Smap-可自适应Felder—Silverman学习风格模型动态学习路径推荐工具.docVIP

Smap:可自适应Felder—Silverman学习风格模型动态学习路径推荐工具【摘 要】 为了解决伴随远程学习而产生的“学习偏离”和“认知过负”问题，基于学习风格偏向性的个性化学习路径推荐是一个解决方案。但现有智能学习系统，因其底层缺乏可自组织的资源组织结构，导致学习对象无法动态选择。为了解决这一问题，本文提出基于3向可演化的语义链网络（SLN）资源组织结构，并在此基础上开发了原型系统Smap。具有不同学习风格偏向性的学习者，可以根据SLN中的语义关系获得符合其学习风格的学习路径引导。 【关键词】 学习风格；学习路径；3向语义链网络 【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009—458x（2013）05—0077—10 一、前言 1. 研究背景 1999年，Russell利用统计学手段对各种远程教育模式和传统授课模式进行了采样分析，认为远程教育与传统教育模式在教学效果上没有显著区别。这一“无显著效应现象（the no significant difference phenomenon）”[1]使得网络教育系统在教学活动中被广泛使用成为可能。但是，由于传统的网络教育系统不能为用户提供个性化的服务，近年来，个性化的E-Learning环境和自适应教育超媒体系统越来越广泛地用于替代传统的网络教育系统，国内外许多研究者在顶级杂志和会议上提出了各种智能学习平台的构想。在大部分智能学习系统中，系统智能性的优劣仍局限在系统满足用户需求的程度上。但是，广大教育学工作者对于这种“用户需求”驱动的智能学习平台其智能性是否真能达到所描述的效果产生了怀疑。许多教育工作者投入到更细致的研究中，迅速发现这种“用户需求”驱动的智能系统会给学习者带来“学习偏离”和“认知过负”问题[2]。为了解决这一问题，许多相关研究都致力于找到能够度量学习者学习经验的途径和方法，以希望通过融合学习者学习背景和知识水平在E-Learning环境中提供智能的个性化知识服务和导航[3]。 学校教学总是习惯性地根据学生已有的知识（或能力）将学生进行分组。因此许多教育软件，在线的、基于学校资源的自适应教育超媒体系统，在设计上就与这些教学指导方针相一致，即根据学生已有的知识水平或能力级别来对学生进行区分[4][5][6][7][8][9][10]。这些系统主要根据用户已有的知识来为用户建模，然后根据这些模型为用户在内容层和链接层提供自适应服务。这种基于知识背景的学习者建模从教育的角度看是相对简单的方法，它把学生分成对应的组，并要求学生在获得新知识后不断提升自己。但是，这种模型没有考虑包含其他方面的学习过程的自适应，例如根据学习者的学习风格或是学习者的情感来进行自适应调整。因此也不会为用户提供任何协作设施。 美国中学校长联合会主席Keefe[11]将学习风格描述为“学习者在学习环境中如何感知、交互并反应的关于特征认知、情感以及心理学意义上行为的相对来说较为稳定的指征”。无论是教育学研究者还是心理学研究者，都将学习风格作为学习过程中的一个重要因素，并一致认为将其整合进教育可以更好地促进学习者学习。大量相关的教育学理论也都支持这一论点，例如Bajraktarevic[12]、Graf[13]以及Pashler[14]等人都证明并支持了这一结论。 2. 相关研究 一些自适应教育超媒体系统（Adapted educational hypermedia system，AEHS）已经建立了学习者的学习风格用户模型，目的是为了使学习者获得更适合自己的学习资源[15]，如INSPIRE系统[16]、ARTHUR系统[17]、AES-CS系统[18]、CS383系统[19]、Tangow系统[20]、AHA！系统[21]、Protus系统[22]、TSAL系统[23]等，都试图根据用户学习风格提供个性化服务。 其中，AES-CS系统使用Witkin的FD（场依存）/FDI（场独立）模型族在多媒体技术系统（Multimedia Technology System）中实现了对控制、引导支持、导航工具以及评估问题反馈的自适应。INSPIRE系统应用Honey-Mumford模型族来支持教育素材网页中多种类型教育资源的自适应。iWeaver系统[24]使用Dunn-Dunn模型族支持导航和内容呈现的自适应。而更多的智能系统，如Tangow系统、WHURLE系统[25]、CS383系统和Protus系统则使用Felder-Silverman模型族支持了对学习内容呈现的自适应。 但是，上述这些现有的学习行为引导主要是将学习风格集成在智能系统中，很多甚至没有建立规则，从而导致行为引导与当前课程中的学习对象紧密关联。例如P