李婷婷 周麗萍 黎明

摘? ?要：隨著信息技術的發(fā)展，自適應學習受到學者越來越多的關注。在自適應學習中尤為重要的便是根據學習者由學習風格等構成的學習者模型為其推送適合的學習資源。該研究中，使用對比研究方法運用Felder-Silverman學習量表部分維度及 Kolb 學習風格量表組成的新量表對全體大三的數學專業(yè)與歷史專業(yè)的學生進行學習風格測試，然后運用Spss工具、Python中T-sne算法等對數據進行統(tǒng)計研究。結果表明，理科生在學習風格信息加工維度較文科生明顯傾向于反思觀察思維，且理科生學習風格更加傾向于發(fā)散型思維，而文科生則在除聚合型思維的其他三種思維分布較為均勻。

關鍵詞：自適應學習;學習風格;Felder-Silverman;Kolb;T-sne算法

中圖分類號：G40-057 文獻標志碼：A 文章編號：1673-8454（2019）15-0024-05

一、引言

1954年美國學者Herbert·Thelen首次提出“學習風格”這一概念以來，其作為影響學生學習的一種個性化要素，受到教育者的廣泛關注。但是不同學者對其概念的認識卻不盡統(tǒng)一。有些學者認為學習風格是某種學習方式或學習策略;有些學者則認為學習風格是某種穩(wěn)定的行為表現方式;也有些學者認為學習風格應是某種信息加工方式。關于學習風格的研究，在內容方面，早期學習風格偏向于理論研究，重點研究什么是學習風格、影響學習風格差異的主要因素是什么，以及怎么恰當測量運用學生學習風格。例如，有些學者傾向于研究構成及影響學習風格的要素，[1-2]不同學習者學習風格的基本特征有無差異等，如高中生、大學生、網絡學習者的學習風格是否有某種明顯的特征;[3-5]有些學者則側重基于某種已有的學習風格進行調查或是通過挖掘學習數據等來構建某種學習風格，如常見的基于Kolb、基于Felder-Silverman學習風格等線下模型基礎上再結合線上大數據，運用J48、貝葉斯、邏輯回歸等算法等相互對比構造出學生學習風格;[6-8]研究較多的則為不同學習風格學習者與教學策略、教學內容設計等的關系，即針對不同學習風格學習者為其設計個性化的高效的教學策略，以提高其學習效率，[9-10]還有不同學習風格的學習者與其學習績效、學習過程等的影響。[11]此外，自2010年起，學習風格研究中，在線學習，如在線學習中學習風格對學生的交互影響、學習過程、學習行為、學習效率等的影響;[12-14]自適應學習，如自適應系統(tǒng)中學習風格模型的構建，學習風格研究的方向、研究趨勢等;[15]遠程學習，如遠程學習中學習風格測量方法，遠程學習中學習者學習風格特點類型等字眼逐漸增多，即學習風格逐漸轉向實證研究。[16-18]綜上所述，學習風格呈現了從理論到實踐過渡的趨勢，經歷了因素選擇即構成學習風格的要素、模型表示即構造出某種學習風格測量表示方法階段，如Kolb學習風格量表、模型修正是基于已有的學習風格不斷加深研究，運用算法等數據挖掘手段使其更加完善這樣一個研究重點變化的過程。學習風格中的信息加工是指對信息、知識的理解方式，分為積極實踐與反思觀察兩類。積極實踐類思維學習者在學習過程中喜歡做中學，在實際生活中解決問題，傾向于用具體的方法來解決問題，反思觀察類思維學習者顧名思義喜歡認真思考、細心觀察、多角度理解知識內容。這是結合 Felder-Silverman量表部分維度及Kolb 量表對大三數學專業(yè)及文學專業(yè)學生學習風格展開的研究。首先，選取Felder-Silverman及Kolb 量表所共有的信息加工維度對其數學及歷史專業(yè)學生進行對比研究。然后，在Kolb量表中對這兩類學生從不同角度重在信息加工維度進行對比分析，比較兩專業(yè)學生學習風格是否有明顯差異。以期在后續(xù)自適應系統(tǒng)研究里，在學生模型中針對不同學習風格學生推薦合適的學習資源。

二、學習風格

1.基本理論

盡管自美國學者首次提出“學習風格”以來，不同的學者對其概念的認識不盡統(tǒng)一，但都認為學習風格具有獨特性、穩(wěn)定性兼有個性兩種功能。[19]即學習風格在個體中一定程度上是穩(wěn)定的，通過一定方法是可以測量而知的，且在一段時間內不會改變，但同時又是具有個性的，即不同學習者的學習風格是有差異的。此文章就是基于學習風格的這一特性而展開研究。學習風格的準確測試方法一直是學者致力研究的。目前為止，測試學習風格一般有線上線下兩種方法，線上是通過收集學習者在某一學習平臺某一時間段的學習數據。通過某種特定的大數據處理方法而得到，線下則是運用某些已被認可的學習風格測試量表而得，目前，較為認可的學習風格測量量表模型有Felder-Silverman 學習風格模型及Kolb學習風格模型等。

2.量表測量方法

Felder-Silverman 學習風格模型中，從知識的加工、感知、輸入、理解四個方面將學習風格分成了四組。在知識的加工中分為活躍型與沉思型，感知中分為感悟型與直覺型，輸入中分為視覺型與言語型，知識的理解中則分為序列型與綜合型。Kolb學習風格模型在學習四階段中形成了具體經驗、反思觀察、抽象概括和積極實踐四種適應性學習模型。其中具體經驗和抽象概括是一個人偏好的感知維度的兩個極端，反思觀察與積極實踐則是信息加工維度的兩個極端。這樣，在感知維度與信息加工維度可以組合形成發(fā)散型思維、聚合型思維、吸收型思維和適應型思維四種學習方式，如圖1所示。對四種典型的學習風格描述如下：[20]①發(fā)散型思維，學習者通常用具體的思維方式感知信息，并對這些信息進行反思式的加工，這類學習者需要獨自從事學習活動。②聚合型思維，學習者常用抽象思維方式感知信息，并對這些信息進行反思式的加工;在學習活動中，他們需要根據相近的、程序化的步驟進行思考。③吸收型思維，學習者常用抽象的思維方式感知信息，并對這些信息進行積極的加工;在學習活動中，他們需要投入實際問題的解決過程。④適應型思維，學習者通常應用具體的思維方式感知信息，并對這些信息進行積極的加工;他們在學習活動中需要冒險，進行變革實驗，而且具有靈活性。

Felder-Silverman 量表中，a、b選項前系數為1、3，則為平衡型學習風格，其余5a、7a、9a、11a為積極型學習風格，5b、7b、9b、11b則為沉思型學習風格。Kolb量表中，感知維度具體的經驗命名為0，抽象的概括命名為1，對量表12道題同一選項合計相加后，取數值大的這一維度對應0或1即可。同理，在信息處理維度積極實踐命名為0，反思觀察命名為1。（此處在信息加工維度命名0的需是主動的實驗而不能是省思的觀察，應與感知維度命名為同一方向，便于之后研究）最后可組合形成 00、01、10、11這四種類型，分別對應適應型、發(fā)散型、聚合型、吸收型四種思維模式。顯然第一位以0開頭是感知維度的具體經驗思維，以1開頭則是抽象概括思維;第二位為0是信息處理維度積極實踐思維，第二位為1則是反思觀察思維。

三、研究設計與分析

1.研究設計

本文采用由 Kolb學習風格測量量表及所羅門學習風格量表部分維度整合而成的新量表。數據處理采用Spss工具及Python中T-sne算法等，對湖北師范大學數學專業(yè)109人、歷史專業(yè)83人共192人，進行學習風格測試，旨在研究不同學科學生的學習風格的穩(wěn)定性與個性，即理科類偏向某一學習風格，文科類偏向另一學習風格，且兩者學習風格在一定程度上是不同的。

2.研究結果

此次研究量表共回收192份，其中無效問卷24份，有效問卷168份，有效率為88%，文科類 62份，理科類106份。首先，對此量表進行信度分析，信度分析包括文科類、理科類及文理合并類，且在每一類中又包括總的信度分析及兩個維度分別的信度分析，如表1所示，總維度、感知維度、信息加工維度的文科、理科及文理科合并的信度均在0.8左右，顯示信度較好，但文科類信度相對比較低，查閱相關知識猜想，是由于文科類學生相對較少。此量表回收數據分兩步討論：一為從所羅門及Kolb量表的信息加工維度比較理科與文科生，且比較這兩個量表此維度結果的差異性;二為從Kolb量表四種思維方式重在信息加工維度分別討論理科生與文科生，對比研究。

先從兩個量表信息加工維度分析，在所羅門量表中，文科類共62份，其中積極型學習風格6人，平衡型學習風格56人，無沉思型學習風格學生，同樣，理科類中積極型學習風格18人，平衡型學習風格88人，也無沉思型學習風格。由此可知，在所羅門量表中測得的學習風格較為極端，兩者都無沉思型學習風格學生，且均是平衡型學習風格學生較多，下面再從Kolb量表中進行比較。

在 Kolb 量表中，按上文描述量表統(tǒng)計方法，理科類的最終統(tǒng)計結果如表2所示，文科類的統(tǒng)計結果如表3所示。先簡單分析，理科類學生明顯傾向發(fā)散型思維，占49%，在學習風格這一抽象詞中，已是很高的概率。而文科類學生則除聚合型思維外分布比較均勻，分別占29%、32%、26%。此外，從信息加工維度分析，同樣按上述描述方法，文科類兩者之比如表3所示積極型與沉思型之間的比為1∶1.38，而理科類為 1∶2.70。明顯在信息加工維度理科生更傾向于反思觀察。我們將Kolb量表與所羅門量表的同一信息加工維度進行比較，如表4、表5所示，所羅門中文理科活躍、平衡、沉思比值分別為1∶10.11∶0與1∶4.88∶0，而Kolb中活躍與沉思文理科比值為1∶1.38與1∶2.70?？梢园l(fā)現兩者之間存在較大差異，在所羅門學習風格中兩類學生中均無沉思型學習者，平衡型學習風格占多數，且文科類和理科類學生之間并無差異，而在Kolb學習風格中兩類學生均為活躍型與沉思型各占一定比例，且兩者均偏向于沉思型，在此基礎上理科類明顯更加偏向于沉思型，沉思型學生所占比例較多。由此可知，兩個量表在測量時存在較大差異。在所羅門量表中除活躍型與沉思型外還有兩者中的平衡型，[21][22]而在Kolb量表中僅有沉思型與活躍型兩者相對的學習風格，在此量表中測得的學習風格更加具有區(qū)分性。且在Spss中測得兩量表學習風格無任何相關性。因此我們日常學習中，在選擇量表測學習風格時應根據自己的要求合理斟酌。值得注意的是兩類學習者中聚合型思維均占少數，通過閱讀文獻猜想，優(yōu)秀人才往往分布在聚合型思維中，但是優(yōu)秀人才總是占少數，因此兩類學習者中均是聚合型思維者較少，此項僅是猜想，有待后續(xù)研究。

此外在Kolb學習風格量表中，由十字坐標形式形成四種學習風格，每一個學習者在此十字坐標的信息與加工維度都占有某一位置，不僅僅是單獨的某一學習風格，在同一學習風格中由于數據的不同仍有差異，如圖2所示，盡管三角形與圓所代表的學習風格均為由反思觀察與抽象概括組成的吸收型學習風格，但是這兩個學習風格在反思觀察與抽象概括中所占的比重卻不同。因此以下依據此在Kolb量表學習風格這一角度對文理科學習風格進行分析，在Kolb量表中對文理科各學習風格統(tǒng)計散點圖描述如下：下列四圖橫軸以感知維度的具體、抽象為分類，縱軸則以數字表示信息加工維度的沉思、積極兩類。最終每一專業(yè)可由兩圖描述，一圖為具體-沉思/積極，一圖為抽象-沉思/積極。觀察下面四圖可知，從文科、理科專業(yè)對比角度，即圖3、圖5與圖4、圖6對比，文科類在信息加工維度沉思與積極分布較為混亂，界限分布不明顯，沉思與積極類在高低分值均有分布;反之理科類分布界限較為明顯，沉思類分布在分值較高處，積極類則分布在分值較低處。由此可知，文科生在學習風格中信息加工維度沉思與積極無明顯偏向，而理科生則明顯偏向于沉思類。同時，以信息加工維度的積極、沉思為橫軸分類，感知維度的具體抽象為縱軸做散點圖（文中未顯示），表明文科類和理科類在感知維度的具體抽象并無明顯差別。

以下運用Spss中最優(yōu)尺度法對數據進行降維，對文理科學生進行對比分析，降維效果圖如表6及圖7所示。由表6模型的可信度檢驗為91.4%，所以分析結果可信。在降維圖7中，數字1表示文科類，數字2表示理科類，則由圖可知，沉思抽象兩種學習風格分布較近，文科類專業(yè)學生傾向于主動型學習風格，理科類專業(yè)學生較歷史專業(yè)學生更加傾向抽象與沉思型學習風格。

此外，下面運用更為精準的T-sne算法對數據進行分析。T-sne t-分布式隨機鄰域嵌入是一種用于挖掘高維數據的非線性降維算法。它將多維數據映射到適合于人類觀察的一個、兩個或多個維度。T-sne算法的主要步驟公式如公式（1）與公式（2）所示，公式（1）中數據點xi與數據點xj的相似性是條件概率Pj|i——如果鄰域被選擇與在以為xi中心的正態(tài)分布的概率密度成比例，xi將選擇xj作為其鄰域的概率。其中σi是以數據點xi為中心的正態(tài)分布的方差。公式（2）便是對應低維數據點yi和yj的高維對應點xi和xj。

pj|i=（1）

qj|i=（2）

在上述步驟中，運用T-sne算法將4維Kolb學習風格數據降維為一維，再通過聚類對此一維數據進行研究分析，聚類為兩類，以1和2命名，以此來對比理科生與文科生的學習風格差別。最終聚類結果如表7所示，文科類的類別比值為1∶0.94，理科類為1∶1.36。由表7可知，數據結果與上述研究一致，文科類學習風格數據分類結果不明顯，而理科類則明顯傾向于其中一類。

四、分析與討論

以上研究顯示文科生與理科生的學習風格的確是不同的，且所羅門學習風格量表與Kolb學習風格量表存在差異，我們在選擇的時候要合理斟酌，根據自己的要求具體選擇。此外，Kolb 量表中僅在信息加工維度，兩類學生有明顯差別，理科生較文科生更加傾向于反思觀察，文科生則傾向于主動學習。自適應學習系統(tǒng)由學生模型、內容模型及自適應引擎組成。內容模型中的知識點等學習資源由自適應引擎中的相關算法相關機制根據不同的學生模型推薦給特定的學生，由此來實現學習資源的個性化推薦、學習的自適應。該文就是基于自適應學習系統(tǒng)中學生模型中的學習風格進行研究的。在學生模型中，包含有學生的基本信息，如姓名、學校、班級等;學生的偏好信息，如偏好的學習地點、學習工具、學習資源類型、學習工具等;學生的知識結構，即學生已經掌握的知識;學生的認知能力，其中便包含有學生的學習風格，這部分可通過測試、問卷等獲得;以及學生的登錄歷史情感偏好等等。該研究中通過對師范生文理科學習風格進行研究，得出師范生文理科學習風格的差異。可將其運用到自適應學習系統(tǒng)中，根據學生模型中不同的學生風格信息推送不同的資源。例如，理科生多推送一些適合獨自探索、學習的資源，文科生則推送一些適合主動動手，與實際環(huán)境相切合的資源等等。此外，以上研究僅僅是自適應學習中學習者模型中的學習風格的初步研究，對數據做了簡單的處理，樣本也僅僅是對學校部分學生的研究。后續(xù)研究將會更加深入，學生模型研究將更加具體，學習風格分類更加詳細。

參考文獻：

[1]王華容，譚頂良.近十年西方學習風格研究述評[J].外國中小學教育，2008（4）.

[2][15]高虎子，周東岱.自適應學習系統(tǒng)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.

[3]陳麗，張偉遠，郝丹.中國遠程學習者學習風格特征的三維模型[J].開放教育研究，2005（2）：48-52.

[4][18]陳麗，郝丹，張偉遠.學習風格測量工具與中國遠程學習者學習風格類型因素[J].開放教育研究，2005（4）：67-73.

[5]朱祖林，安哲鋒，畢磊等.基于地域文化和組織文化視角的遠程學習者學習風格比較研究[J].中國遠程教育，2009（8）：47-51，79-80.

[6]王晨煜，管明輝，殷傳濤等.基于Felder-Silverman學習風格模型的網絡學習風格研究[J].重慶理工大學學報（自然科學），2017（2）：102-109.

[7][8]姜強，趙蔚，杜欣.基于Felder-Silverman量表用戶學習風格模型的修正研究[J].現代遠距離教育，2010（1）：62-66.

[9]衷克定，劉洋.基于學習風格理論的在線導學策略設計與實踐[J].開放教育研究，2012（3）：83-89.

[10]李淑英，楊朝政.關注學習風格的信息化教學策略[J].中國電化教育，2008（9）：20-22.

[11][13]馬秀峰，李彤彤，劉冬.學習風格對在線學習交互程度影響的實驗研究[J].開放教育研究，2011（4）：96-101.

[12]楊娟，宋曉玲，喬興媚.自主在線學習環(huán)境下學習行為與學習風格偏向性的關聯分析研究[J].中國遠程教育，2017（10）：47-54，79-80.

[14]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.

[16]郝丹，張偉遠，陳麗.遠程學習者學習風格測量方法的研究[J].開放教育研究，2005（1）：51-54.

[17]韓松.遠程教育學習風格對學習績效的影響測評[J].遠程教育雜志，2010（2）：106-110.

[19]沈博.基于Kolb學習風格模型的調查和分析[J].中國地質大學學報（社會科學版），2006（3）：66-69.

[20]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.

[21]李運福，傅鋼善.網絡環(huán)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.

[22]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.

（編輯：王天鵬）