在整理學習行為數據時，教師能夠根據學生對課程資源的利用情況，合理增減資源。

（三）? 學習行為數據統(tǒng)計分析

綜上所述，在確定上述學習風格劃分的過程中，對學習者在線學習行為數據進行了詳細統(tǒng)計剖析。圖3為學生4月份的章節(jié)學習數量統(tǒng)計圖，從圖3中可以看出，學生在上課前1天和上課當天的學習量較大，課后1天明顯下降，呈規(guī)律性變化。并且學習量與課程難易程度成正比。

這說明學習者可以根據課前教師布置的預習任務，積極自主預習。這些數據對教師來說是非常有價值的反饋，實現了閉環(huán)教學。

另外統(tǒng)計了學生在一天中每個時間段的學習次數，如圖4所示。以4月30日為例，4月30日是課程前一天，當天50%以上同學在12點前完成了預習任務，90%以上同學在20點前完成了預習任務，說明大部分學生能夠很容易完成預習任務，預習任務難度適中。

四? 學習風格模型在教學中的應用

現階段，在校大學生的學習方式更多為線上線下混合式教學。因而，根據在線學習行為建立的學習風格除了能優(yōu)化在線教學之外，對線下教學也具有指導意義。依托一流自動化專業(yè)的人才培養(yǎng)方案和過程控制工程課程教學大綱，基于學習風格模型和學習行為數據統(tǒng)計分析，教師能夠更加深入地掌握學生的基本情況、學習偏好和學習心理。本學期過程控制工程大部分被測學生的學習風格為活躍型、感悟型、視覺型與綜合型?；钴S型，傾向于積極做事，喜歡團隊合作；感悟型，喜歡用已有的事實來考慮和解決問題，能按照合理的規(guī)程解決學習者學習過程中所面臨的問題；視覺型，學習者查看知識樹圖片、表格、視頻等學習資源；綜合型，喜歡總攬全局，再找解決問題的突破口。所以，教師適時調整和改善線下課程設計體現在以下三個方面。

（一）? 教學內容的優(yōu)化

在課前，教師提出預設問題，讓學生自主查找資料，采用團隊合作方式，給出解決方案。課中，重點分析難點概念，課件中增加圖表和視頻等素材。課后，要求學生將所學不同過程控制系統(tǒng)設計方案的相同內容進行對比和理解，繪制知識導圖，強化對知識的掌握。

（二）? 教學方法的改革

在教學方法上增加案例導入、討論交流和頭腦風暴環(huán)節(jié)。教師在授課過程中，增加實際電力拖動案例，讓學生真正地學以致用，極大地提高學生學習熱情。教師課堂采用問題導向能夠促使學生在討論交流和頭腦風暴時推進知識點的深入理解。

（三）? 教學手段的調整

在教學過程中，增加實踐環(huán)節(jié)，如水箱液位、鍋爐水溫控制系統(tǒng)設計對學習簡單、復雜過程系統(tǒng)設計是非常有幫助的。另外，課件中增加視頻材料，進而提高學生的學習興趣。

五? 結束語

通過建立基于GWO-SVM的多維度網絡學習風格模型，研究視角著眼于線上學習行為數據分析的不同層面，詳細剖析了學習者線上的學習風格特性，同時完善了學習者線上學習行為分析的指標體系，為教師的個性化線上線下混合教學提供了堅實的理論支持。另外，研究學習風格的建模方法，也可以為學習者自主學習體系建設奠定理論基礎。對于具有不同風格的學習者，給出不同的學習方案，比如學習內容的個性排序，學習資源的分類共享。最終實現因材施教的個性化教學，更為學習者提供愉悅的學習體驗。

參考文獻：

[1] ALIAS N A， ZAINUDDIN A M. Innovation for hetter teaching and learning： adopting the learning management system [J]. Malaysia： Malaysian Online Journal of Instructional Technology， 2005（2）：27-40.

[2] 彭文輝，楊宗凱，黃克斌.網絡學習行為分析及其模型研究[J].中國電化教育，2006（10）：31-35.

[3] 魏順平.在線學習行為特點及其影響因素分析研究[J].開放教育研究，2012，18（4）：81-90.

[4] 吳淑蘋.基于數據挖掘的教師網絡學習行為分析與研究[J].教師教育研究，2013，25（3）：47-55.

[5] 宋宣毅，劉月田，馬晶，等.基于灰狼算法優(yōu)化的支持向量機產能預測[J].巖性油氣藏，2020，32（2）：134-140.

[6] 譚頂良.論學習風格及其研究價值[J].南京師大學報（社會科學版），1994（3）：46-50，56.

[7] 桑秋俠.大學生網絡學習行為分析模型構建及應用研究[D].武漢：湖北大學，2016：15-25.

[8] KOLB D A. Experiential learning： experience as the source of learning and development[M]. Englewood Cliffs， NJ： Prentice-Hall， 1984.

[9] FELDER R. Learning and Teaching Styles in Engineering Education[J]. Journal of Engineering Education， 1988，78（7）：674-681.

[10] 張云，錢玉良，邱正，等.采用GWO優(yōu)化SVM的燃氣輪機氣路故障診斷[J].上海電力學院學報，2019，35（2）：187-192，196.

[11] 田東雨，何玉珠，宋平.基于灰狼優(yōu)化算法的SVM的圖像噪聲識別[J].電子測量技術，2019，42（4）：90-94.