摘要：認(rèn)知風(fēng)格反映了學(xué)生接近、獲取、組織、處理和解釋信息的模式，可用來解釋和指導(dǎo)學(xué)生的行為。將認(rèn)知風(fēng)格集成到智能系統(tǒng)中，有助于開發(fā)個(gè)性化的用戶模型，推動(dòng)智能教育發(fā)展。當(dāng)前有關(guān)認(rèn)知風(fēng)格自動(dòng)分類的研究較為匱乏，尚未將機(jī)器學(xué)習(xí)與眼動(dòng)追蹤技術(shù)聯(lián)合起來進(jìn)行應(yīng)用?；跈C(jī)器學(xué)習(xí)與眼動(dòng)追蹤的認(rèn)知風(fēng)格模型，選取注視時(shí)長、注視點(diǎn)數(shù)量、掃視時(shí)長、眼跳次數(shù)、眼跳距離與瞳孔直徑等6個(gè)與認(rèn)知有著密切關(guān)系的眼動(dòng)指標(biāo)，歸一化處理后借助機(jī)器學(xué)習(xí)算法進(jìn)行認(rèn)知風(fēng)格自動(dòng)分類。實(shí)驗(yàn)結(jié)果表明：在進(jìn)行同樣時(shí)長的視頻學(xué)習(xí)時(shí)，不同場認(rèn)知風(fēng)格的學(xué)習(xí)者表現(xiàn)出不同的視覺行為模式；場依存型學(xué)習(xí)者注視點(diǎn)較為分散，表現(xiàn)出有較多的掃視行為、較少的注視行為、較長的眼跳距離與較大的瞳孔直徑變化，信息搜索效率較低；而場獨(dú)立型學(xué)習(xí)者有著較為密集與定向的視覺注意模式，信息搜索效率更高。對5種機(jī)器學(xué)習(xí)算法進(jìn)行性能對比后發(fā)現(xiàn)，邏輯回歸算法的分類效果最好，準(zhǔn)確率達(dá)到89.01%，Kappa值達(dá)到0.774。該認(rèn)知風(fēng)格自動(dòng)化分類模型既可用于智能學(xué)習(xí)系統(tǒng)的課程資源優(yōu)化設(shè)計(jì)，也可用于個(gè)性化學(xué)習(xí)路徑的推薦。未來可整合更多生理數(shù)據(jù)，通過不同模態(tài)數(shù)據(jù)之間的信息互補(bǔ)，提升數(shù)據(jù)分析的準(zhǔn)確性以及對學(xué)習(xí)者認(rèn)知能力評估的可靠性。

關(guān)鍵詞：智能教育；機(jī)器學(xué)習(xí)；眼動(dòng)追蹤技術(shù)；場認(rèn)知風(fēng)格；自動(dòng)化分類

中圖分類號：G434" "文獻(xiàn)標(biāo)識碼：A" " 文章編號：1009-5195（2024）04-0094-10" doi10.3969/j.issn.1009-5195.2024.04.011

——————————————————————————————————————————

基金項(xiàng)目：全國教育科學(xué)規(guī)劃2022年度教育部重點(diǎn)課題“智能教育視角下基于眼動(dòng)追蹤的在線學(xué)習(xí)認(rèn)知模型及自適應(yīng)機(jī)制研究”（DCA220453）。

作者簡介：薛耀鋒，博士，副研究員，碩士生導(dǎo)師，華東師范大學(xué)教育信息技術(shù)學(xué)系，上海數(shù)字化教育裝備工程技術(shù)研究中心（上海 200062）；朱芳清，碩士研究生，華東師范大學(xué)教育信息技術(shù)學(xué)系（上海 200062）。

一、引言

目前我國教育正面臨著由規(guī)?；騻€(gè)性化、從信息化到智能化的過渡和轉(zhuǎn)變，傳統(tǒng)的教育模式和學(xué)習(xí)方式亟待創(chuàng)新與變革。智能教育作為智能技術(shù)與教育領(lǐng)域深度融合的代表，能夠服務(wù)于教育模式的轉(zhuǎn)變和教育生態(tài)的重構(gòu)（郭紹青等，2022）?！吨袊逃F(xiàn)代化 2035》從智能校園建設(shè)、人才培養(yǎng)、教育治理等不同方面提出了智能教育發(fā)展的戰(zhàn)略任務(wù)（新華網(wǎng)，2019），加快了智能教育以及相關(guān)應(yīng)用的落地。智能教學(xué)系統(tǒng)是智能技術(shù)賦能教育的重要成果（王靖等，2023）。認(rèn)知風(fēng)格數(shù)據(jù)正被集成到智能系統(tǒng)中，以開發(fā)個(gè)性化的用戶模型，推動(dòng)智能教育發(fā)展（Nisiforou et al.，2013）。一些研究結(jié)果表明，認(rèn)知風(fēng)格與學(xué)習(xí)成績之間存在直接關(guān)聯(lián)，即學(xué)習(xí)內(nèi)容和形式與學(xué)習(xí)者的認(rèn)知風(fēng)格越匹配，學(xué)習(xí)者的學(xué)習(xí)成績就越高（Jovanovic et al.，2012）。認(rèn)知風(fēng)格是指個(gè)體展示的相對穩(wěn)定的信息處理模式（McKay et al.，2003），反映了學(xué)生接近、獲取、組織、處理和解釋信息的模式，可以用來解釋和指導(dǎo)他們的行為。然而傳統(tǒng)的認(rèn)知風(fēng)格測量往往通過量表來進(jìn)行，測量結(jié)果可能會(huì)受到主觀因素的影響，同時(shí)需要較長的填寫時(shí)間（Yousef et al，，2021）。因此，亟需開發(fā)一種新的、更便捷、更客觀的測量方法，來準(zhǔn)確評估學(xué)生的認(rèn)知風(fēng)格，以更好地服務(wù)智能時(shí)代學(xué)生的學(xué)習(xí)。

隨著智能技術(shù)及認(rèn)知科學(xué)的發(fā)展，基于眼動(dòng)追蹤技術(shù)來探究學(xué)習(xí)者的認(rèn)知過程已成為教育學(xué)與心理學(xué)研究的重要方式。這是因?yàn)檠矍蜻\(yùn)動(dòng)是視覺感知活動(dòng)中不可或缺的重要組成部分（Workman，2004），眼動(dòng)數(shù)據(jù)能夠追蹤反映學(xué)習(xí)者的信息加工與認(rèn)知過程，且眼動(dòng)追蹤技術(shù)具有非侵入性的優(yōu)勢（薛耀鋒等，2021）。越來越多的研究開始探索個(gè)體的認(rèn)知特征與視覺之間的關(guān)系。例如，Liu（2018）通過眼動(dòng)數(shù)據(jù)研究了場依賴和場獨(dú)立認(rèn)知風(fēng)格在視覺搜索效率和多媒體學(xué)習(xí)性能方面的差異，證明了眼動(dòng)指標(biāo)可用于識別學(xué)習(xí)者的認(rèn)知風(fēng)格類型。然而，目前的眼動(dòng)追蹤數(shù)據(jù)僅以熱圖或描述性統(tǒng)計(jì)結(jié)果的形式區(qū)分學(xué)習(xí)者的類型，具體的分析與驗(yàn)證還需要研究者的進(jìn)一步解釋（Pradnya Sidhawara et al.，2020）。

隨著人工智能技術(shù)的發(fā)展，將眼動(dòng)追蹤技術(shù)與機(jī)器學(xué)習(xí)相結(jié)合來優(yōu)化智能系統(tǒng)，已成為智能教育系統(tǒng)開發(fā)研究的重要趨勢。例如，Eivazi等人（2011）使用眼動(dòng)追蹤和機(jī)器學(xué)習(xí)的方法來探究個(gè)人的視覺注意力模式與問題解決行為的關(guān)系；Lou等人（2017）使用支持向量機(jī)（Support Vector Machine，SVM）算法和眼動(dòng)追蹤技術(shù)來評估讀者的識字能力，準(zhǔn)確率達(dá)80.3%。先前研究表明，機(jī)器學(xué)習(xí)算法可用于眼動(dòng)數(shù)據(jù)的分析，以實(shí)現(xiàn)對學(xué)習(xí)者認(rèn)知狀態(tài)的自動(dòng)識別。

基于此，本研究擬基于機(jī)器學(xué)習(xí)算法和眼動(dòng)追蹤技術(shù)構(gòu)建認(rèn)知風(fēng)格自動(dòng)識別模型，通過分析學(xué)習(xí)者眼動(dòng)模式與認(rèn)知風(fēng)格之間的關(guān)系，總結(jié)不同場認(rèn)知風(fēng)格學(xué)習(xí)者在視頻學(xué)習(xí)過程中的眼動(dòng)模式及其眼動(dòng)指標(biāo)差異，并利用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)在線學(xué)習(xí)過程中學(xué)習(xí)者場獨(dú)立—場依存風(fēng)格的自動(dòng)分類，以促進(jìn)智能學(xué)習(xí)系統(tǒng)的開發(fā)，為學(xué)生提供個(gè)性化和智能化的反饋。

二、相關(guān)研究

1.場認(rèn)知風(fēng)格

場認(rèn)知風(fēng)格是在關(guān)于教學(xué)效果的研究中確定的認(rèn)知風(fēng)格理論（Al-Saai et al.，1993）。場認(rèn)知風(fēng)格分為場獨(dú)立、場依存兩個(gè)維度，是最廣泛被使用的認(rèn)知風(fēng)格分類之一。Witkin（1967）認(rèn)為，不同人處理學(xué)習(xí)材料的方式不同，使用不同的方法完成學(xué)習(xí)任務(wù)；場獨(dú)立型個(gè)體在信息加工中對內(nèi)在參照（主體精神）有較大的依賴傾向，主要依據(jù)內(nèi)在標(biāo)準(zhǔn)或內(nèi)在參照進(jìn)行價(jià)值判斷；而場依存型個(gè)體則傾向于以外在參照（外部環(huán)境或他人）作為信息加工的依據(jù)，處理問題時(shí)往往依賴于外在參照對客觀事物或事實(shí)進(jìn)行判斷。因此，場依存型個(gè)體比場獨(dú)立型個(gè)體更容易受到外部線索的影響。在以視覺感知為主的學(xué)習(xí)活動(dòng)中，學(xué)習(xí)者的這種認(rèn)知偏好對學(xué)習(xí)的影響更大。已有研究發(fā)現(xiàn)，場依存型學(xué)習(xí)者在識別嵌入到復(fù)雜圖形中的簡單圖形時(shí)需要更長的時(shí)間，或者根本無法找到；場依存型學(xué)習(xí)者在從視覺教學(xué)材料中提取相關(guān)信息方面存在困難（Mahvelati，2020）；場獨(dú)立型個(gè)體更易受到內(nèi)部線索而不是外部線索的影響，因此在信息輸入方面具有選擇性（Riding et al.，1991）。在社交方面，場依存型個(gè)體與場獨(dú)立型個(gè)體也表現(xiàn)出明顯差異。場獨(dú)立型個(gè)體具備良好的分析能力，但在社交中表現(xiàn)出孤立、冷漠和疏離的狀態(tài)；而場依存型個(gè)體樂于與人互動(dòng)，表現(xiàn)出對與他人交流的強(qiáng)烈興趣（Saracho，2003）。

2.眼動(dòng)追蹤技術(shù)

眼球運(yùn)動(dòng)被認(rèn)為與大腦的思維活動(dòng)有關(guān)，這種連續(xù)的信息流可以作為探究認(rèn)知過程的重要指標(biāo)。已有研究發(fā)現(xiàn)，人眼的位置僅在 200～300 毫秒時(shí)間內(nèi)保持穩(wěn)定。眼球穩(wěn)定的時(shí)期被稱為注視期，它們覆蓋了大約 2° 的可視角度區(qū)域，在此期間信息被聚焦和處理（Jacob et al.，2003）。注視的位置和注視點(diǎn)數(shù)量、注視的持續(xù)時(shí)間和眼跳距離是最常見的眼動(dòng)測量指標(biāo)。注視的持續(xù)時(shí)間、注視次數(shù)和重新注視次數(shù)揭示了用戶的注意力是如何被引導(dǎo)到特定區(qū)域或視覺位置的。掃視是指眼睛從一個(gè)注視點(diǎn)到另一個(gè)注視點(diǎn)的運(yùn)動(dòng)。兩個(gè)連續(xù)注視點(diǎn)之間的距離定義為眼跳距離。注視和掃視的路徑和順序，顯示了注意力隨時(shí)間的變化情況，可用于深入了解學(xué)習(xí)者是如何從視覺線索中收集信息的（Carter et al.，2020）。瞳孔直徑也是重要的眼動(dòng)指標(biāo)，瞳孔大小的變化與認(rèn)知處理需求的變化相關(guān)，且該指標(biāo)較為敏感，0.1mm的瞳孔直徑變化就可以代表認(rèn)知狀態(tài)的改變，因此瞳孔直徑可以作為高級心理變化的測量指標(biāo)（Szulewski et al.，2015）。

3.眼動(dòng)指標(biāo)在場認(rèn)知風(fēng)格測量中的應(yīng)用

眼動(dòng)指標(biāo)有著很強(qiáng)的表意功能，學(xué)習(xí)者的認(rèn)知處理模式可以通過眼動(dòng)狀態(tài)與視覺路徑來識別（詹澤慧，2013）。具有不同場依賴性的個(gè)體在處理多媒體信息時(shí)可能表現(xiàn)出不同的眼球運(yùn)動(dòng)模式。例如，場依存型學(xué)習(xí)者被認(rèn)為可能比場獨(dú)立型學(xué)習(xí)者需花費(fèi)更多的時(shí)間和精力來從學(xué)習(xí)環(huán)境中搜索必要的信息（Witkin，1967）。此外，插圖的視覺豐富性，包括顏色細(xì)節(jié)、紋理和形式等特征，也可能干擾場依存型學(xué)習(xí)者對任務(wù)相關(guān)信息的處理。因此，與場獨(dú)立型學(xué)習(xí)者相比，場依存型學(xué)習(xí)者可能會(huì)表現(xiàn)出更分散的視覺場景注視，以及更長的任務(wù)達(dá)成時(shí)間。

眼動(dòng)指標(biāo)在場認(rèn)知風(fēng)格測量中的應(yīng)用研究，多為在特定任務(wù)情境中，探討不同場認(rèn)知風(fēng)格學(xué)習(xí)者的眼動(dòng)行為差異。如Liu（2018）分析了在觀看多媒體教學(xué)材料時(shí)，不同場認(rèn)知風(fēng)格學(xué)習(xí)者的注視與掃視行為差異；Nisiforou等人（2016）分析了在進(jìn)行隱藏圖形測試時(shí)，不同場認(rèn)知風(fēng)格學(xué)習(xí)者的任務(wù)完成時(shí)長及視覺搜索模式差異。還有一些學(xué)者通過眼動(dòng)數(shù)據(jù)建模，實(shí)現(xiàn)了對其他類別認(rèn)知風(fēng)格的自動(dòng)識別。如薛耀鋒等（2020）通過圖片與文字興趣域中注視點(diǎn)與注視時(shí)長的比值，對言語—表象型學(xué)習(xí)者進(jìn)行了自動(dòng)識別；Pradnya Sidhawara等（2020）通過K臨近算法（KNN）等三種機(jī)器學(xué)習(xí)算法，以注視與掃視相關(guān)指標(biāo)為自變量，實(shí)現(xiàn)了言語—表象型學(xué)習(xí)者的自動(dòng)分類。

總的來說，有關(guān)場認(rèn)知風(fēng)格自動(dòng)識別的研究仍較為匱乏，多數(shù)研究僅限于描述性統(tǒng)計(jì)分析，眼動(dòng)數(shù)據(jù)僅用于驗(yàn)證。此外，以往的研究還未將機(jī)器學(xué)習(xí)算法應(yīng)用于基于眼動(dòng)追蹤數(shù)據(jù)的場認(rèn)知風(fēng)格自動(dòng)分類中。因此，本研究擬將機(jī)器學(xué)習(xí)算法和眼動(dòng)追蹤技術(shù)結(jié)合起來，構(gòu)建認(rèn)知風(fēng)格自動(dòng)分類模型，一方面豐富相關(guān)領(lǐng)域的研究，另一方面借助場認(rèn)知風(fēng)格的自動(dòng)分類，進(jìn)一步完善學(xué)習(xí)者畫像，為設(shè)計(jì)更加個(gè)性化的智能教育系統(tǒng)提供支持。

三、面向智能教育的認(rèn)知風(fēng)格模型構(gòu)建

本研究將機(jī)器學(xué)習(xí)算法和眼動(dòng)追蹤技術(shù)結(jié)合在一起，構(gòu)建了認(rèn)知風(fēng)格自動(dòng)分類模型（如圖1所示）。整個(gè)模型集成在一個(gè)智能學(xué)習(xí)系統(tǒng)當(dāng)中，主要分為三大部分：數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊與數(shù)據(jù)應(yīng)用模塊。數(shù)據(jù)采集模塊的功能是在學(xué)習(xí)者觀看在線課程視頻的過程中通過外部的眼動(dòng)儀設(shè)備來收集眼動(dòng)數(shù)據(jù)。數(shù)據(jù)處理模塊的功能是實(shí)現(xiàn)眼動(dòng)數(shù)據(jù)處理以及認(rèn)知風(fēng)格自動(dòng)識別。該模塊是整個(gè)模型的核心。首先，對收集到的原始眼動(dòng)數(shù)據(jù)進(jìn)行特征提取，提取出注視時(shí)長、注視點(diǎn)數(shù)量、掃視時(shí)長、眼跳次數(shù)、眼跳距離以及瞳孔直徑6個(gè)原始指標(biāo)；然后對原始指標(biāo)進(jìn)行歸一化處理，將其作為自變量數(shù)據(jù)，同時(shí)將認(rèn)知風(fēng)格類型作為標(biāo)簽，輸入到機(jī)器學(xué)習(xí)算法當(dāng)中，得到最終的分類結(jié)果。數(shù)據(jù)應(yīng)用模塊的功能是將學(xué)習(xí)者認(rèn)知風(fēng)格的識別結(jié)果儲存在學(xué)習(xí)者畫像庫當(dāng)中，為之后的智能課程推薦、智能教學(xué)規(guī)劃等提供支持。眼動(dòng)指標(biāo)與機(jī)器學(xué)習(xí)算法的選擇，決定了認(rèn)知風(fēng)格模型分類的效果，是整個(gè)模型最為關(guān)鍵的兩個(gè)環(huán)節(jié)。

1.眼動(dòng)指標(biāo)選擇

由于本研究的目的是準(zhǔn)確識別學(xué)習(xí)者的認(rèn)知風(fēng)格，因此在選擇眼動(dòng)指標(biāo)時(shí)，研究選擇了與學(xué)習(xí)認(rèn)知密切相關(guān)的注視類、掃視類以及瞳孔直徑類指標(biāo)。

常用的注視類指標(biāo)包括注視時(shí)長與注視點(diǎn)數(shù)量。注視時(shí)長是指在一個(gè)區(qū)域內(nèi)進(jìn)行的所有注視行為的時(shí)間總和。注視時(shí)長越長，學(xué)習(xí)者的認(rèn)知資源投入越多，對學(xué)習(xí)內(nèi)容的認(rèn)知加工程度也就越深。注視點(diǎn)數(shù)量是指在一個(gè)區(qū)域內(nèi)進(jìn)行的注視行為的總次數(shù)。在某個(gè)區(qū)域內(nèi)的注視點(diǎn)越多，學(xué)習(xí)者在此處的注意力及認(rèn)知資源分配就越多（閆志明等，2018）。

常用的掃視類指標(biāo)包括掃視時(shí)長、眼跳次數(shù)及眼跳距離。掃視指的是眼睛從一個(gè)注視點(diǎn)到另一個(gè)注視點(diǎn)的行為。眼跳過程中會(huì)產(chǎn)生視覺抑制現(xiàn)象，使學(xué)習(xí)者知覺信息的能力減弱，因此掃視過程中是不進(jìn)行深度認(rèn)知處理的（閆志明等，2018）。掃視時(shí)長指的是在一個(gè)區(qū)域內(nèi)進(jìn)行的所有掃視行為的時(shí)間總和。掃視時(shí)間越長，說明注意力越不集中。眼跳次數(shù)指的是眼睛在注視點(diǎn)之間轉(zhuǎn)換的總次數(shù)。一般來說，學(xué)習(xí)內(nèi)容區(qū)域或難度越大，眼跳次數(shù)越多。眼跳距離指兩個(gè)注視點(diǎn)之間的距離，是反映知覺廣度的指標(biāo)。越長的眼跳距離代表在一次注視中提取的信息量越大（王雪，2015）。

瞳孔直徑即瞳孔的大小，反映了廣泛的認(rèn)知過程。在亮度與頭部動(dòng)作恒定的情況下，腦力勞動(dòng)的增加會(huì)導(dǎo)致瞳孔直徑的增大（Math?t et al.，2023）。研究表明，在學(xué)習(xí)過程中，瞳孔越大說明提取信息越難、心理負(fù)荷越大，需要投入更多的認(rèn)知資源來理解知識（曹衛(wèi)真等，2012）。

由于坐姿等客觀因素的影響，不同被試的眼動(dòng)數(shù)據(jù)收集率會(huì)有差別。研究選取數(shù)據(jù)收集率在50%以上的眼動(dòng)數(shù)據(jù)作為有效數(shù)據(jù)。為了使后續(xù)建模輸入的數(shù)據(jù)及建模結(jié)果不受數(shù)據(jù)收集率的影響，研究將眼動(dòng)指標(biāo)進(jìn)行歸一化處理，處理后的指標(biāo)將作為最終的建模指標(biāo)，具體見表 1。

2.機(jī)器學(xué)習(xí)算法選擇

為了實(shí)現(xiàn)學(xué)習(xí)者場認(rèn)知風(fēng)格的自動(dòng)識別，本研究選擇5種常用的機(jī)器學(xué)習(xí)算法進(jìn)行分類性能測試與比較，目的是選取性能最好的機(jī)器學(xué)習(xí)算法來構(gòu)建最終模型。5種機(jī)器學(xué)習(xí)算法分別是支持向量機(jī)（Support Vector Machine，SVM）、隨機(jī)森林（Random Forest，RF）、樸素貝葉斯（Naive Bayes，NB）、K臨近算法（K-Nearest Neighbor，KNN）以及邏輯回歸（Logistic Regression，LR）。

支持向量機(jī)是一種監(jiān)督分類算法，旨在找到線性可分特征向量的優(yōu)化超平面，以最大化分類間隔來增強(qiáng)泛化能力，同時(shí)最小化誤分類誤差。支持向量機(jī)可以在被稱為核函數(shù)的非線性映射函數(shù)的幫助下有效地執(zhí)行非線性分類。因此，通過將主輸入空間映射到高維點(diǎn)積空間，可以增強(qiáng)線性可分離性（Ghazizadeh et al.，2019）。然而其對缺失數(shù)據(jù)較為敏感，且在多分類問題中容易陷入過擬合。本研究使用線性核作為支持向量機(jī)的內(nèi)核函數(shù)。

隨機(jī)森林是一種基于識別的、監(jiān)督式的機(jī)器學(xué)習(xí)算法。它由許多決策樹組成，是一種使用復(fù)數(shù)決策樹的集成學(xué)習(xí)算法，減少了數(shù)據(jù)集的過度擬合并提高了精度，克服了決策樹算法的局限性。隨機(jī)森林對噪聲具有魯棒性，并且可以通過減少泛化誤差來產(chǎn)生高精度的結(jié)果（Breiman，2001）。但是，當(dāng)遇到取值劃分比較多的特征時(shí)，會(huì)對其整體判斷產(chǎn)生較大影響。本研究將樹的數(shù)量設(shè)置為100，將單個(gè)樹的深度限制為5。

貝葉斯網(wǎng)絡(luò)由一個(gè)結(jié)構(gòu)模型和一組條件概率組成。結(jié)構(gòu)模型是一個(gè)有向無環(huán)圖，其中節(jié)點(diǎn)表示屬性，弧表示屬性依賴關(guān)系。屬性依賴關(guān)系通過給定其父節(jié)點(diǎn)的每個(gè)節(jié)點(diǎn)的條件概率進(jìn)行量化。樸素貝葉斯分類器是最簡單的貝葉斯網(wǎng)絡(luò)分類器，它假定實(shí)例的所有屬性在給定類的上下文的情況下彼此獨(dú)立，在大樣本處理時(shí)有很大優(yōu)勢（Jiang et al.，2013）。不過，當(dāng)樣本屬性有關(guān)聯(lián)時(shí)，會(huì)影響模型的準(zhǔn)確度。

K臨近算法是一種非參數(shù)分類方法。它是基于監(jiān)督學(xué)習(xí)技術(shù)，用于模式識別和分類的最簡單的機(jī)器學(xué)習(xí)算法之一。與其他分類器不同，KNN 算法本身不需要訓(xùn)練階段，因?yàn)樗淮鎯︻A(yù)測階段的訓(xùn)練數(shù)據(jù)。KNN 算法假定新數(shù)據(jù)與已有數(shù)據(jù)之間具有相似性，并將新數(shù)據(jù)放入與可用類別最相似的類別中（Kharbech et al.，2016）。但其計(jì)算量較大、計(jì)算速度慢，不易確定K值，且數(shù)據(jù)不均衡時(shí)會(huì)影響準(zhǔn)確性。本研究以 K＝5 運(yùn)行算法。

邏輯回歸是廣義線性回歸模型的特定情況，是一種為了解決二分類問題提出的算法。該算法在假設(shè)數(shù)據(jù)服從伯努利分布的基礎(chǔ)上，給定條件概率分布，并用極大似然估計(jì)求解最優(yōu)參數(shù)。邏輯回歸本質(zhì)上是一個(gè)線性分類器，所得到的模型清晰，可解釋性強(qiáng)，并且實(shí)施簡單，計(jì)算高效，可以在大數(shù)據(jù)場景中使用（Bewick et al.，2005）。然而其不能解決非線性問題，也難以處理數(shù)據(jù)不平衡問題。

四、實(shí)驗(yàn)設(shè)計(jì)

1.實(shí)驗(yàn)材料

在線課程視頻。本研究選取2段時(shí)長為3分鐘、主題為“機(jī)器學(xué)習(xí)”的在線課程視頻作為實(shí)驗(yàn)材料。每段課程視頻均以“文本＋圖片＋聲音”的形式呈現(xiàn)。課程視頻的亮度恒定，防止由于亮度變化而引起瞳孔直徑的變化。

認(rèn)知風(fēng)格量表。本研究采用鑲嵌圖形測驗(yàn)（Group Embedded Figure Test，GEFT）作為認(rèn)知風(fēng)格的識別量表（張雁凌，2003）。該測驗(yàn)共分為三個(gè)部分，共有簡單圖形9個(gè)與復(fù)雜圖形29個(gè)。每個(gè)部分測試時(shí)間為5分鐘，要求被試在規(guī)定時(shí)間內(nèi)從各個(gè)復(fù)雜圖形中找到規(guī)定的簡單圖形并用筆標(biāo)注出來。第一部分的9道題目較為簡單，主要用于讓被試熟悉題目，不計(jì)入總分。第二、三部分的題目每答對一道題記1分，答錯(cuò)不得分。能夠快速排除干擾信息并找到簡單圖形的被試為場獨(dú)立型學(xué)習(xí)者，反之則為場依存型學(xué)習(xí)者。在本研究中，得分在0～10分的被試為場依存型學(xué)習(xí)者，得分在11～20分的為場獨(dú)立型學(xué)習(xí)者。

2.實(shí)驗(yàn)對象

本研究選取H大學(xué)68名在讀大學(xué)生為實(shí)驗(yàn)被試，年齡在18～24歲之間。為保證眼動(dòng)數(shù)據(jù)的有效性及采集率，被試的裸眼糾正視力均不低于1.0，不配戴眼鏡或佩戴眼鏡的度數(shù)低于400度。同時(shí)，為保證學(xué)習(xí)認(rèn)知過程順利，要求被試均具有一定的機(jī)器學(xué)習(xí)基礎(chǔ)。被試在申請參與時(shí)，需填寫機(jī)器學(xué)習(xí)測試問卷，合格者才能被選取。根據(jù)鑲嵌圖形測試的結(jié)果，共有39名被試為場獨(dú)立型學(xué)習(xí)者，29名為場依存型學(xué)習(xí)者。

3.實(shí)驗(yàn)設(shè)備與環(huán)境

首先，研究使用Tobii T120眼動(dòng)儀收集每個(gè)被試的眼動(dòng)數(shù)據(jù)。該儀器的數(shù)據(jù)采集頻率為60 Hz，精度為0.5°。眼動(dòng)儀集成在17 英寸的LCD屏幕中，通過在屏幕下方安裝光學(xué)系統(tǒng)以實(shí)現(xiàn)眼球運(yùn)動(dòng)追蹤。教學(xué)材料顯示在LCD屏幕上，當(dāng)被試觀看材料時(shí)，眼動(dòng)儀會(huì)記錄眼球運(yùn)動(dòng)。其次，研究使用與眼動(dòng)追蹤同步的Tobii Studio軟件收集數(shù)據(jù)。實(shí)驗(yàn)選擇在一間安靜、恒溫且光照適宜的實(shí)驗(yàn)室中進(jìn)行，以減少無關(guān)因素對被試的影響。被試坐在軟椅上觀看材料，同時(shí)桌面上放有頭部支架，減少被試的頭部移動(dòng)，以確保眼動(dòng)數(shù)據(jù)的收集率以及有效性。

4.實(shí)驗(yàn)流程

在實(shí)驗(yàn)開始之前，被試填寫機(jī)器學(xué)習(xí)先驗(yàn)知識問卷，通過者成為正式被試。進(jìn)入實(shí)驗(yàn)室后，被試通過紙筆測驗(yàn)的方式進(jìn)行鑲嵌圖形測驗(yàn)題目作答，主試計(jì)時(shí)并控制每部分答題時(shí)長。眼動(dòng)實(shí)驗(yàn)正式開始前，由主試向被試介紹實(shí)驗(yàn)流程以及注意事項(xiàng)，并幫助被試進(jìn)行眼動(dòng)儀校驗(yàn)。被試通過校驗(yàn)后方可正式觀看學(xué)習(xí)視頻。被試觀看第一個(gè)實(shí)驗(yàn)視頻后，黑屏3分鐘供被試休息，之后再觀看第二個(gè)實(shí)驗(yàn)視頻。在此期間，研究者一直使用眼動(dòng)儀記錄數(shù)據(jù)。被試觀看完畢后離開實(shí)驗(yàn)室，實(shí)驗(yàn)結(jié)束。

5.數(shù)據(jù)分析

實(shí)驗(yàn)結(jié)束后，研究人員利用Tobii Studio軟件進(jìn)行眼動(dòng)數(shù)據(jù)導(dǎo)出、預(yù)處理與特征提取等工作；使用SPSS 23.0軟件對眼動(dòng)指標(biāo)進(jìn)行單因素方差分析，以此來確定場認(rèn)知風(fēng)格對學(xué)習(xí)者眼動(dòng)行為的影響；使用RapidMiner Studio 9.10軟件進(jìn)行場認(rèn)知風(fēng)格分類算法模型的構(gòu)建，并采用準(zhǔn)確率（Accuracy）以及Kappa值來評價(jià)算法性能。

五、結(jié)果與討論

1.機(jī)器學(xué)習(xí)算法的分類性能比較

本實(shí)驗(yàn)共收集到73萬余條眼動(dòng)樣本數(shù)據(jù)，將數(shù)據(jù)進(jìn)行特征提取，總共得到136組特征向量。研究首先利用眼動(dòng)數(shù)據(jù)實(shí)現(xiàn)對場認(rèn)知風(fēng)格學(xué)習(xí)者的分類。方法是：將歸一化后的注視時(shí)長占比、平均注視點(diǎn)數(shù)量、掃視時(shí)長占比、平均眼跳次數(shù)、平均眼跳距離、瞳孔直徑標(biāo)準(zhǔn)差6個(gè)指標(biāo)作為變量輸入，以場認(rèn)知風(fēng)格類型為標(biāo)簽進(jìn)行分類，分別使用支持向量機(jī)（SVM）、隨機(jī)森林（RF）、樸素貝葉斯（NB）、K臨近算法（KNN）以及邏輯回歸（LR）等機(jī)器學(xué)習(xí)算法，通過十折交叉驗(yàn)證法檢驗(yàn)算法的準(zhǔn)確率和Kappa值，得到如表 2所示的結(jié)果。

準(zhǔn)確率指的是所有分類正確的樣本數(shù)與總樣本數(shù)的比值，即分類正確的概率，范圍在0～1之間，值越大說明采用該方法進(jìn)行的分類越準(zhǔn)確。Kappa系數(shù)是用在統(tǒng)計(jì)學(xué)中評估一致性的一種方法，考查的是預(yù)測結(jié)果和實(shí)際分類結(jié)果是否一致，范圍在-1～1之間，通常大于0，值越大說明該方法的分類性能越強(qiáng)。

由表2可以看出，在5種機(jī)器學(xué)習(xí)算法中，邏輯回歸（LR）算法具有最高的分類準(zhǔn)確率，達(dá)到89.01%；同時(shí)具有最高的Kappa值，為0.774。說明在這5種算法之中，邏輯回歸算法在進(jìn)行場認(rèn)知風(fēng)格分類時(shí)性能最強(qiáng)，是構(gòu)建模型的最優(yōu)方法。

2.不同認(rèn)知風(fēng)格學(xué)習(xí)者眼動(dòng)熱力圖及眼動(dòng)路徑比較

為了更深入地了解不同認(rèn)知風(fēng)格學(xué)習(xí)者在眼動(dòng)行為上的差異，并為其個(gè)性化學(xué)習(xí)資源推薦提供指導(dǎo)，本研究對學(xué)習(xí)者的視覺模式與眼動(dòng)指標(biāo)進(jìn)行了深入分析。圖 2展示了一名場依存型學(xué)習(xí)者與一名場獨(dú)立型學(xué)習(xí)者的眼動(dòng)熱力圖，顏色越深、亮度越亮代表被試在該位置的注釋時(shí)間越長。從圖中兩名學(xué)習(xí)者的注意力分布情況來看，場依存型學(xué)習(xí)者在注意力分配（即注視位置）方面比場獨(dú)立型學(xué)習(xí)者表現(xiàn)出更顯著的變化。場依存型學(xué)習(xí)者的注視位置較為分散，在文字、圖片等區(qū)域都有大量的注視行為。場獨(dú)立型學(xué)習(xí)者的注視位置較為集中，注意力主要分布在圖片區(qū)域。在信息搜索方面，分散的注視點(diǎn)表明學(xué)習(xí)者難以將知識內(nèi)容進(jìn)行編碼，在識別與理解知識內(nèi)容方面具有更大的不確定性（Just et al.，1976）；反之，較為集中的注視點(diǎn)反映了更高的視覺搜索效率，表明學(xué)習(xí)者可以更快速地進(jìn)行知識編碼并儲存。通過實(shí)驗(yàn)可知，場獨(dú)立型學(xué)習(xí)者比場依存型學(xué)習(xí)者具有更高的視覺搜索效率。

圖 3展示了圖 2中對應(yīng)的場依存型學(xué)習(xí)者與場獨(dú)立型學(xué)習(xí)者的眼動(dòng)路徑圖，相鄰的兩個(gè)注視點(diǎn)由直線連接，并且在某注視點(diǎn)的注視時(shí)間越長，則該注視點(diǎn)的直徑就越大。該圖體現(xiàn)了不同認(rèn)知風(fēng)格學(xué)習(xí)者的視覺搜索模式?？傮w來看，相較于場獨(dú)立型學(xué)習(xí)者，場依存型學(xué)習(xí)者的眼動(dòng)路徑較為分散與雜亂，且會(huì)受到與知識無關(guān)內(nèi)容的影響。場依存型學(xué)習(xí)者的眼跳距離更大，且較多次地注視學(xué)習(xí)視頻中的信息，體現(xiàn)出一種較為分散的視覺搜索模式。而場獨(dú)立型學(xué)習(xí)者的眼跳距離較小，注視內(nèi)容更加密集，體現(xiàn)了較為密集的視覺搜索模式。根據(jù)Rayner等人（1992）的研究結(jié)果，回視的次數(shù)反映了在視覺場景中搜索信息時(shí)定位關(guān)鍵內(nèi)容的困難程度。圖3同時(shí)也表明，場依存型學(xué)習(xí)者更難搜索到視頻中的關(guān)鍵信息與關(guān)鍵知識。

結(jié)合場認(rèn)知風(fēng)格理論，不同認(rèn)知風(fēng)格的學(xué)習(xí)者產(chǎn)生不同視覺搜索模式的原因在于，場依存型學(xué)習(xí)者難以識別視頻信息中的關(guān)鍵元素，需要依賴信息與環(huán)境之間的關(guān)系來輔助判斷。因此，場依存型學(xué)習(xí)者需要逐個(gè)探測視頻信息，由此產(chǎn)生了更多的掃視與回視等行為。相比之下，場獨(dú)立型學(xué)習(xí)者表現(xiàn)出更精準(zhǔn)的搜索模式，其特點(diǎn)是更少的掃視和回視。同時(shí)，場依存型學(xué)習(xí)者的注意力容易受到與課程內(nèi)容不相關(guān)因素的影響，視線多次在課程標(biāo)題與課程內(nèi)容之間轉(zhuǎn)移，體現(xiàn)出一定的迷失與分心情況。而場獨(dú)立型學(xué)習(xí)者的注意力則集中分布在與課程內(nèi)容有緊密關(guān)系的要素上，視覺行為更加定向。

3.不同認(rèn)知風(fēng)格學(xué)習(xí)者眼動(dòng)指標(biāo)差異性分析

使用方差分析對眼動(dòng)數(shù)據(jù)進(jìn)行分析可知（結(jié)果如表 3所示），6個(gè)眼動(dòng)指標(biāo)均在0.01水平上具有顯著差異。其中，場獨(dú)立型學(xué)習(xí)者的注視時(shí)長占比與平均注視點(diǎn)數(shù)量均高于場依存型學(xué)習(xí)者，場依存型學(xué)習(xí)者的掃視時(shí)長占比與平均眼跳次數(shù)均高于場獨(dú)立型學(xué)習(xí)者。這表明在視頻學(xué)習(xí)的過程中，場獨(dú)立型學(xué)習(xí)者進(jìn)行了更多的注視行為，而場依存型學(xué)習(xí)者進(jìn)行了更多的掃視行為。同時(shí)，場依存型學(xué)習(xí)者的平均眼跳距離顯著大于場獨(dú)立型學(xué)習(xí)者，與眼動(dòng)路徑圖的結(jié)果一致，表明場依存型學(xué)習(xí)者需要大范圍地進(jìn)行信息檢索。并且，場依存型學(xué)習(xí)者的瞳孔直徑標(biāo)準(zhǔn)差顯著大于場獨(dú)立型學(xué)習(xí)者，表明場依存型學(xué)習(xí)者在學(xué)習(xí)過程中產(chǎn)生了更加顯著的認(rèn)知變化。

掃視指標(biāo)的相關(guān)結(jié)果與以往研究一致，即場依存型學(xué)習(xí)者表現(xiàn)出更多的掃視行為。然而注視時(shí)長的結(jié)果與以往的研究不同。已有研究認(rèn)為，場依存型學(xué)習(xí)者難以確定關(guān)鍵信息，因而需要更多的注視行為進(jìn)行信息的獲取與理解（Nisiforou et al.，2013）；而本研究發(fā)現(xiàn)，場獨(dú)立型學(xué)習(xí)者的注視時(shí)長與平均注視點(diǎn)數(shù)量均高于場依存型學(xué)習(xí)者。究其原因，已有的場認(rèn)知風(fēng)格—眼動(dòng)研究中的實(shí)驗(yàn)材料是不限時(shí)的測試任務(wù)，需要統(tǒng)計(jì)被試完成任務(wù)整個(gè)過程中的眼動(dòng)行為。由于場依存型學(xué)習(xí)者難以識別關(guān)鍵信息，他們會(huì)花費(fèi)更長的時(shí)間來完成任務(wù)，在此過程中需要進(jìn)行更多的認(rèn)知處理，因此會(huì)產(chǎn)生更多的注視行為。然而本研究的實(shí)驗(yàn)材料為時(shí)長固定的課程視頻，在相同的時(shí)間內(nèi)，場依存型學(xué)習(xí)者會(huì)花費(fèi)更多的時(shí)間來檢索關(guān)鍵信息，因而會(huì)產(chǎn)生更多的掃視行為，從而減少了注視行為的占比。因此，雖在不同的背景與不同的需求下，對兩種場認(rèn)知風(fēng)格學(xué)習(xí)者的眼動(dòng)指標(biāo)分析產(chǎn)生了不同的結(jié)果，但其背后隱含的認(rèn)知原理卻是相同的。

六、總結(jié)

1.邏輯回歸算法是構(gòu)建認(rèn)知風(fēng)格模型的良好方法

本研究旨在構(gòu)建基于機(jī)器學(xué)習(xí)算法與眼動(dòng)追蹤技術(shù)的認(rèn)知風(fēng)格模型，實(shí)現(xiàn)學(xué)習(xí)者認(rèn)知風(fēng)格的自動(dòng)分類，為智能學(xué)習(xí)系統(tǒng)的構(gòu)建提供支撐。研究共選擇了5種機(jī)器學(xué)習(xí)算法來構(gòu)建認(rèn)知風(fēng)格模型。通過實(shí)驗(yàn)數(shù)據(jù)分析，發(fā)現(xiàn)邏輯回歸（LR）算法在進(jìn)行認(rèn)知風(fēng)格分類時(shí)的準(zhǔn)確率與Kappa值均最高，分類準(zhǔn)確率高達(dá)89.01%，是分類性能最佳的方法。因此，我們最終選取邏輯回歸作為認(rèn)知風(fēng)格模型構(gòu)建的機(jī)器學(xué)習(xí)算法。

2.不同認(rèn)知風(fēng)格學(xué)習(xí)者視覺模式存在差異

本研究通過眼動(dòng)實(shí)驗(yàn)，深入挖掘了不同認(rèn)知風(fēng)格學(xué)習(xí)者的眼動(dòng)行為差異。結(jié)果表明，在視頻學(xué)習(xí)過程中，不同場認(rèn)知風(fēng)格學(xué)習(xí)者表現(xiàn)出不同的視覺行為模式。場依存型學(xué)習(xí)者有著較為分散的視覺注意模式，同時(shí)在信息檢索方面存在一定困難，且在掃視過程中容易迷失和分心；場獨(dú)立型學(xué)習(xí)者有著較為密集與定向的視覺注意模式，更加關(guān)注重點(diǎn)學(xué)習(xí)內(nèi)容，信息搜索效率更高。

同時(shí)，對場依存型和場獨(dú)立型學(xué)習(xí)者的眼動(dòng)指標(biāo)差異進(jìn)行分析發(fā)現(xiàn)，兩種認(rèn)知風(fēng)格的學(xué)習(xí)者在6個(gè)歸一化眼動(dòng)指標(biāo)上均具有顯著差異。在固定時(shí)長的視頻學(xué)習(xí)過程當(dāng)中，場依存型學(xué)習(xí)者展現(xiàn)了更多的掃視行為與更長的平均眼跳距離；場獨(dú)立型學(xué)習(xí)者展現(xiàn)了更多的注視行為與較短的平均眼跳距離。這表明在進(jìn)行同樣時(shí)長的視頻學(xué)習(xí)時(shí)，場依存型學(xué)習(xí)者會(huì)花費(fèi)更多時(shí)間來進(jìn)行信息檢索，而場獨(dú)立型學(xué)習(xí)者會(huì)花費(fèi)更多時(shí)間來進(jìn)行信息處理。

3.認(rèn)知風(fēng)格模型可為智能教育提供精準(zhǔn)支撐

本研究所構(gòu)建的認(rèn)知風(fēng)格模型可應(yīng)用于智能學(xué)習(xí)系統(tǒng)的優(yōu)化當(dāng)中，具有豐富的現(xiàn)實(shí)意義。首先，本研究探索了學(xué)習(xí)者認(rèn)知風(fēng)格與視覺行為之間的聯(lián)系，該結(jié)果可用于智能學(xué)習(xí)系統(tǒng)的課程資源優(yōu)化設(shè)計(jì)?；谝詫W(xué)習(xí)者為中心的設(shè)計(jì)理論，在以學(xué)習(xí)者為中心的學(xué)習(xí)環(huán)境中提供能滿足個(gè)人獨(dú)特學(xué)習(xí)需求的資源，有助于加深學(xué)習(xí)者對學(xué)習(xí)內(nèi)容的理解（牟智佳，2017）。當(dāng)教師或教學(xué)設(shè)計(jì)者認(rèn)識到不同認(rèn)知風(fēng)格學(xué)習(xí)者的視覺行為差異時(shí)，可以根據(jù)學(xué)習(xí)者的個(gè)體差異為其提供差異化的學(xué)習(xí)材料。例如，由于場依存型學(xué)習(xí)者難以識別課程中的關(guān)鍵信息，在課程設(shè)計(jì)的過程中，可加入更多的線索，如加粗、加亮關(guān)鍵字體，或通過添加箭頭等形式，來為場依存型學(xué)習(xí)者提供學(xué)習(xí)輔助，幫助其快速定位關(guān)鍵信息，提升學(xué)習(xí)效率。

其次，認(rèn)知風(fēng)格模型還可用于智能學(xué)習(xí)系統(tǒng)的構(gòu)建。個(gè)性化學(xué)習(xí)路徑的規(guī)劃是智能學(xué)習(xí)系統(tǒng)的重要功能之一，其實(shí)現(xiàn)的關(guān)鍵在于明確學(xué)習(xí)者的特征。學(xué)習(xí)者特征把握不精準(zhǔn)，是目前個(gè)性化學(xué)習(xí)路徑推薦準(zhǔn)確率較低的主要原因（唐雯謙等，2021）。本研究提供了認(rèn)知風(fēng)格分類精確度近90%的模型，可以幫助設(shè)計(jì)者準(zhǔn)確地把握學(xué)習(xí)者的認(rèn)知風(fēng)格特征。將訓(xùn)練好的模型嵌入到在線學(xué)習(xí)平臺當(dāng)中，可以實(shí)現(xiàn)對學(xué)習(xí)者認(rèn)知風(fēng)格的自動(dòng)識別，構(gòu)建更加細(xì)致的學(xué)習(xí)者畫像，進(jìn)而為學(xué)習(xí)者提供更適合的學(xué)習(xí)內(nèi)容、更合理的學(xué)習(xí)路徑，提升其學(xué)習(xí)體驗(yàn)和學(xué)習(xí)效果。

4.局限性與展望

首先，本研究的實(shí)驗(yàn)材料較為單一，僅提供了呈現(xiàn)方式較為單一的某一學(xué)科的課程視頻作為實(shí)驗(yàn)材料。因此，未來的研究可使用更多樣化的課程視頻，或者是其他類型的視覺刺激，以檢驗(yàn)實(shí)驗(yàn)方法與實(shí)驗(yàn)結(jié)果的可靠性和有效性。此外，應(yīng)考慮更多的學(xué)習(xí)者特征如年齡、性別、學(xué)科背景等，探究其對認(rèn)知風(fēng)格和眼動(dòng)行為的影響，同時(shí)可以將其作為新的自變量輸入到機(jī)器學(xué)習(xí)算法當(dāng)中，以提升模型的針對性與準(zhǔn)確性。眼球運(yùn)動(dòng)也可能會(huì)受到學(xué)習(xí)環(huán)境的影響，僅使用眼動(dòng)追蹤數(shù)據(jù)來測量學(xué)習(xí)認(rèn)知并不全面，未來可將其他的生理指標(biāo)如腦電、心電等整合在研究中，通過不同模態(tài)數(shù)據(jù)之間的信息互補(bǔ)，提升數(shù)據(jù)分析的準(zhǔn)確性，以完善學(xué)習(xí)者認(rèn)知評估的可靠性。

參考文獻(xiàn)：

[1]曹衛(wèi)真，殷婷如，邢強(qiáng)等（2012）.常見教學(xué)網(wǎng)頁圖文搭配方式對記憶效果影響的研究[J].電化教育研究，33（2）：93-100.

[2]郭紹青，華曉雨（2022）.論智慧教育與智能教育的關(guān)系[J].西北師大學(xué)報(bào)（社會(huì)科學(xué)版），59（6）：139-147.

[3]牟智佳（2017）.“人工智能＋”時(shí)代的個(gè)性化學(xué)習(xí)理論重思與開解[J].遠(yuǎn)程教育雜志，35（3）：22-30.

[4]唐雯謙，覃成海，向艷等（2021）.智慧教育與個(gè)性化學(xué)習(xí)理論與實(shí)踐研究[J].中國電化教育，（5）：124-137.

[5]王靖，巴安妮，吳寶鎖（2023）.智能教學(xué)反饋的目標(biāo)、機(jī)制與架構(gòu)[J].現(xiàn)代遠(yuǎn)程教育研究，35（3）：102-112.

[6]王雪（2015）.多媒體學(xué)習(xí)研究中眼動(dòng)跟蹤實(shí)驗(yàn)法的應(yīng)用[J].實(shí)驗(yàn)室研究與探索，34（3）：190-193，201.

[7]新華網(wǎng)（2019）.中共中央、國務(wù)院印發(fā)《中國教育現(xiàn)代化2035》[EB/OL].[2023-08-09].http：//www.moe.gov.cn/jyb_xwfb

/s6052/moe_838/201902/t20190223_370857.html.

[8]薛耀鋒，曾志通（2020）.面向自適應(yīng)學(xué)習(xí)的不同認(rèn)知風(fēng)格學(xué)習(xí)者眼動(dòng)模型研究[J].現(xiàn)代教育技術(shù)，30（8）：91-97.

[9]薛耀鋒，李佳璇（2021）.基于眼動(dòng)追蹤的在線同步學(xué)習(xí)系統(tǒng)可用性評測[J].現(xiàn)代教育技術(shù)，31（12）：85-93.

[10]閆志明，郭喜蓮，王睿（2018）.多媒體學(xué)習(xí)研究中眼動(dòng)指標(biāo)述評[J].現(xiàn)代教育技術(shù)，28（5）：33-39.

[11]詹澤慧（2013）.基于智能Agent的遠(yuǎn)程學(xué)習(xí)者情感與認(rèn)知識別模型——眼動(dòng)追蹤與表情識別技術(shù)支持下的耦合[J].現(xiàn)代遠(yuǎn)程教育研究，（5）：100-105.

[12]張雁凌（2003）.中國大學(xué)生的場獨(dú)立/依存的認(rèn)知風(fēng)格對英語水平的影響[J].外國語言文學(xué)，（4）：43-45.

[13]Al-Saai， A. J.， amp; Dwyer， F. M. （1993）. The Effect of Visualization on Field-Dependent and Field-Independent Learners[J]. International Journal of Instructional Media， 20：243-249.

[14]Bewick， V.， Cheek， L.， amp; Ball， J. （2005）. Statistics Review 14： Logistic Regression[J]. Critical Care， 9（1）：112-118.

[15]Breiman， L. （2001）. Random Forests[J]. Machine Learning， 45（1）：5-32.

[16]Carter， B. T.， amp; Luke， S. G. （2020）. Best Practices in Eye Tracking Research[J]. International Journal of Psychophysiology， 155：49-62.

[17]Eivazi， S.， amp; Bednarik， R. （2011）. Predicting Problem-Solving Behavior and Performance Levels from Visual Attention Data[C]// Proceedings of the 2nd Workshop on Eye Gaze in Intelligent Human Machine Interaction at IUI. Palo Alto， CA：9-16.

[18]Ghazizadeh， E.， Abbasi-Moghadam， D.， amp;" Nezamabadi-Pour， H. （2019）. An Enhanced Two-Phase SVM Algorithm for Cooperative Spectrum Sensing in Cognitive Radio Networks[J]. Communication Systems， 32（2）：e3856.

[19]Jacob， R. J. K.， amp; Karn， K. S. （2003）. The Mind’s Eye： Cognitive and Applied Aspects of Eye Movement Research[M]. Amsterdam， The Netherlands： Elsevier Science：573-605.

[20]Jiang， L. X.， Cai， Z. H.， amp; Zhang， H. et al. （2013）. Naive Bayes Text Classifiers： A Locally Weighted Learning Approach[J]. Journal of Experimental amp; Theoretical Artificial Intelligence， 25（2）：273-286.

[21]Jovanovic， M.， Vukicevic， M.， amp; Milovanovic M. et al. （2012）. Using Data Mining on Student Behavior and Cognitive Style Data for Improving E-Learning Systems： A Case Study[J]. International Journal of Computational Intelligence Systems， 5（3）：597-610.

[22]Just， M. A.， amp; Carpenter， P. A. （1976）. Eye Fixations and Cognitive Processes[J]. Cognitive Psychology， 8：441-480.

[23]Kharbech， S.，" Dayoub， I.， amp; Zwingelstein-Colin， M. （2016）. On Classifiers for Blind Feature-Based Automatic Modulation Classification over Multiple-Input-Multiple-Output Channels[J]. IET Communications， 10（7）：790-795.

[24]Liu， H. C. （2018）. Investigating the Impact of Cognitive Style on Multimedia Learners’Understanding and Visual Search Patterns： An Eye-Tracking Approach[J]. Journal of Educational Computing Research， 55（8）：1053-1068.

[25]Lou， Y.， Liu， Y.， amp; Kaakinen， J. K. et al. （2017）. Using Support Vector Machines to Identify Literacy Skills： Evidence from Eye Movements[J]. Behavior Research Methods， 49（3）：887-895.

[26]Mahvelati， E. H. （2020）. Field-Dependent/Field-Independent Learners’Information Processing Behavior in an Implicit Learning Task： Evidence from Iranian EFL Learners[J]. Journal of" Psycholinguist Research， 49（6）：955-973.

[27]Math?t， S.， amp; Vilotijevi?， A. （2023）. Methods in Cognitive Pupillometry： Design， Preprocessing， and Statistical Analysis[J]. Behavior Research Methods， 55：3055-3077 .

[28]McKay， M. T.， Fischler， I.， amp; Dunn， B. R. （2003）. Cognitive Style and Recall of Text： An EEG Analysis[J]. Learning and Individual Differences， 14（1）：1-21.

[29]Nisiforou， E. A.， amp; Laghos， A. （2013）. Do the Eyes Have It？ Using Eye Tracking to Assess Students Cognitive Dimensions[J]. Educational Media International， 50（4）：247-265.

[30]Nisiforou， E.， amp; Laghos， A. （2016）. Field Dependence-

Independence and Eye Movement Patterns： Investigating Users’ Differences Through an Eye Tracking Study[J]. Interacting with Computers， 28（4）：407-420.

[31]Pradnya Sidhawara， A. G.， Wibirama， S.， amp; Adji， T. B. et al. （2020）. Classification of Visual-Verbal Cognitive Style in Multimedia Learning using Eye-Tracking and Machine Learning[C]// 2020 6th International Conference on Science and Technology （ICST）. Yogyakarta， Indonesia：1-5.

[32]Rayner， K.， amp; Pollatsek， A. （1992）. Eye-Movements and Scene Perception[J]. Canadian Journal of Psychology， 46（3）：342-376.

[33]Riding， R.， amp; Cheema， I. （1991）. Cognitive Styles： An Overview and Integratio[J]. Educational Psychology， 11：193-215.

[34]Saracho， O. （2003）. Matching Teachers’ and Students’ Cognitive Styles[J]. Early Child Development and Care， 173：161-173.

[35]Szulewski， A. M. D.， Roth， N.， amp; Howes， D. M. D. （2015）. The Use of Task-Evoked Pupillary Response as an Objective Measure of Cognitive Load in Novices and Trained Physicians： A New Tool for the Assessment of Expertise[J]. Academic Medicine， 90（7）：981-987.

[36]Witkin， H. A. （1967）. A Cognitive-Style Approach to Cross-Cultural Research[J]. International Journal of Psychology， 2（4）：233-250.

[37]Workman， M. （2004）. Performance and Perceived Effectiveness in Computer-Based and Computer Aided Education： Do Cognitive Styles Make a Difference[J]. Computers in Human Behaviour， 20（4）：517-534.

[38]Yousef， A. M. F.，" Atia， A.， amp;" Youssef， A. et al. （2021）. Automatic Identification of Student’s Cognitive Style from Online Laboratory Experimentation Using Machine Learning Techniques[C]// 2021 IEEE 12th Annual Ubiquitous Computing， Electronics amp; Mobile Communication Conference （UEMCON）. New York：143-149.

收稿日期 2023-12-14 責(zé)任編輯 汪燕

Construction of Cognitive Style Model Based on Machine Learning and Eye Tracking

XUE Yaofeng， ZHU Fangqing

Abstract： Cognitive style reflects the patterns of students’ approaching， acquiring， organizing， processing and interpreting information， and can be used to explain and guide students’ behavior. Integrating cognitive style into intelligent systems can help develop personalized user models and promote the development of intelligent education. Currently， there is a lack of research on automatic classification of cognitive styles， and machine learning has not yet been combined with eye tracking technology for application in this research field. Based on machine learning and eye tracking， a cognitive style model is built. It selects six eye movement indicators closely related to cognition， including fixation duration， number of fixations， saccade duration， number of saccades， saccade distance， and pupil diameter. After normalization， machine learning algorithms are used to automatically classify cognitive styles. The experimental results show that learners with different field cognitive styles exhibit different visual behavior patterns when learning from videos of the same duration. Field-dependent learners have a more dispersed fixation points， showing more saccades， fewer fixations， longer saccade distances， and larger pupil diameter changes， resulting in lower information search efficiency. Field-independent learners have a more intensive and directional visual attention pattern， resulting in higher information search efficiency. After comparing the performance of five machine learning algorithms， it is found that the classification effect of logistic regression algorithm is the best， with an accuracy rate of 89.01% and a Kappa value of 0.774. This automatic classification model of cognitive styles can be used for optimizing the design of course resources in intelligent learning systems and for recommending personalized learning paths. In the future， more physiological data can be integrated to improve the accuracy of data analysis and the reliability of learner cognitive ability assessment through information complementarity between different modalities.

Keywords： Intelligent Education; Machine Learning; Eye Tracking Technology; Field Cognitive Style; Automatic Classification