基于Felder-Silverman學習風格的自適應e-learning系統

翟小可，李懷亮，崔春生

（1.北京理工大學 珠海學院管理與經濟學院，廣東 珠海 519085；2.首都師范大學 信息工程學院，北京 100048；3.河南財經政法大學 計算機與信息工程學院，河南 鄭州 450002）

隨著互聯網和教育信息化的發展，以學生為中心地位的e-learning系統無疑是未來教學模式的方向。目前的e-learning系統缺乏依據學生特征的個性化調整策略，學習風格是學習情境中個體表現出來的比較穩定的處理方式和學習策略傾向，反映了學生的個性類型特征。因此，針對e-learning系統的這一缺陷，設計開發一個能夠根據學生學習風格進行動態調整的自適應e-learning系統顯得很有必要。

1 Felder-Silverman學習風格模型

學習風格（learning style）是在學習情境中個體表現出來的比較穩定的處理方式和學習策略傾向。簡單地說就是每個人的主要學習方式、學習傾向、學習策略。

心理學家Felder和Silverman將學習風格分為4個維度，分別是感知，輸入，處理和理解。其中每個維度又分為兩種風格，分別是感知型-直覺型（感知維度）、視覺型-言語型（輸入維度）、主動性-反思型（處理維度），全局型-序列型（理解維度）。該模型一般稱為Felder-Silverman學習風格模型[1]，包括4個維度和8種學習風格。前兩個維度表示學生如何在學習過程中接受知識和信息的風格，后兩種維度表示學生在學習過程中喜歡如何加工知識和信息，這4個維度不是截然分開的，每一個學生的學習風格都是這4個維度的組合，我們只能認為學生更傾向于那個學習風格。

根據Felder-Silverman學習風格模型理論，學生的學習風格可以用一個四元組進行形式化的表示[2]，LS表示學習風格（learning style）的公式如下：

其中，（Ti，ei）（1≤i≤4）依次為 Felder-Silverman 學習風格的4個維度的取值，這里Ti表示該Felder-Silverman學習風格分類的 4個類型（Ti∈{“感知型-直覺型”，“視覺型-言語型”，“主動性-反思型”，“全局型-序列型”}），ei為模糊取值（ei∈[0，1]），它代表學習風格在 Ti維度的取值。

舉例說明，某一個學生Longer Lee的學習風格為：LS（Longer Lee）=[（感知型-直覺型，0.8），（視覺型-言語型，0.2），（主動性-反思型，0.6），（全局型-序列型，0.9）]則表示該學生在感知維度上偏向于直覺型，在輸入維度上偏向于視覺型，在處理維度上偏向于反思性，在理解維度上偏向于序列型。

2 學習風格生成算法

雖然教育者早就注意到學生們在學習風格方面有很大差異，但苦于沒有很好的測試方法，由于不能預測和量化，也不能很好地應用在教學策略的推理上。所羅門 （Barbara A.Solomon）學習風格量化表具有很強的操作性，可以進行較好的學習風格測試[3]。Solomon學習風格量化表共有44個題目，而且每個題目的設計針對不同的學習風格維度。學習風格分為4個維度，每個維度11個問題，每一個問題有兩個答案供用戶選擇。

由于基于Solomon量化表的操作性強，我們結合本系統的需要提出了基于Solomon量化表的學習風格生成算法，步驟如下：

1）將Solomon量化表的答案填入統計表，并按照學習風格維度統計選項的總計個數α，如表1所示。

表1 一個基于Solomon量化表的學習風格生成算法示例Tab.1 An example of learning style generation algorithm based on Solomon quantization table

2）按照“（較大數-較小數）+較大數的字母”的規則，生成4個維度上的分值。表示為：

其中 α 取值為 11、9、7、5、3、1，e 取值為 a，b。 因此為每一種量表 Ti的取值可能為 11a、9a、7a、5a、3a、a、11b、9b、7b、5b、3b、b中的一種。若得到字母“a”，表示屬于前者學習風格，且“a”前的系數越大，表明程度越強烈；若得到字母“b”，表示屬于后者學習風格，且“b”前的系數越大，同樣表明程度越強烈。例如：在活躍型/沉思型量表中得到“8a”，表明測試者屬于主動型的學習風格，且程度很強烈。在視覺型/言語型量表中得到“a”，表明測試者屬于視覺型的學習風格，且程度非常弱；如果得到“3b”，則表明測試者屬于言語型的學習風格，且程度較弱。

3）公式（1）表示學生的學習風格，而取之ei為模糊取值（ei∈[0，1]）。 為便于分類表示，根據步驟 1）得到的取值，定義公式（3）如下：

于是，將ei量化到區間[0，1]內。為了計算和推理的方便，我們簡單處理，將趨向學習風格較弱的視為0.3，趨向該學習風格一般視為0.6，趨向該學習風格較強者視為0.9。使其按照0.3的步長遞增。表1是一個基于該算法的一個部分實例， 那么該學生的學習風格可以表示為：LS=[（T1，0.6），（T2，0.3），（T3，0.6），（T4，0.9）]。

3 系統設計

根據Felder-Silverman的學習風格分類，不同的學習風格對應著不同的學習特征傾向和教學策略，個性的差異在一定程度上影響著學生學習的效果和效率。這意味著在e-learning教學的環境下根據學習風格制定一定的網絡教學策略，系統促進學生按照自己的個性特點去學習，從而提高學習效率。Felder-Silverman分類中8種學習風格的學習趨向和偏好特征如表2所示[4]。

表2 Felder-Silverman學習風格趨向和偏好特征表Tab.2 Felder-Silverman learning style trend and preference characteristic table

針對8種學習風格的不同學習偏好特征，系統依據學生學習風格自動調整界面教學內容呈現和知識結構導航，基于學習風格的e-learning學習流程如圖1所示。

圖1 基于學習風格的e-learning學習流程Fig.1 Learning process of e-learning based on learning style

4 系統主要功能實現

基于Felder-Silverman學習風格模型的自適應性elearning系統采用.NET分層架構，開發平臺為Visual Studio 2008，開發語言為C#、ASP.NET，數據庫采用SQL SERVER 2005，學習課程內容選用《人工智能》[5-6]。

4.1 登錄模塊

系統包括3個角色：管理員，教師和學習者。管理員主要功能是對系統權限管理，數據管理，消息管理等；教師主要功能是課程管理，試題管理，成績管理等；學生主要功能是個人信息管理，在線學習，在線交流等，如圖2所示。

圖2 自適應e-learning系統登錄界面圖Fig.2 Login interface of the adaptive e-learning system

4.2 學習風格生成模塊

作為系統的首次使用者，系統需要分析學生的學習風格進一步來設定個性化的教學風格，學習風格獲取采用的Solomon的學習風格量化表和本文給出的Solomon量化表的學習風格生成算法。學生在認真作答問卷提交之后，就可以得到該學生的四維學習風格，如圖3所示。系統根據學習風格的各自特點，設計符合學習風格特點的個性化的內容呈現機制。

4.3 自適應學習風格的學習界面

系統根據學習風格記錄中學習風格類型，選擇符合學習風格的學習導航和學習媒體內容呈現，系統具有適應學生學習風格的特點，這便于激發學習興趣和學習熱情。如圖4所示，對于趨向于感知型，視覺型，思考性，全局型學習風格特點的學生的學習中心主界面顯示，采用了知識點結構導航，Flash動畫和圖片的媒體表現。

圖3 學生的學習風格生成界面圖Fig.3 Interface of the learning style generation

圖4 符合學習風格的學習內容呈現界面圖Fig.4 Interface of present study conternt to meet learning style

5 結束語

符合學生個性化特征的自適應[7]e-learning系統能夠自動調整網絡教學策略，并且能充分利用e-learning系統的豐富教學媒體和友好交互模式，極大保證網絡教學質量。本文開發的基于Felder-Silverman學習風格的自適應性e-learning系統能夠學生的學習風格自動調整界面的內容呈現方式和知識結構導航，符合個性化的e-learning趨勢，系統發布后運行穩定，學生反饋良好。

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

[2]Alfonseca E，Rosa M.Carro， Martin E， et al.The impact of learning styles on student grouping for collaborative learning:a case study[J].User Modelling and User-Adapted Interaction，2006（9）:377-401.

[3]Solomon.Index of Learning Styles Questionnaire[EB/OL].[2011-03-20].http://www.engr.ncsu.edu/learningstyles/ilsweb.html.

[4]張建平，陳仕品，張家華.網絡學習及其適應性學習支持系統研究[M].北京：科學出版社，2010.

[5]王萬森.人工智能原理及其應用[M].北京：電子工業出版社，2006.

[6]Franzoni A.L.，Assar， S.Student learning styles adaptation method based on teaching strategies and electronic media[J].Educational Technology and Society， 2009，12（4）：15-29.

[7]周巧俏，湯云巖，海曉濤.基于改進自適應遺傳算法的分布式電源的選址和定容[J].陜西電力，2010，38（6）：40-44.ZHOU Qiao-qiao，TANG Yun-yan，HAI Xiao-tao.Location and sizing of distributed generation based on improved selfadaptive genetic algorithm[J].Shaanxi Electric Power，2010，38（6）：40-44.