在线学习者学习风格测量初探

宋　阳　江　玲　任其华　佟延秋

【摘要】文章研究的目的是通过在线学习者的浏览行为来测量在线学习者的学习风格，研究中作者借助于 Hopfield 神经网 络分析在线学习者在利用网络课程进行学习的过程中所建构出的概念图来确定学习者的学习风格。

【关键词】学习风格；概念图；神经网络

【中图分类号】G420 【文献标识码】B 【论文编号】1009—8097（2009）01—0099—03

一 简介

学习者的学习风格一般用来描述学习者在进行信息加工 的（包括接受、存储、转化和提取）过程中所习惯采用的不 同方式。试验表明，学习者的学习风格对学习者的学业成就 会产生明显的影响 （Kim & Michael, 1995） [1]。因此，采用 与学习者学习风格相匹配的教学策略和教学方法，能够让学 习者对信息保持的时间更长而且更容易提取与迁移；另外， 同那些与采用的教学策略和教学方法相抵触的学生相比，这 些学生能以更加积极的态度面对课程的教学目标（Riding & Grimly, 1999） [2]。

学习者的个性差异给网络课程的教学设计者带来了一个极大的挑战，即如何在网络课程教学设计过程中创建一个并 不带有明显的对某种特定学习风格倾向的网络课程或学习资源。

AHT（Adaptive Hypermedia Technology），即适应性超媒 体技术被认为是解决许多包含在超媒体学习环境中学习问题（如认知负担和学习者迷航）的最有效的策略。适应性超媒 体技术的核心理念是按照学习者的个性特征设计与开发教学 内容和教学资源。然而，目前对大多数教育超媒体系统的研 究主要集中在学习资源和学习环境的构建上，很少关注学习 者的个性差异。一个基于 Web 的教学系统必须包含关于学习 者学习风格的信息以为学习者提供最优化的教学资源 （Carver，Howard & Lane，1999）[3]。 在传统的面授教学条件下，学习资源以印刷材料为主，而在当今的网络学习环境中，学习资源都是以超媒体方式呈 现的。由于传统教材同超媒体教材在教学内容安排上的逻辑 结构不同，因此利用传统学习风格测量方法得出的数据来开 发基于 Web 的学习资源显然是不适合的。即便是目前已有的 某些在线学习者学习风格测量方式，仍然还是通过要求学习 者完成在线调查问卷来收集学习者的学习风格信息。本研究 应用神经网络方法，对在线学习者在使用超媒体课件进行学 习的过程中所体现出的浏览行为确定学习者的学习风格，而不需要学习者完成测量量表。

二 从学习者的浏览行为到概念图的映射

1概念图简介

概念图（Concept Map）最早是由是诺瓦克（J.D.Novak） 博士于1971年在康乃尔大学研究儿童科学概念改变的过程时 所提出的。概念图是根据奥苏贝尔（David P. Ausube）的有意 义学习理论以及建构主义学习理论构建起来的一种帮助学习 者构建合理的、结构化知识的教学工具。奥苏贝尔认为：知 识是按层次结构组织起来的，知识之间是有联系的。概念具 有不同的深度，非常笼统的概念包含着不太笼统的概念，而 不太笼统的概念中又包含非常具体的概念。因此，Novak和 Gowin指出，概念图应该是具有层次结构的，人们可以用适当 的关联词来说明不同层次概念之间的纵向关系，并确定不同 分支之间的横向联系。这正是认知结构的渐进分化和融会贯 通特征的体现[4]。

概念图（Concept Map）理论是一种关于信息的组织、表达 和分析的技术。借助它可以将一组彼此关联但又各具复杂含义 的信息转化成易于理解、条理化的结构，以便进一步分析[5]。 直观地说，概念图就是一组网络图，图中的每个节点表示某个 命题或知识领域内的概念，各节点之间的连线表示节点之间的 相互联系。概念图理论致力于以下几个方面的研究[6]：

（1） 如何选择、划分和表示信息节点；

（2） 信息状态如何有效的分类和描述；

（3） 如何构建、表述和结构化存储概念图；

（4） 对于概念图采用不同数学方法进行有针对性的分析。 在学习某一命题中的新概念过程中，通过使用概念图， 让新概念所表达的信息总是不断地与学习者头脑中原有概念 发生相互作用，并整合到学习者已有的概念结构中去，并且 按照“渐进分化”的原则，形成一个更为紧凑的认知结构图 式，其结果便是学习者所构建的认知结构图示逐步向这一领域内的专家所构建出的认知结构图式相靠近[7]。

2学习者的浏览行为

本研究与传统的学习风格测量方法的不同之处在于，该方法是通过观察在线学习者的网络浏览行为（Web Browsing Behavior，WBB）来确定学习者的学习风格的。学习者是在 浏览网络课程的过程中完成课程学习的，由于学习者个体间 内部信息加工方式的差异，相应地就会表现出行为模式的差 异，这些浏览行为也就会内隐地包含可能代表学习者特殊喜 好或兴趣的信息，将这些信息与目前已有的学习风格类型相 对比就有可能确定学习者的学习风格。

在基于 Web 的远程教学系统中，学习者通过超媒体课件 进行学习。这类学习课件的知识点拓扑结构大多是树状结构， 学习者在树型目录的引导下进行课程的学习。从某种意义上 来讲，目录树决定了整个课程内容中知识点的分布结构状况。 使用树状结构的优点是：知识点的表示方式比较直观，设计 导航的时候比较容易操作。但由此也带来一些缺点，一般而 言，树状结构的教学内容通常是按照章、节顺序建立的, 所 包含的信息量太少，这样的组织形态实际上对于提供学习障 碍诊断并以此作为分析诊断的依据并无太大的帮助。大量的 实践也表明,知识点之间的复杂联系并不是仅仅通过树状结 构图就能清楚地表达出来的。从建构主义学习观的角度来讲， 学习者的学习过程也是其自身构建知识的过程，其结果就是 学习者按照自己的学习风格在头脑中构建出一幅符合自身信 息加工特点的知识表征图，即概念图。

3从学习者的浏览行为到概念图的映射

通过以上分析，可以将网页以及它们之间的链接看作是概念之间的结构关系，将网页间的知识点映射为概念图。通过网 页之间的结构方式与学习者的行为相结合，Liu 和 Lin（1999） 提出了一个基于网页的概念图课件结构。每个网页被定义为一 个概念的节点[8]。在基于 Web 的超媒体学习资源中有四种类型 的节点链接：C、E、X 和 J 型。C 型链接被定义为学习路径的 主要流程，它被用来描述期望的学习路径，按照课程的设计者 在不同的教学目标中被定义；它可以用来表示同一概念图的停 留点以及下一个概念图的导入，C 型链接如图 1 所示。

与 C 型链接不同，E 型链接（Explanatory-type link）是一 种解释性的链接，它将学习路径指向概念节点的子层来补充 说明带有 C 型链接的主要流中的概念节点，即它将导入“解 释型”的概念，可以理解为当前概念的下层概念。 X（eXtension-typle link）型链接是一种可扩展的链接，用来支 持带有 C 型链接的概念知识的扩展，可以理解为与当前概念 所处于同一层次的概念，如图 2 所示。J 型链接可以将当前链

接导向任意的概念图，所谓任意表示可以选择任何的节点进入；而所谓任何一个节点则表示可以是整个基于 Web 的课程 中任何一个概念图上的某一节点。

三 应用神经网络确定在线学习者的学习风格

1神经网络简介

神经网络被用于模拟人脑神经元的活动过程，其中包括对信息的加工、处理、存贮和搜索等过程，它具有如下基本特点：

（1） 能够充分逼近任意复杂的非线性关系，从而形成 非线性动态系统，以表示某种被控对象的数学模型；

（2） 能够学习和适应不确定性系统的动态特性；

（3） 所有定量或定性的信息都分布储存于网络内的各 个神经元中,从而具有很强的容错性和鲁棒性；

（4） 采用信息的分布式式并行处理，可以进行快速大 量的运算[9]。

对学习者学习风格的识别可以被理解为是对学习者个性 特征的识别问题，这一问题同模式识别的问题是类似的，它 们之所以类似，是因为它们都是根据某些特征对一个无穷的 输入进行分类（Castellano，Fanelli & Roselli，2001）[10]。应 用神经网络对学习者学习风格进行分类的优势如下：

（1） 模糊识别能力和对数据的充分理解能力；

（2） 归类能力和从特定样本中的学习能力；

（3） 具有额外参数的升级能力；

（4） 执行速度使它们成为理想的实时应用；

2应用 Hopfield 神经网络测量在线学习者的学习风格

1982 年 J．Hopfield 提出了可用于联想存储器的互连网络， 这个网络被称为 Hopfield网络模型，也称 Hopfield模型。 Hopfield 神经网络模型是一种反馈神经网络，从输出端到输入 端有反馈连接，其网络模型结构如图 3 所示。Hopfield 网络可 用于联想记忆，如果把稳定状态视为一个记忆样本，那么从 初状态向稳定状态收敛的过程就是寻找记忆样本的过程。初 态可认为是给定样本的部分信息，收敛过程可认为是从部分 信息找到全部信息，这样就实现了联想记忆。具体地讲，就 是合理选择权系数，使得网络的稳态恰好为联想存储的一组 稳态 M。如果网络的初态在 M 中，则网络的状态不变；如果 不在 M 中，希望网络所达到的稳定状态应该为 M 中与初值在 Hamming 距离意义最近的状态。

图 4 和图 5 分别是领域内专家所构建出概念图和学生在 学习过程中所构建的概念图。由此，我们可以将图 4 和图 5 的概念图转化为 M 和 S，分别作为 Hopfield 网络的稳定状态 和输入样本，这样就可以对学习者在学习过程中所带有的学 习风格进行测量。

四 结论

文章提出一种新的测量在线学习者学习风格的途径，采用 结构比较简单的 Hopfield 网络进行学习风格的识别是可行的。

参考文献

[1] Kim. J & Michael, W. B. (1995). The relationship of creativity measures to school achievement and preferred learning and thinking style in a sample of Korean high school students [J]. Educational and Psychological Measurement, 1995, 55:60-71.

[2] Riding, R., & Grimly, M. (1999). Cognitive style and learning frommultimediamaterialsin11-yearchildren[J].British Journal of Educational Technology, 1999,30:43-59.

[3]Carver,C.A.,Howard,R.A.&Lane;,W.D.(1999).Enhancing student learning through hypermedia courseware and incorporation of student learning styles [J]. IEEE

Transactions on Education, 1999, 42:33–38.

[4]张倩苇.概念图及其在教学中的应用[J].教育导刊.2002,11:25.

[5] Oughton JM, Reed W M. The influence of learner differences on the const ruction of hypermedia concepts a case study [J].Computers in Human Behavior, 1999,15:11-50.

[6] Herl H E, ONeil H F, Chung W K, et al. Reliability and validity of a computer2based know ledge mapping system to measurecontentunderstanding[J].ComputersinHuman

Behavior, 1999.15:315-333.

[7] 徐洪林,康长运等.概念图的研究及其进展[J].学科教 育,2003, 3:39-40.

[8] Liu, M. C. & Lin, H. L. (1999). A concept map based web page structure analysis and design for adaptive learning[A]. Proceedings of 1999 Taiwan Area Network Conference (TANET99)

[C].Taiwan: National Sun Yat-sen University Press, 1999:28-32.

[9] 李士勇.模糊控制神经网络和智能控制论[M]. 哈尔滨:哈 尔滨工业大学出版社,1998:101-1031.

[10]Castellano,G.,Fanelli,A.M.&Roselli;,T.Mining categories of learners by a competitive neural network[EB/OL],