网络个性化学习中学习风格的挖掘.docxVIP

网络个性化学习中学习风格的挖掘 一、 基于学习行为的学习风格确定 有不同的知识水平、学习风格、动机和目标。在教育中，我们必须充分尊重学生的个性，实现“因材施教”和“个性化学习”。根据多数教育研究者所言,学习风格是影响个性差异最主要的一个因素, 深深地影响着学习过程, 如果在教学中考虑了学习者的学习风格, 将会有效激发和维持学习者的学习动机, 会使学习变得很容易, 可以付出很少时间和努力却能获得很好的学习成绩。学习风格是指学习者在完成学习任务过程中所表现的不同学习方式、学习策略, 比如, 有的学习者喜欢从图片、视频等媒体类型上获取知识, 而有的学习者喜欢从言语交谈或文本媒体类型中获取知识;有的学习者愿意先从具体实例资源学起, 而有的学习者愿意从比较抽象的定义中开始学习;有的学习者愿意合作学习, 而有的学习者比较愿意自学等等。然而, 在传统的面对面教学中, 教师若想根据学习者的学习风格采用相应的教学方式是行不通的, 很难想像在一个班级里, 一位教师能够针对班级50名或更多的学习者分别采用不同的教学方式传授不同的课本知识, 但是网络学习却很好地解决了因材施教问题, 利用网络学习服务支持系统能根据学习者的学习风格提供个性化学习服务。常见确定学习者学习风格的方法有两种:一种是显性方法。通过学习者填写学习风格量表获得, 代表性学习支持服务系统有AES-CS、INSPIRE及The SACS (Style-Based Ant Colony System) 等。然而, 这种显性方法推测学习风格存在不足之处, 比如, 静态推测, 不能伴随着学习者的学习动态及时更新;风格量表题较多, 给学习者带来一定的负担;会因学习者填写的随意性而产生错误的答案, 导致推测结果不准确等等。后期也有研究者对显性方法进行了改进, 让学习者进入系统后自选学习风格, 这样做虽然提高了学习者自控能力, 但是主观判断依然强烈, 有些学习者甚至还不清楚自己的学习风格就去选择, 导致推送个性化学习资源的准确性不高。第二种是隐性方法。通过分析学习者与系统之间的交互行为确定学习风格, 代表性学习支持服务系统有AHA! (version 3.0) ,这种方法确定的学习风格具有动态性, 会根据学习行为及时修正学习风格模型, 满足学习者的学习需求。然而, 不难发现利用隐性方法确定学习风格同样存在不足之处, 存在“冷开始”问题, 原因在于根据学习行为确定学习风格是建立在大量的学习行为模式基础上, 对于初学者而言是无法做到的。鉴于此, 本文将采用显性法为辅和隐性法为主的混合方法确定学习风格, 即, 基于Felder-Silverman学习风格理论模型, 首先依据所罗门学习风格量表初始化学习者的学习风格模型, 然后再主要利用贝叶斯网络方法挖掘网络学习行为模式建构学习风格模型, 实现网络个性化学习对象准确的推送。 二、 学习风格的理论模型和建设模型 (一) 学习风格模型 自教育研究有从“教”向“学”的转移倾向, 研究者逐渐重视学习者个别差异学习研究和学习者个体在学习过程中的主观能动性和创造性, 由此关于学习风格研究便成为热点。目前已提出多种与学习风格相关的理论模型, 比较有名的有Kolb学习风格模型 (Kolb, 1999) 、Honey and Mumford学习风格模型 (Honey and Mumford, 2000) 、Dunn学习风格模型 (Dunn and Griggs, 2003) 及Felder-Silverman学习风格模型 (Felder and Silverman, 1988) 等,每种模型对学习风格提出了不同的描述和分类。本研究主要采用FelderSilverman学习风格模型, 有如下理由: (1) 相比其他学习风格模型, Felder-Silverman学习风格模型描述更为详细; (2) Felder-Silverman学习风格模型已经被成功应用, 如据Kuljis and Liu (2005)所说, Felder-Silverman学习风格模型最适合做自适应、个性化课件。CS383、MASPLANG、LSAS、TANGOW等国外著名的自适应学习系统都采纳此学习风格模型; (3) Felder-Silverman学习风格模型将每位学习者设定为四个维度:信息加工 (活跃型/沉思型) 、感知 (感觉型/直觉型) 、输入 (视觉型/言语型) 、理解 (序列型/综合型) 。其中活跃型学习者喜欢尝试做事、合作学习;而沉思型学习者喜欢思考问题, 自主学习;感觉型学习者喜欢学习具体事物, 比如实例, 而直觉型学习者喜欢抽象的学习资料, 喜欢具有挑战性、创新性的知识;视觉型学习者擅长从图片、视频等中获取知识, 言语型学习者则擅长从文本、交谈中获取信息;序列型学习者属于线性学习, 小