混合學(xué)習(xí)環(huán)境下學(xué)習(xí)風(fēng)格挖掘及群體差異研究

李曉雪 許慧敏 許新華 陶勝陽

一、引言

學(xué)習(xí)風(fēng)格是個體在學(xué)習(xí)過程中逐漸形成的一種相對穩(wěn)定的學(xué)習(xí)方式與學(xué)習(xí)偏好，強(qiáng)調(diào)學(xué)生之間的學(xué)習(xí)行為差異。學(xué)習(xí)風(fēng)格極大地影響著學(xué)習(xí)進(jìn)程。學(xué)習(xí)者在線上學(xué)習(xí)時會產(chǎn)生大量學(xué)習(xí)行為數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)對這些行為數(shù)據(jù)進(jìn)行處理從而預(yù)測其學(xué)習(xí)風(fēng)格，屬于學(xué)習(xí)風(fēng)格測量中的隱式測量法，通過與以量表或問卷為代表的顯式測量法相結(jié)合，能夠更加科學(xué)有效地獲得學(xué)習(xí)者的學(xué)習(xí)風(fēng)格[1-2]。

本研究以某師范大學(xué)教育技術(shù)學(xué)專業(yè)34名學(xué)生作為學(xué)習(xí)風(fēng)格挖掘模型的訓(xùn)練對象。首先通過量表顯式獲取其學(xué)習(xí)風(fēng)格，隨后使用其線上學(xué)習(xí)行為數(shù)據(jù)初始化學(xué)習(xí)風(fēng)格模型，在保證模型精確度的前提下不斷調(diào)整、優(yōu)化模型，最后利用該模型評估該大學(xué)計(jì)算機(jī)專業(yè)96名學(xué)習(xí)者的線上學(xué)習(xí)行為，預(yù)測其學(xué)習(xí)風(fēng)格。同時對不同學(xué)習(xí)風(fēng)格者的學(xué)習(xí)特點(diǎn)及傾向進(jìn)行分析，方便教師針對不同類別學(xué)生采取相應(yīng)的教學(xué)策略，開展相應(yīng)的教學(xué)活動，并幫助學(xué)生有意識地增強(qiáng)對自己的認(rèn)知和定位。

二、學(xué)習(xí)風(fēng)格模型與線上學(xué)習(xí)行為

（一）Felder-Silverman學(xué)習(xí)風(fēng)格模型

學(xué)習(xí)風(fēng)格有多種分類方式。例如，Witkin將學(xué)習(xí)者分為場獨(dú)立型與場依存型，Kolb學(xué)習(xí)風(fēng)格模型包含同化者、聚斂者、分散者、適應(yīng)者四種類型等。其中，F(xiàn)elder-Silverman學(xué)習(xí)風(fēng)格模型已經(jīng)被成功應(yīng)用到多種智能教育系統(tǒng)中，并有多位專家學(xué)者證實(shí)了該模型在網(wǎng)絡(luò)環(huán)境也具有良好的功能和可靠性[3-5]。該模型從不同學(xué)生之間的差異視角出發(fā)，圍繞信息加工、信息感知、信息輸入、信息理解四個維度展開對學(xué)習(xí)風(fēng)格的判別，其中每一維度分別有兩種類別，具體描述見表1。一個學(xué)習(xí)者完整的學(xué)習(xí)風(fēng)格類型包括四個維度中的某一個風(fēng)格，如信息加工維度可能為活躍型與沉思型中的一種，依此類推，在剩余三個維度中都是兩者之間的一種，因此不同學(xué)習(xí)風(fēng)格類型的組合為2×2×2×2=16種。

這些學(xué)習(xí)風(fēng)格的分類對教學(xué)內(nèi)容及教學(xué)過程的設(shè)計(jì)都起著至關(guān)重要的作用。例如，對于視覺型的學(xué)生，學(xué)習(xí)內(nèi)容建議以視頻、圖片等形式為主；對于活躍型的學(xué)生，教師應(yīng)多組織小組學(xué)習(xí)使他們能夠積極討論，并適當(dāng)?shù)亟o沉思型學(xué)生一部分時間。總之，在學(xué)習(xí)風(fēng)格分類的基礎(chǔ)上設(shè)計(jì)和組織教學(xué)材料、教學(xué)活動，對學(xué)生的學(xué)習(xí)效果能夠產(chǎn)生促進(jìn)作用。

學(xué)習(xí)者的線上學(xué)習(xí)風(fēng)格與行為的特征、內(nèi)容之間也存在著相關(guān)[1]。例如，活躍型學(xué)習(xí)者喜歡與別人交流學(xué)習(xí)，在論壇討論中發(fā)帖和回帖較多。在后續(xù)的研究中，將仔細(xì)探討學(xué)習(xí)者的學(xué)習(xí)風(fēng)格與其各種在線學(xué)習(xí)行為模式特征之間的關(guān)系。

與Felder-Silverman學(xué)習(xí)風(fēng)格模型對應(yīng)的是Soloman&Richard學(xué)習(xí)風(fēng)格測量量表，共包含44道題目[6]，利用該量表可以獲取學(xué)習(xí)者的學(xué)習(xí)風(fēng)格。后續(xù)研究也會利用該量表獲取學(xué)習(xí)者的學(xué)習(xí)風(fēng)格來作為挖掘模型的預(yù)測屬性。

（二）學(xué)習(xí)風(fēng)格與線上學(xué)習(xí)行為關(guān)系

線上學(xué)習(xí)行為與課堂學(xué)習(xí)行為一致，皆是由教師活動安排產(chǎn)生。當(dāng)前對線上學(xué)習(xí)行為的定義和分類研究不多，學(xué)者大多依據(jù)研究目的從不同角度進(jìn)行類別劃分。其中具有代表性的為早期彭文輝和楊宗凱[7]等人將網(wǎng)絡(luò)學(xué)習(xí)行為分為信息檢索、信息加工、信息發(fā)布、交流行為、問題解決五個維度，每個維度分為低級、中級和高級三個層次。在學(xué)習(xí)行為數(shù)據(jù)的類型上，由早期僅有的登錄、瀏覽次數(shù)、學(xué)習(xí)時長等簡單數(shù)據(jù)形式逐漸豐富到今天的視頻、圖像、文本、眼動指標(biāo)等多元的數(shù)據(jù)類別。如張科偉[8]利用學(xué)習(xí)者在處理教師發(fā)放的網(wǎng)絡(luò)教學(xué)資料時所呈現(xiàn)的眼動數(shù)據(jù)來判定其學(xué)習(xí)風(fēng)格。國外學(xué)者的研究主要集中在嘗試通過軟件工具追蹤、記錄學(xué)習(xí)者行為，并據(jù)此分析其學(xué)習(xí)行為與線上學(xué)習(xí)環(huán)境、學(xué)習(xí)成績等因素之間的影響關(guān)系。Jia-Jiunn Lo[9]等人分析學(xué)習(xí)者在瀏覽器中的學(xué)習(xí)習(xí)慣、瀏覽順序以及學(xué)習(xí)路徑等行為來確定學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，并針對性地推送學(xué)習(xí)資源。

本研究基于多數(shù)學(xué)者對線上學(xué)習(xí)行為的分類，分析和提取相關(guān)研究中與學(xué)習(xí)風(fēng)格相關(guān)的行為特征[10-11]，同時結(jié)合學(xué)習(xí)通平臺，并依托課程自身特點(diǎn)，初步提取學(xué)習(xí)資源、討論發(fā)言、作業(yè)、章節(jié)測驗(yàn)四類線上學(xué)習(xí)行為類別，列出其具體行為屬性，分類情況如表1所示。

表1 Felder-Silverman學(xué)習(xí)風(fēng)格模型對應(yīng)線上學(xué)習(xí)行為初步分類結(jié)果表

續(xù)表1

學(xué)習(xí)資源主要指教師依據(jù)課程內(nèi)容分享的視頻、文本、思維導(dǎo)圖以及圖片圖表等材料，具體屬性包括瀏覽以及下載次數(shù)。學(xué)習(xí)通的任務(wù)點(diǎn)設(shè)置功能可以包含學(xué)習(xí)資源、章節(jié)測驗(yàn)、作業(yè)等類別，由于本研究中任務(wù)點(diǎn)多設(shè)置于對學(xué)習(xí)資源的記錄情況，因此將任務(wù)點(diǎn)完成情況歸于學(xué)習(xí)資源類別中。

討論發(fā)言是指在討論模塊中師生以及生生之間展開的討論交互活動，教師根據(jù)當(dāng)堂課程內(nèi)容對學(xué)生需要重點(diǎn)掌握或容易出錯的知識點(diǎn)發(fā)出討論話題，并要求學(xué)生做出回答，學(xué)生也可以針對自身在實(shí)踐過程中遇到的問題發(fā)布討論，尋求其他同學(xué)的幫助。具體討論情況可以分為總討論數(shù)、發(fā)表討論數(shù)、回復(fù)討論數(shù)以及獲贊數(shù)。

章節(jié)測驗(yàn)主要用于檢驗(yàn)學(xué)生對章節(jié)知識的掌握情況，通常用于每一章課程內(nèi)容學(xué)習(xí)結(jié)束后對整章重要內(nèi)容的回顧與鞏固，主要行為指標(biāo)包括章節(jié)測驗(yàn)進(jìn)度與章節(jié)測驗(yàn)成績兩個具體屬性。章節(jié)測驗(yàn)進(jìn)度是學(xué)生對教師發(fā)布章節(jié)測驗(yàn)的數(shù)量完成情況，章節(jié)測驗(yàn)成績是指學(xué)生對于測試題目中相關(guān)知識的回答情況。

作業(yè)是在每一堂課后針對當(dāng)堂學(xué)習(xí)內(nèi)容布置的學(xué)習(xí)作業(yè)。由于不同學(xué)習(xí)風(fēng)格者擅長的題型不盡相同，因此主要采用選擇題、判斷題與簡答題相結(jié)合的形式來考查相關(guān)知識點(diǎn)。學(xué)習(xí)者對不同類別知識點(diǎn)的掌握程度不同，因此在作業(yè)布置時既包括細(xì)節(jié)題也包括概念題，用于區(qū)分和匹配不同學(xué)習(xí)風(fēng)格者的特點(diǎn)。

三、研究方法

本研究采用線上線下混合測量學(xué)習(xí)風(fēng)格的方法。首先，采用所羅門學(xué)習(xí)風(fēng)格量表（ILS）顯式獲得學(xué)習(xí)者的學(xué)習(xí)風(fēng)格；然后，借助學(xué)習(xí)通平臺收集相應(yīng)學(xué)習(xí)行為數(shù)據(jù)，利用Python語言對不同維度的數(shù)據(jù)進(jìn)行處理；接下來，借助K-means聚類算法隱式推定出學(xué)習(xí)者的學(xué)習(xí)風(fēng)格；最后，將該結(jié)果與通過問卷得出的學(xué)習(xí)風(fēng)格類型進(jìn)行比較，并計(jì)算其精確度。

（一）研究對象

基于學(xué)習(xí)平臺的設(shè)計(jì)與特點(diǎn)，選取某學(xué)院19級教育技術(shù)學(xué)專業(yè)的34名學(xué)生作為線上學(xué)習(xí)風(fēng)格挖掘模型的初始化對象，線下發(fā)放所羅門學(xué)習(xí)風(fēng)格量表顯式獲取其學(xué)習(xí)風(fēng)格后，結(jié)合其所學(xué)習(xí)的《Python語言與應(yīng)用》課程的性質(zhì)特點(diǎn)以及擬定的各維度學(xué)習(xí)風(fēng)格對應(yīng)的線上學(xué)習(xí)行為來設(shè)計(jì)線上教學(xué)活動。由于本研究為混合學(xué)習(xí)環(huán)境，因此需要對線上與線下教學(xué)課程與內(nèi)容進(jìn)行教學(xué)設(shè)計(jì)。在保證模型具有一定精確度后，依據(jù)得出的挖掘模型對該學(xué)院20級計(jì)算機(jī)專業(yè)96名學(xué)生在《面向?qū)ο蟪绦蛟O(shè)計(jì)》這一課程上的學(xué)習(xí)風(fēng)格進(jìn)行測量，從而對不同學(xué)習(xí)風(fēng)格者的特征及差異等進(jìn)行分析說明。

（二）挖掘模型初始化

本研究將基于K-means聚類算法預(yù)測學(xué)習(xí)風(fēng)格的過程分為三個部分，包括數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)的統(tǒng)計(jì)與輸出、結(jié)果輸出。

1.數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)包括兩個方面：學(xué)習(xí)風(fēng)格量表結(jié)果數(shù)據(jù)與線上學(xué)習(xí)行為數(shù)據(jù)。要求學(xué)習(xí)者填寫所羅門學(xué)習(xí)風(fēng)格量表的時間至少為5分鐘以上，以保證測量的準(zhǔn)確度；依據(jù)總結(jié)出的各維度對應(yīng)線上學(xué)習(xí)行為類別和具體屬性，依托學(xué)習(xí)通平臺收集學(xué)生線上學(xué)習(xí)行為數(shù)據(jù)。由于從學(xué)習(xí)通平臺導(dǎo)出的數(shù)據(jù)通常零散分布在不同的數(shù)據(jù)表中，因此需對數(shù)據(jù)進(jìn)行選擇與整理，剔除無關(guān)行為的干擾，選擇與學(xué)習(xí)風(fēng)格維度對應(yīng)的行為數(shù)據(jù)集合，并將數(shù)據(jù)轉(zhuǎn)換成能夠進(jìn)行數(shù)據(jù)挖掘的格式，以便后續(xù)利用python語言進(jìn)行數(shù)據(jù)的統(tǒng)計(jì)與輸出。

2.數(shù)據(jù)的統(tǒng)計(jì)與輸出

對于隱式挖掘的學(xué)習(xí)風(fēng)格結(jié)果，首先讀取數(shù)據(jù)集并對數(shù)據(jù)進(jìn)行預(yù)處理，隱去學(xué)生姓名、學(xué)號，改用序號代替學(xué)生信息。通過K-means聚類算法對學(xué)習(xí)者四個不同維度的學(xué)習(xí)風(fēng)格結(jié)果進(jìn)行分類，利用輪廓系數(shù)與肘部法則確定K值為2時對應(yīng)的輪廓系數(shù)（silhouette score）值最大，為0.597，且此時變化較為明顯。

3.結(jié)果輸出

結(jié)果輸出包括兩部分：線下通過所羅門學(xué)習(xí)風(fēng)格量表顯式獲得的34名學(xué)生學(xué)習(xí)風(fēng)格結(jié)果，線上通過收集學(xué)生線上學(xué)習(xí)行為隱式挖掘出的學(xué)習(xí)風(fēng)格結(jié)果。

將信息加工、信息感知、信息輸入、信息理解四個維度的學(xué)習(xí)行為數(shù)據(jù)通過上述步驟一一進(jìn)行操作，整合輸出結(jié)果之后可得到所有學(xué)習(xí)者最終的學(xué)習(xí)風(fēng)格預(yù)測結(jié)果，接著計(jì)算該學(xué)習(xí)風(fēng)格模型的精確度，本研究參考García[13]的公式來計(jì)算精準(zhǔn)度，計(jì)算公式為：

公式1中n是參與實(shí)驗(yàn)的對象數(shù)，LSILS是通過ILS問卷顯式獲取的學(xué)習(xí)風(fēng)格，LSidentified是通過線上學(xué)習(xí)行為數(shù)據(jù)預(yù)測的學(xué)習(xí)風(fēng)格。如果兩者得出的學(xué)習(xí)風(fēng)格一致，則函數(shù)Sim返回值是1；如果完全相反，則返回0；如果一方推測學(xué)習(xí)風(fēng)格為中間型，則返回值是0.5。

本文使用的所羅門學(xué)習(xí)風(fēng)格量表的量化方式是最大數(shù)－最小數(shù)+最大數(shù)的字母，a表示學(xué)習(xí)者在某一維度上LS左邊的傾向值，b表示學(xué)習(xí)者在某種維度上LS右邊的傾向值，值越大表示該類別學(xué)習(xí)風(fēng)格的特點(diǎn)越強(qiáng)烈。通過上述方法得到34名學(xué)生的學(xué)習(xí)風(fēng)格測量結(jié)果如表2。

利用公式1計(jì)算該挖掘模型的精確度，由此可在一定程度上反映出表1中的線上學(xué)習(xí)行為與學(xué)習(xí)風(fēng)格之間的關(guān)聯(lián)關(guān)系。經(jīng)過不斷調(diào)整線上學(xué)習(xí)行為類別與其所屬的學(xué)習(xí)風(fēng)格維度，將相應(yīng)數(shù)據(jù)集導(dǎo)入挖掘模型，同樣利用K-means聚類算法進(jìn)行判別，再次計(jì)算其精確度。在現(xiàn)有線上學(xué)習(xí)行為的基礎(chǔ)之上進(jìn)行組合，通過不斷比較與調(diào)整，得到了學(xué)習(xí)風(fēng)格不同維度所包含的最優(yōu)線上學(xué)習(xí)行為屬性與其所屬的具體類別（見表3），并最終計(jì)算出各維度的學(xué)習(xí)風(fēng)格挖掘精確度。至此，模型初始化完成。

表3 最優(yōu)線上學(xué)習(xí)行為屬性分類及精確度計(jì)算結(jié)果表

通過比較可知，四個維度中信息加工維度的精確度最低，主要表現(xiàn)為通過K-means聚類算法判斷出學(xué)習(xí)者的學(xué)習(xí)風(fēng)格多為活躍型，而所羅門學(xué)習(xí)風(fēng)格量表顯式測出的結(jié)果大多為沉思型，其中原因在于學(xué)習(xí)者對教師布置的線上學(xué)習(xí)任務(wù)完成情況較好，包括對相關(guān)主題的交流討論以及對學(xué)習(xí)材料的觀看學(xué)習(xí)進(jìn)度等數(shù)據(jù)較為活躍，但在進(jìn)行量表填寫時學(xué)習(xí)者并不能意識到這是學(xué)習(xí)行為積極踴躍的表現(xiàn)，或是由于大多數(shù)線上學(xué)習(xí)任務(wù)完成情況與課程成績掛鉤，因此成為某部分學(xué)生的學(xué)習(xí)動力，但這并非是由學(xué)生本人的主動意愿而進(jìn)行的學(xué)習(xí)行為，因此在填寫量表時學(xué)習(xí)者仍然表現(xiàn)為沉思型。

信息理解維度的精確度次低，通過K-means聚類算法得出的多為序列型學(xué)習(xí)風(fēng)格，即比較擅長線性學(xué)習(xí)，原因在于多數(shù)學(xué)習(xí)者都是按照教師布置的學(xué)習(xí)計(jì)劃進(jìn)行學(xué)習(xí)，解決問題，具有較強(qiáng)的場依賴型特征，較少學(xué)習(xí)者能夠利用跳躍式思維解決問題。

感知維度和輸入維度的精確度均較高，這是因?yàn)槎鄶?shù)學(xué)習(xí)者都喜歡從視頻、圖表/圖像與實(shí)例等學(xué)習(xí)材料中進(jìn)行對具體與抽象知識的學(xué)習(xí)，同時也與多數(shù)學(xué)習(xí)者在學(xué)習(xí)過程中比較細(xì)心且學(xué)習(xí)時間較長有關(guān)。

（三）實(shí)驗(yàn)結(jié)果分析

混合學(xué)習(xí)環(huán)境下，從學(xué)生線上學(xué)習(xí)行為數(shù)據(jù)中可以看出其學(xué)習(xí)積極性呈正態(tài)分布。在線下課堂授課時，教師也不會采取純講授型的教學(xué)方法講解知識點(diǎn)，而是與線上教學(xué)活動相似，在教學(xué)過程中會穿插適當(dāng)?shù)奶釂?、討論、課后作業(yè)或者測驗(yàn)。然而線上學(xué)習(xí)時，由于缺乏教師的實(shí)時監(jiān)督，大部分學(xué)生自身缺乏一定的學(xué)習(xí)主動性和自覺性，因此線上學(xué)習(xí)行為數(shù)據(jù)并不十分豐富，這也符合一定的教學(xué)規(guī)律。

1.不同性別學(xué)習(xí)者的學(xué)習(xí)風(fēng)格分析

在此次進(jìn)行調(diào)查的96名學(xué)習(xí)者中，有男生63人，女生33人，不同學(xué)習(xí)風(fēng)格學(xué)習(xí)者的性別分布如圖1所示，在學(xué)習(xí)風(fēng)格模型的不同維度中男女分布比例大多相近，利用SPSS進(jìn)行獨(dú)立樣本T檢驗(yàn)發(fā)現(xiàn)，學(xué)習(xí)風(fēng)格在性別層面不存在顯著性差異（P＞0.05）。如在信息感知、信息輸入維度，男女都是感覺型＞直覺型，視覺型＞言語型；但在信息加工維度，男生為沉思型＞活躍型，結(jié)合該維度具體行為指標(biāo)來看，男生在線上學(xué)習(xí)過程中發(fā)表討論數(shù)少于女生，對于教師提出的問題較少主動發(fā)言。就信息理解維度來看，男生大多傾向于按照既定步驟進(jìn)行學(xué)習(xí)，細(xì)節(jié)題的準(zhǔn)確率高于概念題。由于《面向?qū)ο蟪绦蛟O(shè)計(jì)》課程主要是對Java編程語言的學(xué)習(xí)，因此在該課程的Java編程中男生對于相應(yīng)代碼函數(shù)的上手使用優(yōu)于女生，能夠通過實(shí)驗(yàn)操作學(xué)習(xí)獲得并鞏固關(guān)于各代碼之間聯(lián)系的知識，但對于某些概念的理解不如女生準(zhǔn)確。

圖1 不同學(xué)習(xí)風(fēng)格的性別分布

2.不同學(xué)習(xí)風(fēng)格者的成績分析

由于該課程主要考查學(xué)生對于代碼的學(xué)習(xí)掌握情況，因此課程考試分為筆試、上機(jī)實(shí)訓(xùn)項(xiàng)目開發(fā)兩部分，最終成績按照1：1的比例進(jìn)行匯總，滿分為100分，將學(xué)生的成績分為優(yōu)秀、良好、中等、及格、不及格五個梯度，不同學(xué)習(xí)風(fēng)格在五個成績等級上的分布情況如表4所示，中等及以上成績的學(xué)習(xí)者在線上學(xué)習(xí)時表現(xiàn)較為活躍，他們愿意與他人一起學(xué)習(xí)，喜歡通過討論學(xué)習(xí)新知識，同時在學(xué)習(xí)過程中比較細(xì)心，遇到問題會主動解決，在后期的小組合作學(xué)習(xí)中展現(xiàn)出極大的自信與能力，能夠幫助他人與小組共同完成項(xiàng)目開發(fā)工作，這類學(xué)習(xí)者主要集中在活躍型、感覺型、視覺型與序列型學(xué)習(xí)風(fēng)格中；及格及以下成績的學(xué)習(xí)者在線上學(xué)習(xí)遇到問題時不太愿意求助其他同學(xué)，同時也不太愿意對他人的提問進(jìn)行解答，學(xué)習(xí)粗心且缺乏主動性，在學(xué)習(xí)上花費(fèi)時間的較短以至于在上機(jī)實(shí)訓(xùn)的過程中難以完成教師的學(xué)習(xí)任務(wù)。

表4 不同學(xué)習(xí)風(fēng)格的成績分布

3.不同學(xué)習(xí)風(fēng)格者的差異性分析

依據(jù)得到的具有一定精確度的學(xué)習(xí)風(fēng)格挖掘模型，收集該學(xué)院20級計(jì)算機(jī)專業(yè)96名學(xué)生的線上學(xué)習(xí)行為數(shù)據(jù)。此處以信息加工維度的數(shù)據(jù)為例，該樣本所呈現(xiàn)的散點(diǎn)圖如圖2所示，由于計(jì)算機(jī)編程類課程更多的是需要學(xué)生將所學(xué)知識通過實(shí)踐操作進(jìn)行運(yùn)用與鞏固，在這類課程中教師會更加注重對學(xué)生動手能力的培養(yǎng)，以及學(xué)生在實(shí)際項(xiàng)目開發(fā)過程中的代碼應(yīng)用情況，因此對不同學(xué)習(xí)風(fēng)格者的差異分析不僅包括其在課堂與線上的學(xué)習(xí)行為表現(xiàn)，也包括期末考核時最終的項(xiàng)目開發(fā)效果。結(jié)合線上學(xué)習(xí)行為數(shù)據(jù)與課堂行為表現(xiàn)來看，學(xué)習(xí)者的章節(jié)學(xué)習(xí)次數(shù)與任務(wù)點(diǎn)完成百分比數(shù)據(jù)分布較為集中且活躍，視頻觀看時長與討論數(shù)的數(shù)據(jù)較為離散?；钴S型學(xué)習(xí)者無論是在課堂教學(xué)還是在上機(jī)實(shí)訓(xùn)課程中，對于教師提出的問題都能積極地給予反饋，并且在遇到問題或者感興趣的點(diǎn)時喜歡與周圍人交流討論，這與其線上學(xué)習(xí)行為表現(xiàn)一致，因此活躍型學(xué)習(xí)者在信息感知、輸入與理解維度也有相應(yīng)的風(fēng)格偏好。如在知識學(xué)習(xí)過程中他們能保持持續(xù)的熱情，善于思考，既能按時完成教師布置的學(xué)習(xí)任務(wù)，也能根據(jù)自身學(xué)習(xí)情況調(diào)整學(xué)習(xí)策略，利用學(xué)習(xí)資源查漏補(bǔ)缺。相反，沉思型學(xué)習(xí)者在學(xué)習(xí)過程中一直比較安靜，在課堂學(xué)習(xí)中教師難以感受到其學(xué)習(xí)熱情，無論是教師安排的學(xué)習(xí)任務(wù)還是自己遇到的學(xué)習(xí)問題都不會主動嘗試解決，學(xué)習(xí)態(tài)度較為消極，在小組合作項(xiàng)目開發(fā)過程中很少發(fā)表自己的看法，從而導(dǎo)致學(xué)習(xí)效果不太理想。

圖2 信息加工維度聚類效果散點(diǎn)圖

四、研究結(jié)論

本研究以Felder-Silverman學(xué)習(xí)風(fēng)格理論模型為基礎(chǔ)，首先提出了與之相對應(yīng)的線上學(xué)習(xí)行為分類。接下來依據(jù)所羅門學(xué)習(xí)風(fēng)格量表（ILS）初始化學(xué)習(xí)風(fēng)格，顯式獲取學(xué)習(xí)者的學(xué)習(xí)風(fēng)格。然后依據(jù)學(xué)習(xí)通平臺收集學(xué)習(xí)者相應(yīng)線上學(xué)習(xí)行為，并從數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)的統(tǒng)計(jì)與輸出、結(jié)果輸出三個步驟利用K-means聚類算法構(gòu)建學(xué)習(xí)風(fēng)格挖掘模型，隱式得到學(xué)習(xí)者的學(xué)習(xí)風(fēng)格預(yù)測結(jié)果，最后不斷優(yōu)化，使模型具有了較高的精確度，尤其是信息感知、信息輸入維度的精確度分別達(dá)到了73.47%、78.26%。

同時，在實(shí)證研究過程中也發(fā)現(xiàn)了一些問題。教師在開展混合教學(xué)時，學(xué)生除了在規(guī)定的時間內(nèi)進(jìn)行課堂學(xué)習(xí)之外，在課外也需要完成線上的學(xué)習(xí)任務(wù)，部分學(xué)生尤其是大一新生在短時間難以適應(yīng)，反映在線上學(xué)習(xí)行為數(shù)據(jù)中就是某些學(xué)生的行為并不活躍，對于教師安排的學(xué)習(xí)任務(wù)不能按時完成，畏難情緒較大。因此，廣大教師今后在開展混合教學(xué)時，應(yīng)當(dāng)注意合理分配線上、線下教學(xué)活動和任務(wù)的數(shù)量，不可為追求教學(xué)設(shè)計(jì)或?qū)W生學(xué)習(xí)行為數(shù)據(jù)的豐富性而在線上、線下都設(shè)置較多學(xué)習(xí)任務(wù)，增加學(xué)生學(xué)習(xí)負(fù)擔(dān)，造成學(xué)習(xí)疲勞，以致削弱學(xué)生的學(xué)習(xí)動機(jī)與興趣，得不償失。

通過分析學(xué)生的學(xué)習(xí)風(fēng)格能夠掌握學(xué)生在學(xué)習(xí)過程中普遍遇到的問題，以及學(xué)生對教學(xué)方法和教學(xué)設(shè)計(jì)的偏好，從而幫助教師在組織教學(xué)過程中利用恰當(dāng)?shù)膶W(xué)習(xí)資源、豐富的學(xué)習(xí)活動等手段引發(fā)學(xué)習(xí)者的學(xué)習(xí)興趣，促進(jìn)學(xué)生的個性化發(fā)展，同時也能提高教師自身在工作過程中的滿意度，從而進(jìn)一步提升教學(xué)效果。