混合学习环境下学习风格挖掘及群体差异研究

李晓雪 许慧敏 许新华 陶胜阳

一、引言

学习风格是个体在学习过程中逐渐形成的一种相对稳定的学习方式与学习偏好，强调学生之间的学习行为差异。学习风格极大地影响着学习进程。学习者在线上学习时会产生大量学习行为数据，利用数据挖掘技术对这些行为数据进行处理从而预测其学习风格，属于学习风格测量中的隐式测量法，通过与以量表或问卷为代表的显式测量法相结合，能够更加科学有效地获得学习者的学习风格[1-2]。

本研究以某师范大学教育技术学专业34名学生作为学习风格挖掘模型的训练对象。首先通过量表显式获取其学习风格，随后使用其线上学习行为数据初始化学习风格模型，在保证模型精确度的前提下不断调整、优化模型，最后利用该模型评估该大学计算机专业96名学习者的线上学习行为，预测其学习风格。同时对不同学习风格者的学习特点及倾向进行分析，方便教师针对不同类别学生采取相应的教学策略，开展相应的教学活动，并帮助学生有意识地增强对自己的认知和定位。

二、学习风格模型与线上学习行为

（一）Felder-Silverman学习风格模型

学习风格有多种分类方式。例如，Witkin将学习者分为场独立型与场依存型，Kolb学习风格模型包含同化者、聚敛者、分散者、适应者四种类型等。其中，Felder-Silverman学习风格模型已经被成功应用到多种智能教育系统中，并有多位专家学者证实了该模型在网络环境也具有良好的功能和可靠性[3-5]。该模型从不同学生之间的差异视角出发，围绕信息加工、信息感知、信息输入、信息理解四个维度展开对学习风格的判别，其中每一维度分别有两种类别，具体描述见表1。一个学习者完整的学习风格类型包括四个维度中的某一个风格，如信息加工维度可能为活跃型与沉思型中的一种，依此类推，在剩余三个维度中都是两者之间的一种，因此不同学习风格类型的组合为2×2×2×2=16种。

这些学习风格的分类对教学内容及教学过程的设计都起着至关重要的作用。例如，对于视觉型的学生，学习内容建议以视频、图片等形式为主；对于活跃型的学生，教师应多组织小组学习使他们能够积极讨论，并适当地给沉思型学生一部分时间。总之，在学习风格分类的基础上设计和组织教学材料、教学活动，对学生的学习效果能够产生促进作用。

学习者的线上学习风格与行为的特征、内容之间也存在着相关[1]。例如，活跃型学习者喜欢与别人交流学习，在论坛讨论中发帖和回帖较多。在后续的研究中，将仔细探讨学习者的学习风格与其各种在线学习行为模式特征之间的关系。

与Felder-Silverman学习风格模型对应的是Soloman&Richard学习风格测量量表，共包含44道题目[6]，利用该量表可以获取学习者的学习风格。后续研究也会利用该量表获取学习者的学习风格来作为挖掘模型的预测属性。

（二）学习风格与线上学习行为关系

线上学习行为与课堂学习行为一致，皆是由教师活动安排产生。当前对线上学习行为的定义和分类研究不多，学者大多依据研究目的从不同角度进行类别划分。其中具有代表性的为早期彭文辉和杨宗凯[7]等人将网络学习行为分为信息检索、信息加工、信息发布、交流行为、问题解决五个维度，每个维度分为低级、中级和高级三个层次。在学习行为数据的类型上，由早期仅有的登录、浏览次数、学习时长等简单数据形式逐渐丰富到今天的视频、图像、文本、眼动指标等多元的数据类别。如张科伟[8]利用学习者在处理教师发放的网络教学资料时所呈现的眼动数据来判定其学习风格。国外学者的研究主要集中在尝试通过软件工具追踪、记录学习者行为，并据此分析其学习行为与线上学习环境、学习成绩等因素之间的影响关系。Jia-Jiunn Lo[9]等人分析学习者在浏览器中的学习习惯、浏览顺序以及学习路径等行为来确定学习者的学习风格，并针对性地推送学习资源。

本研究基于多数学者对线上学习行为的分类，分析和提取相关研究中与学习风格相关的行为特征[10-11]，同时结合学习通平台，并依托课程自身特点，初步提取学习资源、讨论发言、作业、章节测验四类线上学习行为类别，列出其具体行为属性，分类情况如表1所示。

表1 Felder-Silverman学习风格模型对应线上学习行为初步分类结果表

续表1

学习资源主要指教师依据课程内容分享的视频、文本、思维导图以及图片图表等材料，具体属性包括浏览以及下载次数。学习通的任务点设置功能可以包含学习资源、章节测验、作业等类别，由于本研究中任务点多设置于对学习资源的记录情况，因此将任务点完成情况归于学习资源类别中。

讨论发言是指在讨论模块中师生以及生生之间展开的讨论交互活动，教师根据当堂课程内容对学生需要重点掌握或容易出错的知识点发出讨论话题，并要求学生做出回答，学生也可以针对自身在实践过程中遇到的问题发布讨论，寻求其他同学的帮助。具体讨论情况可以分为总讨论数、发表讨论数、回复讨论数以及获赞数。

章节测验主要用于检验学生对章节知识的掌握情况，通常用于每一章课程内容学习结束后对整章重要内容的回顾与巩固，主要行为指标包括章节测验进度与章节测验成绩两个具体属性。章节测验进度是学生对教师发布章节测验的数量完成情况，章节测验成绩是指学生对于测试题目中相关知识的回答情况。

作业是在每一堂课后针对当堂学习内容布置的学习作业。由于不同学习风格者擅长的题型不尽相同，因此主要采用选择题、判断题与简答题相结合的形式来考查相关知识点。学习者对不同类别知识点的掌握程度不同，因此在作业布置时既包括细节题也包括概念题，用于区分和匹配不同学习风格者的特点。

三、研究方法

本研究采用线上线下混合测量学习风格的方法。首先，采用所罗门学习风格量表（ILS）显式获得学习者的学习风格；然后，借助学习通平台收集相应学习行为数据，利用Python语言对不同维度的数据进行处理；接下来，借助K-means聚类算法隐式推定出学习者的学习风格；最后，将该结果与通过问卷得出的学习风格类型进行比较，并计算其精确度。

（一）研究对象

基于学习平台的设计与特点，选取某学院19级教育技术学专业的34名学生作为线上学习风格挖掘模型的初始化对象，线下发放所罗门学习风格量表显式获取其学习风格后，结合其所学习的《Python语言与应用》课程的性质特点以及拟定的各维度学习风格对应的线上学习行为来设计线上教学活动。由于本研究为混合学习环境，因此需要对线上与线下教学课程与内容进行教学设计。在保证模型具有一定精确度后，依据得出的挖掘模型对该学院20级计算机专业96名学生在《面向对象程序设计》这一课程上的学习风格进行测量，从而对不同学习风格者的特征及差异等进行分析说明。

（二）挖掘模型初始化

本研究将基于K-means聚类算法预测学习风格的过程分为三个部分，包括数据准备、数据的统计与输出、结果输出。

1.数据准备

数据包括两个方面：学习风格量表结果数据与线上学习行为数据。要求学习者填写所罗门学习风格量表的时间至少为5分钟以上，以保证测量的准确度；依据总结出的各维度对应线上学习行为类别和具体属性，依托学习通平台收集学生线上学习行为数据。由于从学习通平台导出的数据通常零散分布在不同的数据表中，因此需对数据进行选择与整理，剔除无关行为的干扰，选择与学习风格维度对应的行为数据集合，并将数据转换成能够进行数据挖掘的格式，以便后续利用python语言进行数据的统计与输出。

2.数据的统计与输出

对于隐式挖掘的学习风格结果，首先读取数据集并对数据进行预处理，隐去学生姓名、学号，改用序号代替学生信息。通过K-means聚类算法对学习者四个不同维度的学习风格结果进行分类，利用轮廓系数与肘部法则确定K值为2时对应的轮廓系数（silhouette score）值最大，为0.597，且此时变化较为明显。

3.结果输出

结果输出包括两部分：线下通过所罗门学习风格量表显式获得的34名学生学习风格结果，线上通过收集学生线上学习行为隐式挖掘出的学习风格结果。

将信息加工、信息感知、信息输入、信息理解四个维度的学习行为数据通过上述步骤一一进行操作，整合输出结果之后可得到所有学习者最终的学习风格预测结果，接着计算该学习风格模型的精确度，本研究参考García[13]的公式来计算精准度，计算公式为：

公式1中n是参与实验的对象数，LSILS是通过ILS问卷显式获取的学习风格，LSidentified是通过线上学习行为数据预测的学习风格。如果两者得出的学习风格一致，则函数Sim返回值是1；如果完全相反，则返回0；如果一方推测学习风格为中间型，则返回值是0.5。

本文使用的所罗门学习风格量表的量化方式是最大数－最小数+最大数的字母，a表示学习者在某一维度上LS左边的倾向值，b表示学习者在某种维度上LS右边的倾向值，值越大表示该类别学习风格的特点越强烈。通过上述方法得到34名学生的学习风格测量结果如表2。

利用公式1计算该挖掘模型的精确度，由此可在一定程度上反映出表1中的线上学习行为与学习风格之间的关联关系。经过不断调整线上学习行为类别与其所属的学习风格维度，将相应数据集导入挖掘模型，同样利用K-means聚类算法进行判别，再次计算其精确度。在现有线上学习行为的基础之上进行组合，通过不断比较与调整，得到了学习风格不同维度所包含的最优线上学习行为属性与其所属的具体类别（见表3），并最终计算出各维度的学习风格挖掘精确度。至此，模型初始化完成。

表3 最优线上学习行为属性分类及精确度计算结果表

通过比较可知，四个维度中信息加工维度的精确度最低，主要表现为通过K-means聚类算法判断出学习者的学习风格多为活跃型，而所罗门学习风格量表显式测出的结果大多为沉思型，其中原因在于学习者对教师布置的线上学习任务完成情况较好，包括对相关主题的交流讨论以及对学习材料的观看学习进度等数据较为活跃，但在进行量表填写时学习者并不能意识到这是学习行为积极踊跃的表现，或是由于大多数线上学习任务完成情况与课程成绩挂钩，因此成为某部分学生的学习动力，但这并非是由学生本人的主动意愿而进行的学习行为，因此在填写量表时学习者仍然表现为沉思型。

信息理解维度的精确度次低，通过K-means聚类算法得出的多为序列型学习风格，即比较擅长线性学习，原因在于多数学习者都是按照教师布置的学习计划进行学习，解决问题，具有较强的场依赖型特征，较少学习者能够利用跳跃式思维解决问题。

感知维度和输入维度的精确度均较高，这是因为多数学习者都喜欢从视频、图表/图像与实例等学习材料中进行对具体与抽象知识的学习，同时也与多数学习者在学习过程中比较细心且学习时间较长有关。

（三）实验结果分析

混合学习环境下，从学生线上学习行为数据中可以看出其学习积极性呈正态分布。在线下课堂授课时，教师也不会采取纯讲授型的教学方法讲解知识点，而是与线上教学活动相似，在教学过程中会穿插适当的提问、讨论、课后作业或者测验。然而线上学习时，由于缺乏教师的实时监督，大部分学生自身缺乏一定的学习主动性和自觉性，因此线上学习行为数据并不十分丰富，这也符合一定的教学规律。

1.不同性别学习者的学习风格分析

在此次进行调查的96名学习者中，有男生63人，女生33人，不同学习风格学习者的性别分布如图1所示，在学习风格模型的不同维度中男女分布比例大多相近，利用SPSS进行独立样本T检验发现，学习风格在性别层面不存在显著性差异（P＞0.05）。如在信息感知、信息输入维度，男女都是感觉型＞直觉型，视觉型＞言语型；但在信息加工维度，男生为沉思型＞活跃型，结合该维度具体行为指标来看，男生在线上学习过程中发表讨论数少于女生，对于教师提出的问题较少主动发言。就信息理解维度来看，男生大多倾向于按照既定步骤进行学习，细节题的准确率高于概念题。由于《面向对象程序设计》课程主要是对Java编程语言的学习，因此在该课程的Java编程中男生对于相应代码函数的上手使用优于女生，能够通过实验操作学习获得并巩固关于各代码之间联系的知识，但对于某些概念的理解不如女生准确。

图1 不同学习风格的性别分布

2.不同学习风格者的成绩分析

由于该课程主要考查学生对于代码的学习掌握情况，因此课程考试分为笔试、上机实训项目开发两部分，最终成绩按照1：1的比例进行汇总，满分为100分，将学生的成绩分为优秀、良好、中等、及格、不及格五个梯度，不同学习风格在五个成绩等级上的分布情况如表4所示，中等及以上成绩的学习者在线上学习时表现较为活跃，他们愿意与他人一起学习，喜欢通过讨论学习新知识，同时在学习过程中比较细心，遇到问题会主动解决，在后期的小组合作学习中展现出极大的自信与能力，能够帮助他人与小组共同完成项目开发工作，这类学习者主要集中在活跃型、感觉型、视觉型与序列型学习风格中；及格及以下成绩的学习者在线上学习遇到问题时不太愿意求助其他同学，同时也不太愿意对他人的提问进行解答，学习粗心且缺乏主动性，在学习上花费时间的较短以至于在上机实训的过程中难以完成教师的学习任务。

表4 不同学习风格的成绩分布

3.不同学习风格者的差异性分析

依据得到的具有一定精确度的学习风格挖掘模型，收集该学院20级计算机专业96名学生的线上学习行为数据。此处以信息加工维度的数据为例，该样本所呈现的散点图如图2所示，由于计算机编程类课程更多的是需要学生将所学知识通过实践操作进行运用与巩固，在这类课程中教师会更加注重对学生动手能力的培养，以及学生在实际项目开发过程中的代码应用情况，因此对不同学习风格者的差异分析不仅包括其在课堂与线上的学习行为表现，也包括期末考核时最终的项目开发效果。结合线上学习行为数据与课堂行为表现来看，学习者的章节学习次数与任务点完成百分比数据分布较为集中且活跃，视频观看时长与讨论数的数据较为离散。活跃型学习者无论是在课堂教学还是在上机实训课程中，对于教师提出的问题都能积极地给予反馈，并且在遇到问题或者感兴趣的点时喜欢与周围人交流讨论，这与其线上学习行为表现一致，因此活跃型学习者在信息感知、输入与理解维度也有相应的风格偏好。如在知识学习过程中他们能保持持续的热情，善于思考，既能按时完成教师布置的学习任务，也能根据自身学习情况调整学习策略，利用学习资源查漏补缺。相反，沉思型学习者在学习过程中一直比较安静，在课堂学习中教师难以感受到其学习热情，无论是教师安排的学习任务还是自己遇到的学习问题都不会主动尝试解决，学习态度较为消极，在小组合作项目开发过程中很少发表自己的看法，从而导致学习效果不太理想。

图2 信息加工维度聚类效果散点图

四、研究结论

本研究以Felder-Silverman学习风格理论模型为基础，首先提出了与之相对应的线上学习行为分类。接下来依据所罗门学习风格量表（ILS）初始化学习风格，显式获取学习者的学习风格。然后依据学习通平台收集学习者相应线上学习行为，并从数据准备、数据的统计与输出、结果输出三个步骤利用K-means聚类算法构建学习风格挖掘模型，隐式得到学习者的学习风格预测结果，最后不断优化，使模型具有了较高的精确度，尤其是信息感知、信息输入维度的精确度分别达到了73.47%、78.26%。

同时，在实证研究过程中也发现了一些问题。教师在开展混合教学时，学生除了在规定的时间内进行课堂学习之外，在课外也需要完成线上的学习任务，部分学生尤其是大一新生在短时间难以适应，反映在线上学习行为数据中就是某些学生的行为并不活跃，对于教师安排的学习任务不能按时完成，畏难情绪较大。因此，广大教师今后在开展混合教学时，应当注意合理分配线上、线下教学活动和任务的数量，不可为追求教学设计或学生学习行为数据的丰富性而在线上、线下都设置较多学习任务，增加学生学习负担，造成学习疲劳，以致削弱学生的学习动机与兴趣，得不偿失。

通过分析学生的学习风格能够掌握学生在学习过程中普遍遇到的问题，以及学生对教学方法和教学设计的偏好，从而帮助教师在组织教学过程中利用恰当的学习资源、丰富的学习活动等手段引发学习者的学习兴趣，促进学生的个性化发展，同时也能提高教师自身在工作过程中的满意度，从而进一步提升教学效果。