摘要：学习风格作为主要的认知模型，是在线学习系统中常用的用户建模依据。基于此，文章首先基于被使用频率最高的学习风格模型——Kolb模型、VARK模型、Felder-Silverman模型和FDI模型，对学习风格用户模型进行了分类，并解析了其可能提供的自适应服务;随后，文章从在线学习系统中用户建模的角度，分析了整合不同学习风格用户模型的自适应策略;最后，文章总结了影响在线学习系统自适应性能的关键问题，以更好地发挥在线学习系统的自适应性能。文章对学习风格用户模型的解读及其自适应策略的分析，将有助于在线学习系统对学习者进行更准确的描述和诊断，从而提供更适合的学习资源和学习建议。
关键词：学习风格;认知风格;在线学习系统;用户模型;自适应策略
引言
学习风格(Learning Style)作为主要的认知模型，是在线学习系统中常用的用户建模依据。目前，以认知风格为前身的学习风格尚未形成统一的定义，如Keefe[1]认为学习风格是学习者关于感知、交互和响应学习环境的有标志的指征;Kolb[2]将学习风格定义为学习者对发散思维型、同化型、收敛型和调解型四种学习处理模式在不同程度侧重使用倾向性上存在的普遍差异;Dunn 等[3]指出学习风格是学习者从集中注意力到信息处理再到获得并维持新信息和较困难信息的不同方式;VARK学习风格模型的开发者认为学习风格是个体采集、组织、思考信息时的特征及其喜好的方式[4];使用率最高的Felder-Silverman学习风格模型开发者则将学习风格描述为个体获取并处理信息的有突出特点的优势和喜好[5]。综上可知，学习风格是一些学习者在学习过程中产生的群体性指征，这些指征主要体现在学习者在学习过程中接收处理信息时的行为特征、思维喜好和擅长等。
学习行为统计的不断数字化，使得在智能学习系统中动态搜集学习者的学习行为并进而判断学习者的学习风格偏向性成为可能[6]，并据此为学习者提供自适应的学习资源。基于此，本研究主要从在线学习系统中用户建模的角度分析了不同类型的学习风格用户模型，并分析了整合不同学习风格用户模型的自适应策略，最后总结了影响在线学习系统自适应性能的关键问题。
一 学习风格用户模型分类
目前所使用的学习风格模型多达百种，但Coffield等[7]在2004年发布的关于学习风格在基础教育领域的应用研究报告中指出，很多学习风格模型在实际课堂应用中存在缺陷，其中包括无法保证测量工具的可靠性和有效性等问题。因此，本研究仅讨论具有较高认可度和实用性较强的学习风格模型——在自适应学习系统中，被使用频率最高的学习风格模型有Kolb模型、VARK 模型、Felder-Silverman模型和FDI模型，而通过这些模型的测量工具来采集学习者的学习风格偏向性是主要的自适应用户模型构建方式。基于此，本研究将聚焦于上述四种学习风格模型在构建自适应用户模型中的应用，对覆盖学习者信息感知、信息输入、信息组织、信息处理和信息理解的信息处理闭环中可能提供的自适应服务展开全面解析。
1 基于 Kolb 模型的学习风格用户模型
Kolb模型理论是对四步骤实验学习过程中学习者不同组合使用模式的检测[8]，更贴近有一定教学目标的正式学习的过程。在Kolb模型中，Kolb学习风格包括四种类型：发散思维型(Diverger)、同化型(Assimilator)、收敛型(Converger)和调解型(Accommodator)。基于Kolb 模型的学习风格用户模型可能提供的自适应服务如表1所示。
2 基于 VARK 模型的学习风格用户模型
VARK模型是早期神经语言学模型的扩展。在VARK模型中，VARK学习风格包括视觉型、听觉型、读写型和动觉型等四种类型。需要注意的是，Fleming[11]的相关研究报告表明，参与VARK 学习风格测试的很多被试都在两个以上的测试项上具有明显偏向性，因此在进行用户建模时，只是盲目地根据VARK学习风格的分类维度来对学习者进行划分是不准确的。基于VARK模型的学习风格用户模型可能提供的自适应服务如表2所示。
3 基于 Felder-Silverman 模型的学习风格用户模型
Felder-Silverman模型是迄今为止使用最为广泛的学习风格模型，涉及学习者用户模型建模、学习者学习策略推荐、学习者学习风格与其它学习能力的关联性分析等各方面的研究内容[15]。 Felder-Silverman模型对学习者进行了四个维度的测量和划分，且在每个维度上均设置了两级化的指征，具体包括感知型、直觉型，视觉型、言语型，主动型、反射型，顺序型、全局型。值得注意的是，部分研究因为对学习风格模型解读的主观性过大，反而造成了用户模型中规则构建的冲突。因此，单纯地从学习者的喜好角度来采样他们的在线学习行为是不准确的[20]。基于 Felder-Silverman模型的学习风格用户模型可能提供的自适应服务如表3所示。
4 基于 FDI 模型的学习风格用户模型
FDI模型是场依存(Field Dependent)/场独立(Field Independent)模型的简称，是由Witkin 等[21]于1977年提出来的一种人格特征测试模型。在学习系统中使用FDI模型，对学习者建模的意义在于可以根据学科的特点来设置协作学习任务、讨论学习任务的数量和任务完成模式，同时根据长期的学习目标有针对性地强化训练学习者所需的信息感知和处理风格。基于FDI模型的学习风格用户模型可能提供的自适应服务如表4所示。
总的来说，上述四种学习风格用户模型都没有覆盖信息处理闭环中全部节点的自适应性能，特别是在信息感知和信息理解这两个节点上的自适应性能非常缺乏。此外，这四种学习风格用户模型能实现的动态自适应也很少，原因在于仅仅通过在线学习系统的行为统计、学习风格测量无法获得用户在这些认知能力方面的准确信息，也很难支撑别的动态自适应。
二 学习风格用户模型的自适应策略
在线学习系统中整合不同学习风格提供自适应服务的根本目的，是希望基于学习者稳定的学习指征，能为学习者提供满足其个性化学习需求的学习策略，以提升学习者的学习效果、提高在线学习的满意度。结合上文对不同学习风格用户模型可能提供的自适应服务的解析，本研究分析了在线学习系统中整合不同学习风格用户模型的自适应策略。
1 静态自适应策略
静态自适应策略主要通过三个步骤实现：
①通过学习风格文献描述，建立不同风格与自适应策略之间的一阶逻辑关系[24][25];
②通过学习风格测量工具，采集学习者的学习风格偏向性数据;
③在线学习系统根据学习者的测量结果，为学习者推荐不同的学习策略[26][27]。
在学习环境参数(包括学习对象、学习目标和学习内容)不改变的前提下，在线学习系统采取静态自适应策略能帮助学习者取得较好的学习效果。但是，随着学习系统规模的扩大和适用范围的拓展，动态自适应策略更能满足当前在线学习系统的智能性需求。
2 动态自适应策略
(1)动态挖掘学习风格偏向性与自适应策略
之间可能的关联学习风格偏向性与自适应策略之间没有固定的关联，它们之间的关联是在线学习系统通过机器学习/数据挖掘技术动态构建的，故不同的学习内容、学习对象和学习模式都有可能导致所找到的关联不同。如Hwang等[28]发现，学习者选择的游戏模式未必符合其学习风格偏向性，而根据学习者喜好所选择的游戏模式也并不能为学习者带来预想的学习效果。尽管如此，由于这些关联都与学习内容、学习对象和学习模式紧密联系，虽然找到的关联结论并不一定能迁移到别的在线学习场景，但动态发掘当前学习环境下学习者学习风格偏向性与自适应策略之间的关联仍然很有必要。
(2)动态推断学习者的学习风格偏向性
要想获得在线学习系统推荐的自适应学习策略，就需通过机器学习技术使系统具备学习风格预测的能力。早期的学习风格偏向性推断主要基于研究者自己理解的学习行为特征空间，如 García等[29]认为，学习者行为特征空间包括发帖数、回帖数、邮件数、测验修改数等内容，这些行为特征是研究者根据经验确定的，可据此预测新加入学习者的学习风格偏向性;而更广泛的应用是在搜索引擎中获得学习者对学习资源的偏好[30]，并根据这些在线资源选择行为和测量工具所采集的学习风格偏向性标签来构建动态预测的训练数据——相较于前者，这种基于搜索引擎的学习者学习资源偏好行为特征采集更具有针对性。此外，Yang等[31]提出，学习行为特征空间的建立应综合多个经验研究中都提到的学习行为，然后在预测模型中加入关键特征空间筛选模块，使预测学习风格偏向性的在线学习行为特征空间可随学习内容和学习目标动态变化[32]。
(3)动态生成自适应方案
当学习内容和学习目标发生变化时，自适应推荐策略也需进行动态更新。动态自适应策略同样需要使用机器学习技术学习已有学习者的成功自适应经验，以在环境参数改变的情况下能正确做出策略推荐调整。如Dascalu等[33]提出使用Jaccard相似度来比较当前学习者与具有相同学习风格偏向性的已有学习者的学习行为相似度，然后为其推荐具有相同学习风格偏向性的已有学习者的成功学习策略和学习路径，策略的变化可随学习者学习行为的相似度来进行判断。
推荐阅读：教育类普刊中单位认可度高的的刊物
三 影响在线学习系统自适应性能的关键问题
为了更好地发挥在线学习系统的自适应性能，本研究将影响在线学习系统自适应性能的关键问题总结如下：
1 如何准确判定学习风格的偏向性
对于学习风格测量工具信度和效度的问题，如果从传统心理学的研究方法入手可能无法获得 理 想 的 解 决 方 案 ， 但 神 经 科 学 方 面 的 技 术 可 能 会 提 供 一 些 帮 助，如应用 脑 电(Electroencephalograph，EEG)和眼动追踪(Eye Gaze Detecting)技术等，不仅有助于将在线学习系统中的经验智能转变为事实智能，而且能提供更有力的神经学基础和认知解释模型。例如，可分别以学习效果和学习体验度为目标，搜集学习者在线学习过程中的相关脑部活动数据，挖掘在线学习环境中不同学习者从感知信息到处理信息过程中脑部活动的个体差异与群体差异，以“脑部活动数据+操作日志”作为解决在线学习行为特征空间误差的途径，从而更准确地判断学习者的在线学习行为模式。
2 如何动态生成学习风格用户模型学习风格用户模型
动态生成是指模型中的属性和指征可以根据学习者与在线学习系统的交互动态生成，但目前这方面的相关研究成果缺乏。已有自适应学习系统用户模型中关于学习风格的指征均根据学习风格测量工具的结论来设立，这直接导致推荐策略和学习风格预测度低下，因为学习者随时可能会因学习内容和环境变化而改变自己的学习风格偏向性。所以，动态构建学习风格用户模型是目前和未来自适应学习系统必须解决的另一个关键问题。在已解决特征空间误差的前提下，高预测率的黑盒机器学习技术(如深度学习技术)可以获得更高准确率的动态用户模型，是构建动态用户模型的首选。但深度学习技术所需的训练时耗无法满足在线学习系统的时间响应需求，故在获得稳定特征空间的支撑下，可考虑建立公用的学习风格训练网络和可用于机器迁移学习的二次开发框架。
3 如何基于更多的认知模型推荐自适应策略
目前在线学习系统中整合了认知机制的用户模型大都局限于学习风格模型，但除此之外，学习者在其它方面稳定的认知能力还未被系统设计者纳入考虑范围。如学习者在注意力、关注力、理解力、短时记忆、长时记忆等多方面认知能力的个体差异，可能会更需要系统提供智能化的自适应服务。因此，在学习风格用户模型中整合更多的认知模型，将是在线学习系统提升智能性的另一个关键问题。目前，在自适应学习系统中纳入情感计算模块是一个可行方案。
四 结语
教育学、心理学及神经科学等多学科的快速发展和新兴教育信息技术的不断涌现，为自适应学习的研究带来了新的机遇与挑战。学习风格作为描述学习者个体差异的一个重要指标，有助于对学习者进行更准确的描述和诊断，从而提高在线学习系统的自适应能力，为学习者提供更准确的学习资源和学习建议。针对影响在线学习系统自适应性能的关键问题，后续研究将进一步深化学习风格用户模型及其自适应策略的理论研究，如利用神经科学方面的技术更准确地判定学习者的学习风格偏向性、通过优化深度学习网络和情感计算成本动态生成学习风格用户模型、整合更多的认知模型做好自适应策略推荐等;同时，在实践应用的过程中对学习风格用户模型予以不断完善。
