基于學習風格的自適應式虛擬交互方法的研究

林 一，王舜波

福州大學 物理與信息工程學院，福州 350107

近年來，運用數字化技術來輔助教學的方法不斷涌現，其中自適應學習是工科教育中使用最為廣泛的方法之一，即由學習者產生的數據來驅動教學系統適應學習者。最初的自適應學習是根據學習者的成績來調整教學策略，但由于忽略了學習者的主觀能動性，缺乏針對性的教學使學習者的積極性不升反降，導致改善學習的效果始終不佳。為了解決上述問題，有研究者將學習風格的概念引入到自適應學習中[1-3]，Thalmann在調查關于電子學習系統開發的研究后，認為在學習者以往的知識和背景等來源中，學習風格模型是自適應系統最適合的開發框架[3-4]。學習風格指的是學習者偏好的學習方式，是學習者在進行學習任務時具有個人特色的體現[4]。學習風格概念中使用較為廣泛的模型有Felder & Silverman學習風格模型（Felder-Silverman learning style model，FSLSM）[5]和Kolb學習風格模型[4]。將學習風格模型與自適應學習相結合，在一定程度上改善了學習者的積極性[6-7]，然而現實中基于網頁的運用了學習風格模型的自適應系統仍存在著一些問題。一方面，獲取數據的方式較為單一，僅依靠學習者的主觀數據或鍵盤鼠標獲取的人機交互數據，不足以精確地驅動系統對學習風格的自適應。另一方面，由于基于網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習者無處施展。此外，基于二維的知識展示方式較為單調枯燥，容易導致學習者的學習動機的下降。

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

綜上所述，本研究基于學習風格提出了一種自適應式VR交互方法。該方法設計了適用于虛擬交互環境的學習風格判斷方式，通過分析學習者的主客觀數據來判斷其學習風格，然后根據判斷結果對虛擬交互環境進行持續的自適應調整，使學習者在滿足自身偏好的環境中進行交互，激發學習者的學習動機，改善學習成績。為了驗證該方法對學習風格判斷的精準度、學習者的學習動機和學習成績的影響，本研究構建了一套面向工科教育的虛擬現實交互系統（virtual reality interaction system for engineering education，VRIS-EE）進行對照實驗予以檢驗。

1 研究思路

本研究通過構建對學習風格自適應的虛擬交互環境，使學習者在適配于自身學習偏好的空間中交互，由此實現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，根據學習者初次在虛擬環境中產生的交互數據對學習風格進行判斷，然后憑借判斷結果對虛擬環境進行自適應調整。最后，學習者在調整過的虛擬環境中再次交互將生成新的數據，用于后續學習風格的判斷以及虛擬交互環境的自適應調整進行螺旋循環迭代，從而通過不斷調整虛擬交互環境以持續自適應學習者的學習風格。

圖1 研究思路Fig.1 Idea of method

2 學習偏好

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

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

感官型的學習者喜歡強調事實和數據的材料，解決問題時傾向于用標準的方法且較為耐心。而直覺型的學習者喜歡強調原理和理論的材料，比起感官型更具創新能力，但耐心較為不足。

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

順序型的學習者喜歡包含較多細節的材料，傾向于遵循步驟地獲取知識。而全局型的學習者憑直覺進行隨機學習，他們在學習足夠多的材料后，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習者很重要。

3 學習風格的判斷

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

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

圖2 學習風格判斷流程Fig.2 Workflow of learning style identification mode

3.1 判斷學習風格的交互模式

在上述判斷方式中，學習者產生的交互數據對判斷學習風格的影響毋庸置疑。傳統課堂的方式不便于獲取和分析交互數據，而基于網頁的自適應方式，由于僅僅依靠與鼠標鍵盤的交互產生數據，存在著數據片面且準確率存疑的問題。例如，當學習者瀏覽某個網絡課程時，光標停留的位置未必是眼睛所瀏覽的區域，從而無法獲取到學習者準確的瀏覽時長。然而在虛擬交互環境中，由頭盔發出的射線可以模擬學習者的視線，由手柄產生的交互數據可以識別學習者的操作狀態。因此，為了精確地判斷學習者的學習風格，本研究對學習者使用頭盔和手柄與虛擬環境之間的交互進行了數據收集。

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

例如，主動型的學習者在學習上較為主動，傾向于自己嘗試解決問題，因此可能較少地訪問例子對象。然而頻繁的發帖交流、大量的實驗操作和較多的自我測試卻可以提示學習者屬于主動風格。相反，反思型的學習者更喜歡思考和借鑒他人的意見，因此可以假設他們會花費更多時間記錄課堂內容和查看自我測試的結果。此外，實驗操作的取消也可以作為判斷的依據，反思型的學習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習風格的交互模式后，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據分析出學習者對學習風格的傾向。Graf[6]認為閾值應根據課程的特征來調整，因此本研究結合實際課程制定了表1中所列交互的閾值。對于發帖、自我測試、實驗操作的交互次數，使用課程所提供相關題數的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，使用實際有效實驗操作交互次數的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、內容對象、大綱、論壇、全局學習界面和順序學習界面的交互次數，使用對這類教學材料有很大興趣的學生的預期花費時間和交互次數的50%和75%作為閾值。對于自我測試結果交互時間，使用實際有效自我測試交互時間的30%和60%作為閾值。

表1 判斷各維度學習風格的交互模式Table 1 Interaction mode for identifying learning style of each dimension

3.3 學習風格的量化

通過閾值的劃分，學習者產生的交互數據將位于高中低三個區間，對應四個值的提示。交互數據位于高區間意味著學習者對相應的學習風格有著強烈的正傾向，則提示值為3。中區間代表沒有傾向，則提示值為2。低區間代表強烈的負傾向，則提示值為1。假如沒有相關的交互數據，則提示值為0。在得到交互數據對應的提示值后，通過下列公式可以將學習者對學習風格的傾向進行量化：

其中，公式（1）的dim是維度，i是交互，lsdim是該維度的學習風格傾向，Ndim是該維度收集到的所有可用交互提示值的數量，hdim,i是交互對應的提示值。將所有可用提示值求和并除以可用交互提示值的數量，就得到了相應學習風格傾向lsdim的數值。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。

通過對交互數據的閾值劃分和計算，可以將學習者對各維度學習風格的傾向量化為0-1的數值，由此獲取到由交互數據判斷的學習風格，然后將判斷結果代入到圖2的學習風格判斷方式的流程中，對學習風格的后續判斷進行持續迭代。

4 自適應式虛擬交互環境的構建

學習風格的判斷為虛擬交互環境的自適應提供了依據。傳統課堂的方式下教師很難改變教學策略去適應每一位學習者的學習風格，而基于網頁的自適應系統運用學習風格模型進行授課，在一定程度上提供了個性化教學，但由于教學環境的限制，大多數的相關研究[10-12]是通過調整教學環境中的教學材料、展示內容和導航內容來自適應學習者。而VR技術的引入提供了更多的自適應選項，例如場景屬性、交互對象、用戶交互以及聲音等[13]。

由于FSLSM[5]并未對學習者關于用戶交互和聲音的偏好進行學習風格的分類，因此本研究將虛擬交互環境中的教學材料、展示內容、導航內容、場景屬性和交互對象作為自適應的選項。自適應內容如表2所示，通過調整虛擬交互環境中教學材料的內容、允許展示的交互對象、導航過程中著重引導的內容、場景的燈光以及交互對象的大小和位置，構建滿足學習者學習偏好的虛擬交互環境。初始構建的虛擬交互環境為中性風格，在判斷出學習者的學習風格后，虛擬交互環境需要經過調整以適應不同的學習風格，因此虛擬交互環境包含初始構建和自適應學習風格兩個階段。

表2 自適應內容Table 2 Adaptation content

4.1 初始構建的虛擬交互環境

初始構建的虛擬交互環境為中性風格，需提供各類學習風格的學習者偏好的交互對象。根據表1可知，交互對象包含自我測試、實驗操作、例子對象、內容對象、大綱、筆記本、論壇、順序學習界面和全局學習界面。初始構建的虛擬交互環境如圖3所示，模擬了傳統課堂的環境，提供了實驗、視頻、論壇、大綱、幻燈片、筆記本、自我測試、順序學習界面和全局學習界面，并設立監聽功能來獲取學習者的交互數據。此外，還開放了虛擬交互環境的接口以進行后續的自適應調整。

圖3 初始構建的虛擬交互環境Fig.3 Preliminary constructed virtual interactive environment

4.2 自適應學習風格的虛擬交互環境

不同學習風格的學習者的偏好各異，因此對應的虛擬交互環境自適應策略也有所不同。根據第2章對學習偏好的描述，本研究針對不同學習風格制定了差異性的自適應策略。自適應策略如表3所示，列舉了各類學習風格對于虛擬交互環境中的教學材料、展示內容、導航內容、場景屬性和交互對象的調整策略，基于策略的調整可以促使環境滿足學習者的交互偏好，由此實現虛擬交互環境自適應學習風格的目的。

假設學習者被判斷為主動/感官/視覺/順序的學習風格，該類風格對應于表3中的自適應策略為提供包含較多事實、數據、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材料。虛擬交互環境中的實驗、自我測試和順序學習界面的交互對象被增大，置于場景的中心位置高亮展示，并在導航過程中被著重引導交互。視頻和幻燈片的交互對象被普通展示，而論壇、大綱、筆記本和全局學習界面的交互對象被以鏈接的形式展示。自適應前后的虛擬交互環境如圖4所示，圖（a）中性風格的虛擬交互環境通過自適應調整后，轉變為圖（b）適應主動/感官/視覺/順序風格的學習者偏好的虛擬交互環境。

表3 自適應策略Table 3 Adaptation strategy

圖4 自適應前后的虛擬交互環境Fig.4 Virtual interactive environment before and after adaptation

5 實驗與評估

為了證明基于學習風格的自適應式VR交互方法的可行性，本研究使用Java EE框架搭建服務端，HTC VIVE作為客戶端，基于Unity 3D構建了VRIS-EE，將其與基于網頁的自適應系統采用對照實驗研究，并對實驗結果進行分析討論。

5.1 實驗目的和方法

VRIS-EE通過引入VR技術來提高判斷學習風格的精確度，然后根據判斷結果對虛擬交互環境進行自適應調整，促使交互環境適配于學習者的學習偏好，從而激發學習者的學習動機，改善學習成績。因此，本研究將VRIS-EE與基于網頁的應用學習風格的自適應教學方式對比，對三個問題進行了研究。問題一，VR技術的引入能否提高判斷學習風格的精確度?問題二，VR技術的引入對學習者的學習動機的影響是否更為積極?問題三，VR技術的引入是否對學習者的學習成績的改善更有效?

關于問題一，本研究參考García[14]的公式來計算精準度：

公式（3）中的LSidentified是通過交互數據判斷的學習風格，LSILS是通過ILS問卷判斷的學習風格。函數Sim是比較兩個參數LSILS和LSidentified，如果相同返回1，如果一個為中性的風格返回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，將n個比較結果的值相加除以n并轉化為百分比的形式就得到精準度P的值。

關于問題二，本研究對學習者進行教學材料動機調查（instructional materials motivation survey，IMMS）[15]。IMMS旨在調查學習者在學習過程中的學習動機，通過36道題目測量影響學習動機的四個因素的得分：注意力、相關性、自信度和滿意度。由于IMMS的部分問題與實驗無關，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。所有學習者被要求以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。

關于問題三，本研究將實驗組和對照組的學前測試、學后測試和延后測試的成績作為評估的依據。通過學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習效果是否存在差異。

5.2 實驗流程

根據上述描述，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內容，實驗流程如圖5所示，分為學前測試、學習過程、學后測試、問卷調查和延后測試五個階段。學前測試是對學習者先驗知識的評估。在學習過程中，兩組學習者在不同的環境中學習相同的教學材料。A組在一款基于網頁的運用了學習風格模型的自適應系統“酷學習”（kuxuexi.com）中學習，B組使用VRIS-EE進行學習。學后測試是對學習者的學習成果進行檢驗，所有學習者完成學后測試后，需要對IMMS[15]進行填寫，回答關于課程的感受。一個月后，學習者將進行延后測試，學前測試、學后測試和延后測試的總分均為40分，持續時間為20 min。

圖5 實驗流程Fig.5 Process of experiment

5.3 實驗結果與討論

表4展示了由第一輪交互數據判斷的學習風格和ILS問卷判斷的學習風格代入公式（3）的結果。P值從75%至85%，這表明該方法對于判斷四個維度的學習風格都有較高的精準度。關于問題一，本研究選取了Graf[6]的基于網頁的通過鼠標鍵盤獲取數據的自適應方法作為比較對象。結果如表4所示，VRIS-EE在各個維度判斷學習風格的精度都略優于基于網頁的方式，表明引入VR技術對提高交互數據的數量和精度有正面影響，導致風格判斷的精準度上升。

表4 學習風格判斷結果比較Table 4 Comparison of learning style identification results %

IMMS評分結果如表5所示，A組學習者的注意力、相關度、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，發現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計意義。因此，關于問題二，VR技術的引入對學習者的學習動機有著更為積極的影響。此外，實驗過程中發現B組的學習者在學習時比A組更為積極，較少出現注意力分散的現象。

表5 IMMS評分結果Table 5 Score results of IMMS

兩組學習者的學前測試、學后測試和延后測試的成績結果如表6所示，A組學前測試的平均值為24.6（標準差=3.3），B組的平均值為25.8（標準差=2.8），采用單因素方差分析對這兩組學前測試的值進行分析，結果顯示兩組學前測試的數值沒有顯著性差異，這表明兩組的先驗知識水平相同。學后測試中A組的平均值為32.4（標準差=3.4），B組的平均值為36.8（標準差=2.3），B組的成績較高于A組。以學前測試得分作為協變量，學后測試的成績作為因變量，進行協方差分析。結果顯示，兩組學后測試的成績有顯著性差異，且B組的前后成績的效應量（Cohen’s d）的值為0.637，表明學習成績得到大幅度改善。同樣將兩組的延后測試的成績與學前測試的成績進行協方差分析，發現兩組成績的差異有統計意義，B組成績的平均值30.8（標準差=4.2）較高于A組的平均值27.4（標準差=2.5）。因此，關于問題三，實驗結果表明引入VR技術能夠更有效地改善學習者的學習成績，并對學習者的知識持續記憶也有所幫助。

表6 測試成績Table 6 Result of tests

6 結束語

本研究提出了一種基于學習風格的自適應式VR交互方法，并以此理論面向工科構建了一套虛擬現實交互系統。該方法通過收集學習者的主客觀數據判斷學習風格，然后參照判斷結果對虛擬交互環境進行自適應調整，學習者在調整后的環境中再次交互將產生新的數據，由此對學習風格的判斷以及虛擬交互環境的調整進行循環迭代。該方法既解決了基于網頁的自適應教學系統的獲取數據不精確的問題，也解決了缺乏實驗操作的問題，還提供給學習者個性化程度較高的學習體驗。實驗結果證明，該方法改善了判斷學習風格的精準度，對學習者的學習動機和學習成績有著積極的影響，實現了“因材施教”的教育理念。

本研究通過借助VR技術幫助學習者改善了學習效果，但仍然存在一些問題。首先，關于虛擬環境中用戶交互行為和聲音的自適應方式尚未考慮在內。其次，涉及學習者與教師之間的反饋問題值得深入探討。因此，本研究后續的任務是探究如何在虛擬環境中尋找更多的自適應手段，以及如何根據學習風格模型建立教師與學習者之間的反饋，為學習者提供更為全面的個性化交互體驗。