基于“風格-內容-行為”的三維學習風格傾向診斷模型設計及其適應性學習應用

摘要：學習風格影響學習者對內容及其組織結構的偏好，進而影響學習效果。另外，在線學習情境持續變化、操作內容對象多樣，而學習風格在不同的情境下呈現波動狀態，故進行學習風格傾向的適應性診斷并提供與之匹配的服務至關重要。基于此，文章綜合考慮在線學習典型內容對象類型、學習行為及其對學習風格的影響，設計了基于“風格-內容-行為”的三維學習風格傾向診斷模型。之后，文章提出了基于學習行為的學習風格傾向適應性診斷方法，設計了適應性學習系統。在此基礎上，文章選取“高校留學生發展漢語”和“小學科學光合作用”兩個場景，通過行為分析和滿意度分析，進行了診斷模型的適應性學習應用效果分析，結果表明：適應性學習系統對學習風格傾向診斷的準確率較高，且學生大多對學習情境適應性和學習風格適應性持滿意態度，由此驗證了診斷模型的適應性學習效果較佳。文章的研究實現了學習風格傾向的動態適應性診斷，有利于提升在線學習效果，并為適應性學習實踐提供指導。

關鍵詞：學習風格；學習行為；自適應診斷；在線學習；適應性學習

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）07—0102—11 【DOI】10.3969/j.issn.1009-8097.2024.07.011

引言

近年來，在線學習成為日益重要的學習方式，彌合了傳統學校教育與泛在教育的鴻溝[1]。在線學習過程中，學習者在特定環境下與特定資源進行交互，開展學習，習得知識。但不能忽視的是，在線學習情境日益多樣、影響學習效果的要素日益多元，這使學習者對資源的偏好和需求也千差萬別。學習風格作為學習者偏好的重要體現，可以反映學習者對資源的選擇傾向與學習策略[2]。精準判斷學習者的風格并提供適應性的學習資源，對于保障在線學習的效果具有重要意義。正因如此，學習風格成為在線學習設計的重要因素，一些研究者開始融合學習風格設計在線學習平臺的功能。

目前，研究者對學習風格的診斷多基于問卷和量表調查，盡管學習風格是相對穩定的特質，但在學習者成長的不同階段或不同任務中，其學習風格傾向也會發生變化。例如，視覺型學習者多數時間偏好選擇視頻、圖像類學習素材，但在瀏覽、學習大量抽象素材后，其學習風格傾向可能會向言語型轉變[3]，這使基于量表的判別方法用于學習風格診斷時可能會出現滯后性或偏差，進而影響在線學習服務的適應性。考慮到學習行為是學習者傾向在學習過程中的體現，具有動態性、持續性，而實時采集學習者的學習行為并進行分析，能夠更精準地診斷學習者的學習風格傾向。因此，本研究立足學習行為對學習者學習風格傾向的揭示作用，通過采集學習元知識社區的學習行為數據，構建“風格-內容-行為”的三維學習風格傾向診斷模型，用于支持學習者的適應性學習。

一 基于學習風格的適應性學習研究

近年來，學習風格作為影響學習績效的因素得到了越來越多的關注[4]。目前，基于學習風格的適應性學習研究主要包括兩方面：一是學習風格對在線學習的影響研究，旨在為開展更加適應的在線學習設計提供依據；二是基于學習風格識別與診斷的適應性學習支持研究，主要用于支持適應性學習實踐。

1 學習風格對在線學習的影響

當前，學習風格對在線學習的影響研究主要涉及以下方面：①基于學習風格的課程建設原則研究，如張燕南等[5]發現學習風格特征影響學習者的學習評價和體驗，提出網絡課程建設“有的放矢”和“多數人民主”的原則。②學習風格與在線學習策略的關系研究，如李運福等[6]發現學習風格對學習者的策略使用具有顯著影響；傅鋼善等[7]發現學習風格影響學習者的在線學習焦慮和空間感，提出基于學習風格進行有效教學的策略；李文昊等[8]發現學習風格影響學習者的觀點提出、選擇等，認為應當按照學習風格合理進行協作學習分組。③學習者的在線學習行為研究，如李艷紅等[9]發現主動體驗型風格的學習者具有更多的課程探索行為，從而間接提升了學習成效；Uro?等[10]探究了不同風格學習者偏好的學習內容類型，可為在線學習內容的設計提供參考。④學習風格與個體微觀認知特征的關系研究，如王改花等[11]通過眼動規律分析，探究不同學習風格對學習者在線學習的影響，發現不同的學習風格特征會影響學習者在線學習的注意力分配。整體來看，學習風格能夠影響在線學習的動機、行為、策略設計等，精準診斷學習者的學習風格傾向，有利于提升在線學習的成效。

2 基于學習風格識別與診斷的適應性學習支持

當前，基于學習風格識別與診斷的適應性學習支持研究聚焦兩方面：①以學習風格診斷賦能適應性學習設計，如李馨[12]基于序列型學習者與綜合型學習者的認知差異，構建融入“適應性”的教育游戲結構設計模型并用于支持小學生的四則運算學習，提升了學習效率；Yang等[13]綜合Felder-Silverman的8類學習風格，為在線學習者提供適應性的內容框架，驗證了其促進在線學習的有效性；Ramirez-Arellano等[14]設計基于學習風格的內容推薦系統，提升了學習者的適應性學習效率。②促進學習風格精準識別與診斷的方法設計，如Chang等[15]整合K-NN算法和遺傳算法，基于采集的學習行為對學習者的學習風格進行分類，發現該方法能夠較好地識別和診斷學習者的學習風格；Yang等[16]基于學習者對學習內容對象的操作行為定義不同類型學習風格的分類模式，并基于模式識別技術設計學習風格預測方法；姜強等[17]通過分析不同學習風格的特征，構建了基于貝葉斯網絡挖掘學習者的行為模式進而推測學習風格的方法，發現該方法具有較高的準確性。上述研究不僅驗證了可以基于行為實現學習風格的動態挖掘，還驗證了基于學習風格診斷的適應性學習支持是有效的。

從學習風格的現有研究來看，在線學習的影響要素較多，學習者在不同階段、不同情境下的學習風格可能會發生波動[18]，這些波動表現在學習者不同時間、對不同類型學習內容對象的外顯操作行為上，如學習者瀏覽、編輯學習素材。而這些情境化的外顯表現常常在學習風格診斷過程中被忽視，易造成診斷失真。因此，綜合考慮學習風格的動態性、學習風格與學習內容對象的關聯，設計學習風格傾向診斷模型，對于提升在線學習的適應性至關重要。

二 基于“風格-內容-行為”的三維學習風格傾向診斷模型

針對當前學習風格傾向診斷存在的主觀、不及時、不精準等問題，本研究依托泛在學習平臺——“北京師范大學學習元知識社區”（網址：http：//www.etc.edu.cn/），綜合考慮在線學習典型內容對象類型、學習行為及其對學習風格的影響，設計了基于“風格-內容-行為”的三維學習風格傾向診斷模型（下文簡稱“診斷模型”），如圖1所示。

1 核心要素

診斷模型包含學習風格模型（風格）、內容對象類型（內容）、學習行為（行為）三個核心要素，用以將學習風格與特定學習內容對象的操作關聯。

（1）學習風格模型

學習風格模型提供待診斷的學習風格維度及其具體指標，是診斷模型的基礎。具體而言，學習風格模型可以定義不同類別的學習風格（如Felder-Silverman學習風格、Kolb學習風格），以支持不同的診斷需求。本研究選取Felder-Silverman學習風格模型作為診斷的基礎支撐[19]，其按照學習者信息處理的不同，可以細化為感知、推理、信息加工三個維度。其中，感知維度包含一組對應的風格，即{視覺型， 言語型}；推理維度包含一組對應的風格，即{序列型， 綜合型}；而信息加工維度包含兩組對應的學習風格，即{{活躍型， 沉思型}，{抽象型， 具體型}}。

（2）內容對象類型

內容對象類型表示學習者在學習過程中依托的資源或學習內容對象的類型，可用于判斷學習者對內容的不同偏好，如學習者更傾向于通過視頻資源學習還是通過文字類素材學習。本研究將已經標準化的泛在學習資源模型——“學習元國際標準”作為在線學習平臺內容設計的參考[20]，選取學習元知識社區中能夠反映在線學習特征的典型內容對象類型作為學習風格診斷的依據：①針對感知維度的學習風格，主要按內容對象的呈現形式進行區分，如側重視覺呈現的視頻、圖片，或者側重言語表述的文本、音頻等；②針對推理維度的學習風格，主要按內容對象自身的組織結構進行區分，如按順序依次呈現，或者按內容邏輯主次分明地呈現；③針對信息加工維度的兩組風格，活躍型、沉思型主要通過活動類的內容對象（如討論交流、反思活動）來呈現，而抽象型、具體型主要通過內容的展示形式（如抽象概念、示例形式）來呈現。上述內容對象類型可以反映學習風格的不同維度特征，如概念圖活動既反映了視覺型風格，又反映了綜合型風格。綜合上述分析，根據學習元知識社區中的內容對象類型，診斷模型主要定義了{圖像類， 視頻類， 音頻類， 圖表類， 模式結構類， 文檔和筆記類， 活動{概念圖， 討論交流， 學習反思， 提問答疑， 投票， ……}， ……}。

（3）學習行為

學習行為是指診斷模型中“主體人”參與學習活動產生的交互。學習者訪問的內容對象類型只能從形式上反映其學習風格的傾向，而不同類型的行為可以反映其學習風格的偏好程度：在只有內容對象類型的前提下，學習者經常操作視頻、圖片類內容，可以表明其偏好視覺類素材；學習者經常參與討論、辯論等學習活動，可以表明其具有活躍型傾向。但需要說明的是，上述偏好或傾向忽視了學習者行為類型和頻度的差異，如搜索、瀏覽、收藏、下載、協作、創建等均能反映不同深度的交互，這些交互的疊加對于精準診斷學習者的學習風格具有重要意義。根據基于學習元的雙螺旋深度學習模型[22]，本研究將學習行為定義為三種類型：①接受型，主要包含內容瀏覽、搜索、下載等行為，屬淺層交互；②交互型，主要包括加入學習、參與協作、評論、批注等行為，屬中等深度的交互；③創造型，是指學習者能夠批判性地貢獻內容、交流觀點的行為，如創建內容、發帖回帖等行為，屬深度交互。

2 關聯約束

對應于風格、內容、行為三個核心要素，診斷模型提供情境匹配、內容-風格關聯、行為賦權三個關聯約束，用于精細化定義不同情境下、不同行為對學習風格傾向的影響。

（1）情境匹配約束

情境匹配約束是將學習者的行為按照情境進行分類，進而使學習風格傾向的診斷按照情境細分，凸顯學習風格傾向波動的情境性。在學習元知識社區，學習情境被劃分為正式情境（如課堂學習、實驗室學習）和非正式情境（如場館學習、基于移動設備的情境感知學習）兩類。

（2）內容-風格關聯約束

內容-風格關聯約束是建立學習風格模型和內容對象類型的對應關系，使學習風格的不同維度可以通過對特定內容對象的操作行為進行表征。基于學習元知識社區中內容對象類型的分析，本研究參考Ramirez-Arellano等[23]設計的基于學習風格的內容推薦系統，依托Felder-Silverman學習風格模型，繪制了內容-風格關聯約束表，如表1所示。根據內容-風格關聯約束表，學習者在特定情境下產生針對上述類型內容對象的學習行為時，便以xAPI方式進行記錄lt;操作主體，操作對象，操作行為，情境，操作結果gt;，這些記錄可以為學習風格傾向的計算提供數據支持。

（3）行為賦權約束

學習者在特定內容對象上產生的不同類型行為，反映了學習者對內容對象的關注度。考慮到這些行為在預測學習風格傾向時的重要程度存在差異，因此行為的計算權重需要賦予不同值——這些值是形成行為賦權約束表的重要依據。行為賦權約束是基于學習者對學習內容對象操作的不同行為子類，設置各行為子類的權重，以區分不同行為反映學習風格的差異。為充分滿足學習者自身的需求，行為賦權約束表增加了學習者自主添加的“個體偏好”，從而以學習者的主觀偏好優化客觀行為的片面性，具體如表2所示。值得注意的是，行為權重的值為專家預設，在應用過程中可以根據實際需要進行適應性調整。

從三個關聯約束的作用來看，學習風格傾向主要通過學習者在學習過程中對內容對象的操作來體現，因此“內容-風格關聯”是基礎；由于學習風格傾向在不同情境下存在波動[24]，故進行“情境匹配”能夠將情境對學習風格傾向波動的作用顯性化，提升學習風格傾向診斷的精準性；“行為賦權”則充分考慮了不同類型行為在學習者學習風格傾向診斷中的作用，如瀏覽行為、回復行為、創建行為可以反映學習者與特定內容對象的不同交互深度，因此對不同類型行為進行區分、賦權，有利于在學習風格診斷過程中強化有意義的行為。

三 基于診斷模型的適應性學習應用

依托基于“風格-內容-行為”的三維學習風格傾向診斷模型，本研究從學習風格傾向診斷方法、適應性學習系統設計和適應性學習應用效果三個方面對診斷模型的應用進行闡述。

1 基于學習行為的學習風格傾向適應性診斷方法

本研究綜合學習者的情境化行為、內容對象操作、操作時間，提出了基于學習行為的學習風格傾向適應性診斷方法，其操作步驟具體如下：

（1）表征學習者在線學習過程中操作的不同內容對象的集合M

本研究在表1定義的內容對象可作為內容對象父類集合進行表征，形成：M={ContentObject1， ContentObject2， ……， ContentObjectt}，t∈{圖像類， 視頻類， ……}。其中，ContentObjectt表示圖像類、視頻類、音頻類等內容對象的集合，而每個ContentObjectt都匯聚了特定學習者在線學習過程中操作的t類型所有學習內容對象實例，即：ContentObjectt={Materialt1， Materialt2， ……， Materialtn}，其中Materialkn表示具體的資源實例，如“光合作用實驗視頻”。

（2）根據情境特征，獲取當前情境下學習者特定階段的所有行為集合

針對步驟（1）得到的M，提取在每個內容對象實例上產生的學習行為，并按行為的類型B進行組織，得到學習者在M上產生的所有行為及其頻率集合，形成集合CB：CB=F（B， M）={B1， B2， ……， Bi}。而Bi=COFrequency{Ri1， Ri2， ……， Rij， ……， Rit}，其中Rij代表學習者在第j類內容對象（如圖像、文檔等）上產生的第i類行為的頻次。

（3）以學習風格為基礎，從集合CB中分類提取反映不同學習風格類型的行為子集

針對步驟（2）得到的學習者在M上產生的所有行為及其頻率集合，依據內容-風格關聯約束表，提取能夠反映不同學習風格內容對象的操作行為頻率，形成CB在不同風格維度的子集。例如，CB在視覺型學習風格維度上的子集為：CBVisual={BS1， BS2， ……， BSi}，其中BS1為B1的子集。而BS1=VisualCOFrequency{RS11， RS12， ……， RS1t}，其中RS1t為能夠反映當前學習風格（視覺型）內容對象t的第1類操作行為頻率，不能體現當前視覺型風格的內容對象頻率直接賦分為0。同理，依次得到每類學習風格的行為頻率集合CBstyle，用以支持學習者學習風格系數的評估。

（4）進行行為賦權，得到加權的學習風格傾向系數

針對步驟（3）得到的能夠反映學習者不同學習風格內容對象的操作行為頻率，參考行為賦權約束表的權重向量W進行加權，根據公式（1）得到學習者最終的學習風格傾向系數。

StyleScore=Max（W×CB）"""""" 公式（1）

獲取學習者在學習風格每個維度的一對系數后取其得分更高者，即為學習者當前維度的學習風格傾向。例如，學習者在感知維度的視覺型得分若大于言語型得分，則認為學習者具有視覺型傾向。在后續的學習過程中，可根據計算得到的學習風格傾向系數為學習者推薦相應資源。

（5）基于時間加權函數的學習風格傾向計算優化

通過步驟（1）～（4），可以得到學習者在指定時間段的學習風格傾向，但忽視了不同時間段行為在診斷過程中的差異，對此本研究設計了基于時間演變對學習風格傾向進行計算優化的方法。在計算學習者學習風格傾向系數時，本研究默認采集學習者最近一個時間段Period中的學習數據。為體現此階段內學習風格傾向受時間波動的影響，本研究按照時間先后順序將Period中的行為分為k段，記為（p1， p2， ……， pk），則對應k段的時間節點分別為t（1/k， 2/k， ……， 3/k）。在學習過程中，個體近期的操作行為更能體現其學習風格傾向，而相對較遠的行為對當前學習風格傾向的影響會減弱，因此時間對學習者學習風格傾向的影響為單調增函數。據此，本研究采用Logistic函數對權重進行映射，得到如公式（2）所示的時間加權函數。

W（t）="""" 公式（2）

基于上述時間加權函數對不同時間段發生的行為進行加權后，即可更新學習者在{視覺型， 言語型， 序列型， 綜合型， 活躍型， 沉思型， 抽象型， 具體型}不同學習風格上的學習風格傾向系數StyleScore，實現該系數隨時間推移的動態階段性演化。

2 基于診斷模型的適應性學習系統

按照上述學習風格傾向適應性診斷方法的步驟操作得出輔助學習者適應性學習的學習風格傾向之后，本研究基于學習元知識社區的課程功能和數據體系，設計了基于診斷模型的適應性學習系統。此系統主要提供三個功能：①基于特定主題的素材匯聚與標注。系統根據主題和知識點，匯聚支持學習者學習的學習素材，然后存儲在特定主題的素材庫Container中[25]，并采用專家輔助方式實現情境標注和學習風格標注（如圖2所示），以確保素材屬性的準確性。②基于學習行為的學習風格自適應診斷。學習者選取課程進行在線學習，根據診斷模型采集的數據進行學習者學習風格傾向的動態計算，判斷學習者的學習風格傾向及其對應能力層級（按照學習理解、應用實踐、遷移創新的學科能力模型分為9級），如圖3所示。③基于學習風格的學習內容推薦與生成。基于動態計算得到的學習風格傾向，可從兩方面給予適應性支持：一方面通過匹配學習風格與學習素材，支持適應性推薦特定風格類型的學習素材；另一方面自適應生成支持基于學習風格的在線學習內容，即生成的內容是依據特定需求、按照一定順序對一系列素材進行系統整合形成的課件型學習資源，而課件不同環節的素材及其結構按照學習者的學習風格傾向進行選取和組織。上述適應性學習系統為在線學習從“千人一面”走向更加精細、更具動態適應性的個性化學習提供了條件。

3 診斷模型的適應性學習應用效果分析

適應性學習系統研發完成后，本研究在學習元知識社區選取“小學科學光合作用”和“高校留學生發展漢語”兩個情境的課程，通過行為分析和滿意度分析來驗證診斷模型的適應性學習應用效果。其中，“小學科學光合作用”課程為期4周，研究對象為北京市Y小學隨機選取的30名小學生，他們通過平板電腦在正式情境下開展課堂學習；“高校留學生發展漢語”課程周期同樣為4周，課程內容為漢語基礎、進階語音與聽寫，研究對象為福建省H大學的21名自愿參與實驗的一年級留學生，他們通過手機、iPad等加入課程后隨時隨地在非正式情境下進行自主學習。在兩門課程的學習過程中，系統將根據兩組學生的行為動態診斷其學習風格傾向，并據此推薦或生成適合學生學習風格傾向的學習資源。

（1）行為分析

行為分析主要通過學生獲取學習資源之后是否選擇重新獲取來判斷：若學生選擇重新獲取，說明系統推薦或生成的學習資源不適合學生的學習風格傾向，即系統對學習風格傾向診斷的準確率低；反之，則準確率高。

四周的課程學習結束后，研究人員首先統計系統為兩組學生推薦或生成學習資源的總數（Sum=514），然后記錄兩組學生選擇重新獲取的行為頻次（ReGenerate=85），最后計算兩組學生沒有選擇重新獲取的行為占比：（Sum-Regenerate）/Sum=（514-85）/514≈83.5%。此數據說明，系統對學習風格傾向診斷的準確率較高（83.5%＞80%）。

（2）滿意度分析

滿意度分析下設兩個維度：①學習情境適應性，即分析系統推薦或生成的學習資源能否契合學習者所處的學習情境；②學習風格適應性，即驗證系統推薦或生成的學習資源與學生的學習風格傾向是否匹配。據此，本研究設計了“學習資源適應性問卷”，采用李克特五點量表（從“非常不滿意”到“非常滿意”分別設為1～5分）計分。

本研究通過“問卷星”面向Y小學的30名小學生和H大學的21名留學生開展了問卷調查，共回收有效問卷42份。滿意度分析結果如表3所示，可以看出：在“小學科學光合作用”課程中，24名小學生在學習情境適應性、學習風格適應性兩個維度的得分均值分別為4.40、4.54，說明多數小學生的滿意度評價介于“滿意”和“非常滿意”之間；而在“高校留學生發展漢語”課程中，18名留學生在學習情境適應性、學習風格適應性兩個維度的得分均值分別為3.94、3.72，說明多數留學生的滿意度評價介于“基本滿意”和“滿意”之間，且更多地趨向于“滿意”。可見，學生大多對學習情境適應性和學習風格適應性持滿意態度。

四 結語

學習風格是影響學習的重要因素。在線學習過程中精準診斷學習者的學習風格傾向并據此對系統推薦或生成的學習資源進行選擇和整合，對于學習效果的提升有重要意義。考慮到學習風格傾向隨學習情境和內容的變化呈現一定的波動性，以及當前研究在實現學習風格傾向診斷中依賴主觀指標，計算不準確、不及時等局限性，本研究設計了基于“風格-內容-行為”的三維學習風格傾向診斷模型。為驗證應用效果，本研究選取“小學科學光合作用”和“高校留學生發展漢語”兩個情景進行了診斷模型的適應性學習應用。通過行為分析和滿意度分析，本研究發現：適應性學習系統對學習風格傾向診斷的準確率較高，且學生大多對學習情境適應性和學習風格適應性持滿意態度，由此驗證了診斷模型的適應性學習效果較佳，不僅能夠較為精準地識別學習風格傾向、為學生提供適合其學習情境和學習風格的學習資源，而且具有較好的場景遷移性。但與此同時，本研究也存在一些局限，如診斷模型僅應用于兩個場景、規模有限；診斷模型在行為、內容對象與學習風格的關聯上尚處于初步探索階段，更權威的關聯機制有待探索等。對此，后續研究需要探究診斷模型在更加開放、多元的學習場景下是否可以支持大規模學習者取得較好的學習成效；需要在大規模實踐中逐漸完善和優化內容-風格關聯約束表、行為賦權約束表，以更加精準地支持學習風格傾向診斷；需要深入挖掘學習風格促進在線學習的機制和原理，進而為學習風格賦能在線學習的理論與實踐研究提供指導。

————————

參考文獻

[1]余勝泉，王慧敏.如何在疫情等極端環境下更好地組織在線學習[J].中國電化教育，2020，（5）：6-14、33.

[2]趙宏，陳麗，趙玉婷.基于學習風格的個性化學習策略指導系統設計[J].中國電化教育，2015，（5）：67-72.

[3][18][24]Mario S， Thomas M， Thomas H. Learning style analysis in adaptive GBL application to teach SQL[J]. Computers amp; Education， 2015，86：105-119.

[4]高虎子，周東岱.自適應學習系統學習者學習風格模型的研究現狀與展望[J].電化教育研究，2012，（2）：32-38.

[5]張燕南，張力，周濤，等.學習風格對網絡學習的影響：一項實證研究[J].開放教育研究，2010，（3）：160-166.

[6]李運福，傅鋼善.網絡環境下學習者策略性特征群體差異研究——基于Felder-Silverman學習風格的群體劃分[J].現代教育技術，2015，（6）：102-107.

[7]傅鋼善，李運福.網絡學習焦慮與空間定位感間作用關系研究——基于Felder-Silverman學習風格的群體差異分析[J].電化教育研究，2015，（1）：103-109.

[8]李文昊，張銀艷.學習風格對學習者在線協作學習過程影響的實證研究[J].現代教育技術，2016，（6）：94-100.

[9]李艷紅，徐敏.學習風格偏好影響移動學習態度和行為的實證研究——以“文學批評”課程為例[J].電化教育研究，2019，（2）：45-53.

[10]Uro? O， Zoran B， Irena N， et al. Exploring the relation between learning style models and preferred multimedia types[J]. Computers amp; Education， 2013，69：343-355.

[11]王改花，傅鋼善.知識類型、呈現方式與學習風格對大學生在線學習的影響——基于眼動的證據[J].現代教育技術，2021，（9）：45-54.

[12]李馨.融入“適應性”的教育游戲結構設計模型及實驗研究[J].遠程教育雜志，2015，（2）：97-103.

[13]Yang T， Hwang G， Yang S. Development of an adaptive learning system with multiple perspectives based on students’ learning styles and cognitive styles[J]. Educational Technology amp; Society， 2013，（4）：185-200.

[14][23]Ramirez-Arellano A， Bory-Reyes J， Hernández-Simón L. Learning object retrieval and aggregation based on learning styles[J]. Journal of Educational Computing Research， 2017，（6）：757-788.

[15]Chang Y， Kao W， Chu C， et al. A learning style classification mechanism for e-learning[J]. Computers amp; Education， 2009，（2）：273-285.

[16]Yang J， Huang Z， Gao Y， et al. Dynamic learning style prediction method based on a pattern recognition technique[J]. IEEE Transactions on Learning Technologies， 2014，（2）：165-177.

[17]姜強，趙蔚，王朋嬌.基于網絡學習行為模式挖掘的用戶學習風格模型建構研究[J].電化教育研究，2012，（11）：55-61.

[19][21]Felder R M， Silverman L K. Learning and teaching styles in engineering education[J]. Engineering Education， 1988，（7）：674-681.

[20]余勝泉，王琦，汪凡淙，等.泛在學習資源組織和描述框架國際標準研究——暨學習元的國際標準化研究[J].中國遠程教育，2021，（7）：1-9、76.

[22]余勝泉，段金菊，崔京菁.基于學習元的雙螺旋深度學習模型[J].現代遠程教育研究，2017，（6）：37-47、56.

[25]王琦，余勝泉，萬海鵬.內容與結構松耦合的適應性學習資源模型及應用研究[J].電化教育研究，2022，（3）：51-59.

The Design of Three-Dimensional Learning Style Tendency Diagnosis Model

Based on “Style-Content-Behavior” and Its Adaptive Learning Application

WANG Qi1""" YU Sheng-Quan2""" WAN Hai-Peng3[Corresponding Author]

（1. Artificial Intelligence and Human Languages Lab， Beijing Foreign Studies University， Beijing， China 100089;

2. Advanced Innovation Center for Future Education， Beijing Normal University， Beijing， China 100875;

3. College of Education， Capital Normal University， Beijing， China 100048）

Abstract： Learning style affects learners’ preference for content and its organizational structure， which further influences learning effects. In addition， the online learning context is constantly changing， and the operation content objects are diverse， and the learning style shows fluctuations in different contexts， so it is very important to carry out the adaptive diagnosis of learning style tendency and provide matching services. Based on this， considering the objects types of typical content of online learning comprehensively， learning behaviors and their effects on learning styles， this paper designed the three-dimensional learning style tendency diagnosis model based on “style-content-behavior”. After that， this paper proposed the adaptive diagnosis method of learning style tendency based on learning behaviors， and designed the adaptive learning system. On this basis， the two scenarios of “overseas students in universities develop Chinese language” and “photosynthesis in primary school science” were selected to analyze the adaptive learning application effects of the diagnosis model through behavior analysis and satisfaction analysis. The results showed that the adaptive learning system had a high accuracy in the learning style tendency diagnosis， and most students were satisfied with the adaptability of learning situation and learning style， which verified the better adaptive learning effects of the diagnosis model. The research of this paper realized the dynamic adaptive diagnosis of learning style tendency， which was conductive to improving the online learning effects and providing guidance for adaptive learning practice.

Keywords： learning style; learning behavior; adaptive diagnosis; online learning; adaptive learning

————————

*基金項目：本文為北京市教育學科十四五規劃2021年度優先關注課題“北京市中小學生高階能力培養提升研究”（項目編號：CEEA21011）的階段性研究成果。

作者簡介：王琦，副教授，博士，研究方向為計算機教育應用、自適應學習，郵箱為wangqi.20080906@163.com。

收稿日期：2024年1月25日

編輯：小米