Smap:可自适应Felder—Silverman学习风格模型的动态学习路径推荐工具

【摘 要】 为了解决伴随远程学习而产生的“学习偏离”和“认知过负”问题，基于学习风格偏向性的个性化学习路径推荐是一个解决方案。但现有智能学习系统，因其底层缺乏可自组织的资源组织结构，导致学习对象无法动态选择。为了解决这一问题，本文提出基于3向可演化的语义链网络（SLN）资源组织结构，并在此基础上开发了原型系统Smap。具有不同学习风格偏向性的学习者，可以根据SLN中的语义关系获得符合其学习风格的学习路径引导。

【关键词】 学习风格；学习路径；3向语义链网络

【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009—458x（2013）05—0077—10

一、前言

1. 研究背景

1999年，Russell利用统计学手段对各种远程教育模式和传统授课模式进行了采样分析，认为远程教育与传统教育模式在教学效果上没有显著区别。这一“无显著效应现象（the no significant difference phenomenon）”[1]使得网络教育系统在教学活动中被广泛使用成为可能。但是，由于传统的网络教育系统不能为用户提供个性化的服务，近年来，个性化的E-Learning环境和自适应教育超媒体系统越来越广泛地用于替代传统的网络教育系统，国内外许多研究者在顶级杂志和会议上提出了各种智能学习平台的构想。在大部分智能学习系统中，系统智能性的优劣仍局限在系统满足用户需求的程度上。但是，广大教育学工作者对于这种“用户需求”驱动的智能学习平台其智能性是否真能达到所描述的效果产生了怀疑。许多教育工作者投入到更细致的研究中，迅速发现这种“用户需求”驱动的智能系统会给学习者带来“学习偏离”和“认知过负”问题[2]。为了解决这一问题，许多相关研究都致力于找到能够度量学习者学习经验的途径和方法，以希望通过融合学习者学习背景和知识水平在E-Learning环境中提供智能的个性化知识服务和导航[3]。

学校教学总是习惯性地根据学生已有的知识（或能力）将学生进行分组。因此许多教育软件，在线的、基于学校资源的自适应教育超媒体系统，在设计上就与这些教学指导方针相一致，即根据学生已有的知识水平或能力级别来对学生进行区分[4][5][6][7][8][9][10]。这些系统主要根据用户已有的知识来为用户建模，然后根据这些模型为用户在内容层和链接层提供自适应服务。这种基于知识背景的学习者建模从教育的角度看是相对简单的方法，它把学生分成对应的组，并要求学生在获得新知识后不断提升自己。但是，这种模型没有考虑包含其他方面的学习过程的自适应，例如根据学习者的学习风格或是学习者的情感来进行自适应调整。因此也不会为用户提供任何协作设施。

美国中学校长联合会主席Keefe[11]将学习风格描述为“学习者在学习环境中如何感知、交互并反应的关于特征认知、情感以及心理学意义上行为的相对来说较为稳定的指征”。无论是教育学研究者还是心理学研究者，都将学习风格作为学习过程中的一个重要因素，并一致认为将其整合进教育可以更好地促进学习者学习。大量相关的教育学理论也都支持这一论点，例如Bajraktarevic[12]、Graf[13]以及Pashler[14]等人都证明并支持了这一结论。

2. 相关研究

一些自适应教育超媒体系统（Adapted educational hypermedia system，AEHS）已经建立了学习者的学习风格用户模型，目的是为了使学习者获得更适合自己的学习资源[15]，如INSPIRE系统[16]、ARTHUR系统[17]、AES-CS系统[18]、CS383系统[19]、Tangow系统[20]、AHA！系统[21]、Protus系统[22]、TSAL系统[23]等，都试图根据用户学习风格提供个性化服务。

其中，AES-CS系统使用Witkin的FD（场依存）/FDI（场独立）模型族在多媒体技术系统（Multimedia Technology System）中实现了对控制、引导支持、导航工具以及评估问题反馈的自适应。INSPIRE系统应用Honey-Mumford模型族来支持教育素材网页中多种类型教育资源的自适应。iWeaver系统[24]使用Dunn-Dunn模型族支持导航和内容呈现的自适应。而更多的智能系统，如Tangow系统、WHURLE系统[25]、CS383系统和Protus系统则使用Felder-Silverman模型族支持了对学习内容呈现的自适应。

但是，上述这些现有的学习行为引导主要是将学习风格集成在智能系统中，很多甚至没有建立规则，从而导致行为引导与当前课程中的学习对象紧密关联。例如Protus系统中，构建了《C语言》课程，在程序学习对象部分，为文字型学习者提供的是文字，而为图片型学习者提供的则是程序流程图。系统没有自我演化的能力，学习对象并没有动态选择机制，而是固定在系统中。

本文提出了一种叫做“Smap”的个性化学习路径动态推荐工具，通过构建3向的学习对象语义链网络为用户推荐适合其学习风格偏向性的学习路径，包括以下三个步骤：首先，分析学习风格的不同维度在学习过程中的不同倾向性；其次，学习对象（Learning Object，LO）通过演化规则自动演化为3向的语义链网络（Semantic Linked Network，SLN）；最后，通过一个基于SLN的推理机为学习者推荐学习路径。本文以学习风格指征在线测试工具（Index of Learning style，ILS）[26]作为学习风格搜集工具，通过评估用户“活跃/沉思”、“感知/直觉”、“图片/文字”、以及“顺序/全局”4个关键维度的学习风格偏向性，为用户动态推荐学习路径。

二、基于Felder-Silverman学习

风格模型中的4个关键维度

ILS是由R.M.Felder开发的一个在线测试Felder-Silverman学习风格[27]偏向性的工具，因其具有较高的准确性而得到同行的普遍认可。在Felder-Silverman学习风格模型中，我们选择“活跃/沉思”、“感知/直觉”、“图片/文字”、以及“顺序/全局”4个维度作为关键维度来组织学习资源和建立学习者学习风格的模型。而各个维度的学习风格偏向性对学习资源的组织产生的影响如下：

·“活跃/沉思”维度

在“活跃/沉思”维度上，学习者的偏向性主要受学习对象所关联的主观行为强度的影响。因此，这个维度的学习风格偏向性在学习对象的组织上没有对应的体现。

·“感知/直觉”维度

在“感知/直觉”维度上，无论学习者具有哪个方向的偏向性，只要学习对象与其对应的实例能紧密链接并整合呈现，就会有助于学习者的学习。因此，学习对象的组织在这个维度上的体现表现为：在理论学习对象和其对应的实例类学习对象之间建立相应的链接。

·“图片/文字”维度

在“图片/文字”维度上的学习风格偏向性决定了学习者最能够接受的媒体类型。如果所有的学习对象均遵循IEEE的学习对象元数据（Learning Object Metadata，LOM）标准，这就意味着每个学习对象都有关于自己的元数据，其中包括对象的媒体类型，因此，在进行推荐时，只需要考察学习对象的元数据是图片还是文字，就可以在这个维度上为具有不同偏向性的学习者做出动态选择。可见，这个维度的偏向性在学习对象的组织上也没有影响。

·“顺序/全局”维度

在“顺序/全局”维度上，学习者的偏向性对学习对象组织结构的影响最为关键。顺序型的学习者在学习对象顺序呈现时能够获得较好的学习效果；而全局型的学习者则必须在具体深入到某个知识点的学习前捕获所有知识点的全局影像，才能帮助他们了解和掌握知识之间的结构和关系。因此，在这个维度上希望学习对象的组织可以快速有效地为全局型学习者提供所学知识的全局影像。

三、构建可演化的3向

学习对象语义链网络

在构建可演化的3向学习对象语义网络的细节之前，有必要简单介绍一下语义链网络（SLN）技术。SLN是一个节点间可通过语义链相互连接的可演化的网络[28]，在多维语义定义方面提供了灵活的结构，是建立知识网格组织结构的主要技术之一[29]。SLN还被用于描述社会网络中丰富的语义关系。Huang和Qiu对SLN进行了扩展[30]，也值得参考。SLN有两个不同于本体技术的突出特点：一是知识组织更加灵活；二是容许涌现语义链接的存在。这两个特点使得SLN成为学习对象资源组织的首选，因为使用SLN构建的学习对象资源结构可以不断演化。

考虑到不同学习者的学习风格偏向性，我们将原来的SLN结构修改为3向的SLN，并新增基于这个3向SLN的自组织规则和推理规则。

1. 三向SLN框架

Smap是一个基于3向SLN框架的推荐工具，如图1所示。最底层是遵循相同标准的各种学习管理系统（Learning Management System，LMS），在条件允许的前提下，这些学习系统均可提供标准化的成熟学习对象资源。倒数第二层是分离的学习对象（LO）库和学习对象元数据（LOM）库。LO库存储的是可共享于多个学习管理系统的学习对象资源，而LOM存储的则是对应LO的元数据资料，例如该学习对象的开发者、媒体类型、生命周期等信息。在这两个库之上的是具有自组织能力的3向语义链网络。3向SLN是在预先给定的学习对象SLN初始结构的基础上，根据自组织规则（详见后文的规则1和规则2）形成更为复杂和完善的资源组织结构。整个SLN框架的另一核心部件是推理机，它包含两条推理规则。这两条推理规则和学习路径推荐算法共同决定了什么样的学习路径才和用户当前学习风格的偏向性最为匹配。

2. 形式化描述和相关定义

根据IEEE的LOM标准，一个学习对象的元数据可以扩展为[k]个LOM标签，用[L（l1，l2，…，lk）]表示，[C（c1，c2，…，ck）]表示脚标所对应的标签的值，[ci]由有限长度的字符串构成，[ci]不允许为[?]。例如：当[li=]‘Title’时，[ci]的值可能是‘什么是语义？’。对于学习对象[a]，每个[ci]可缩写为[cali]。

3. 定义3向语义链网络

我们使用5个语义关系来表示SLN中学习对象间不同类型的连接。语义关系‘seq’， ‘ins’ 和 ‘eq’ 继承自源SLN模型。根据学习风格偏向性对资源组织的需求，新增加语义关系‘exp’ 和 ‘bas’。图2描述了这些语义关系如何构成语义链网络的3个方向。定义关系[αR]是给定语义关系[α]的反关系。定义语义关系“basic theory of/instance of”来反应学习风格“感知/直觉”维度在资源组织上的作用，缩写为“bas/ins”。当一个学习对象[a]通过这个语义关系与另外一个学习对象[b]产生关联时，表示该学习对象一定是学习对象的基础理论（或实例）。在“顺序/全局”维度上，定义语义关系“sequential of”来表示学习对象间的前驱和后继之间的联系，缩写为“seq”。另外，定义语义关系“expanding of”来描述对象间模糊的关联。当一个学习对象与另一个学习对象间的关系不是特别明确时，可以考虑这个学习对象是另一个学习对象的扩展，使用语义“exp”将它们关联起来。特别定义语义关系“equal of”来表示等价关系，是“expanding of”语义关系的极端情况，即当关系无衰减（[σ=1]）时的“exp”关系。

这5个语义关系在反方向上也取关系“exp”，“seq”和“ins/bas”语义关系。“exp”和“seq”的反关系就是他们本身，定义为“[（exp）R]” 和“[（seq）R]”。例如，如果一个LO [a]和LO [b]之间有边[eseqab]存在，那么就一定存在边[e（seq）Rba]，这表示：当学习对象[a]是学习对象[b]的后继知识点时，学习对象[b]就一定是学习对象[a]的前驱知识点。而“ins/bas”的反关系则是“bas/ins”，这表示：如果学习对象[a]是学习对象[b]的一个实例，那么学习对象[b]就一定是学习对象[a]的基础知识。

4. 三向SLN必须的新特性

在我们定义3向SLN的自组织规则之前，首先介绍这个3向SLN在组织知识上所必需的新特性：

（1）通过参数[σ]来标记一个关系的确定度。

所有的语义关系都使用确定度值[σrab]来标记。确定度是用来描述语义关系确定程度的参数，是对不确定语义关系的一种量化。脚标[ab]表示语义关系的指向是从LO [a]指向LO [b]；上标[r]则表示当前语义关系的名称。比起源SLN模型中使用文字描述的确定度标记来说，使用量化参数[σ]具有更强的动态性和可计算性。

（2）关系的有限传递。

关系有限传递是一个真实反应知识点间关联的重要特性。在源SLN模型的语义关系定义中，如果语义关系具有可传递性，例如“seq”关系，那么该关系可以无限传递。这种数学上成立的关系传递，在实际的知识组织中却不符合实际情况。因为两个知识点间的关系强度在逐代传递的过程中会衰减，在传递几代后甚至会出现消失的情况。

例如，在知识的关联上，当一个学习对象[a]是另一个学习对象[b]的后继知识点时，如果中间经过的代数过多，那么其顺序性就会减弱。也就是说，当传递过几代以后，前面的前驱知识点在学习过程中就已经不能再发挥先验知识的作用了（我们在学习新知识时，复习是不用返回到最开始的知识点的）。在这种情况下，[a]和[b]就不需要通过传递关系建立“seq”语义关系了。实际上，定义有限关系传递的根本目的在于保证SLN的推理效率。

在3向的语义关系中，只有关系“seq”和“exp”及其反关系可以传递，而“ins”和“bas”关系是不能传递的。如果边[eab]和边[ebc]分别以确定度[σrab]和[σrbc]存在（r只能是关系“seq”或“exp”），那么在3向SLN中会有边[eac]以确定度[σrac][>ω]存在。[ω]是预先定义好的阈值，而[σ]则根据公式①和公式②计算得出。

定义[Prab]是语义图中从节点[a]到节点[b]遵循同一语义关系[r]的最短路径，而[（v0，v1，…vp）]则是沿着路径的（p+1）个节点，其中[v0]表示源节点，[vp]表示终止节点，那么，确定度值[σrab]的计算如下：

[θ]是用来调节衰减速度的衰减参数。

衰减函数[f（i）]的作用是随着传递代数[i]的增加而减少确定度值[σi，i+1]的强度。在经过一定的衰减步数后，当前确定度值[σ]的强度会衰减为接近0。例如，假设当前有如图3所示的关系确定度值[σrab]=0.9 和[σrbd] =1，路径[（a， b， d）]是节点[a]到节点[b]之间的最短路径。设置衰减参数[θ]=2，那么[σrad]=[0.9×1×1×（1-0.459）]=0.487，因为这个确定度值大于阈值[ω]（[ω]预设为0.1），那么，在SLN中自动添加确定度值为[σrad]的新边[ead]，图3中用虚线表示。

5. 三向SLN的自组织规则

这里使用两个可自我演化的规则来构建3向SLN。规则1是在已存在SLN中添加涌现边规则。其核心思想是使用阈值[ω]来决定是否将一条边添加到3向SLN中。如果边[erab]不在3向SLN中，并且节点[a]与[b]之间在关系r上的关联强度[σrab]>[ω]阈值，那么，就把这条边添加到图中，并且用[σrab]来标记边[erab]。

规则2用来将无序节点添加到3向SLN中。无序节点指那些需要新添加进来的离散节点。规则2的目的是为那些无序节点在已有3向SLN中找到适当的位置。规则2形式化地描述了如下含义：如果在3向SLN图中已经存在学习对象[b]，对于新加入图的学习对象[a]，如果它们之间的相似度小于阈值[S1]，那么就认为这两个学习对象是完全相同的，将学习对象[b]已有的语义关系全部等同赋予学习对象[a]；否则，如果他们之间的相似度在阈值[S1]和[S2]之间，那么就将节点[a]作为节点[b]的扩展节点并添加语义关系[eexpab]，关系强度[σexpab=1-d（a，b）]。

规则2.在3向SLN中添加无序节点 （ [S1]和[S2]是两个阈值）。

规则2中的距离函数[d（x，y）]用来计算两个学习对象间的相似度。学习对象间越相似，其欧几里得距离就越短。距离函数[d（x，y）]定义为：

在3向SLN中，使用“title”，“subject and keywords”以及“classification”3个LOM标签值来参与计算相似度。这3个LOM值可以提供足够的反应该学习对象在SLN中的位置信息。公式③将距离[d（x，y）]作了范式化处理，因为距离值可能是大于1的正数，所以为了保证距离值在（0，1）之间，将两个对象的语义欧几里得距离值除以K，根据我们选择的LOM值个数，K=7。也就是说，计算语义的相似度维度不超过7。而两个词在任一维度的相似度差距不超过1。在规则2中设置有两个阈值 [S1]和[S2] 。规则2意味着当两个学习对象在所描述的LOM值有极高的相似度时，其语义距离会非常小（小于阈值[S1]），甚至为0，那么就标记当前这个新的LO等价于已有LO；而当这两个学习对象的相似度在可接受的范围内时（大于阈值[S1]小于阈值[S2]），新学习对象可以以一定语义确定度从已有学习对象继承所有语义关系。

四、构建基于3向SLN的个性化

动态学习路径推理机

本部分介绍如何为远程学习者构建适合其学习风格偏向性的学习路径。如图1所示，推理机由规则和算法两部分组成。规则包括规则3和规则4，分别在“感知/直觉”和“顺序/全局”维度上为学习者构建适合其学习风格的学习路径；而学习路径推荐算法则用来动态产生完整的个性化学习路径。

1. 在“感知/直觉”维度上构建学习路径

在“感知/直觉”维度上，学习路径对于学习者来说没有太大区别，基础知识伴随着相应的学习实例总是会提升学习者的效率。因此，对应在3向SLN中，如果一个节点与另一个节点通过语义关系“ins/bas”连接，那么只要一个节点已出现在学习路径中，就将另一个节点也添加在学习路径中。

规则3. 从“感知/直觉”角度构建学习路径。

2. 在“顺序/全局”维度上构建学习路径

在“顺序/全局”维度上，学习路径会随着学习者的偏向性而不同。参数[λ]用来描述学习者在这个维度上偏向的程度，[λ∈[0，1]]，[λ]=0表示学习者是一个极端的顺序学习者；[λ]=1表示学习者是一个极端的全局学习者；[λ]值越高，表示学习者在深入学习前需要获得的关键知识点结构越全面。[λ]值可以通过ILS[31]工具获得。当学习者是一个极端的顺序学习者时，学习路径可以根据固有的前驱/后继约束进行顺序构建；相反，当一个学习者是极端的全局学习者时，在其深入学习每个知识点前，必须要获得关键知识点间的全局结构图。

大部分学习者都不是极端的顺序学习者或全局学习者，大都介于两者之间。因此，在这个维度上的路径推荐需要解决3个关键问题：

（1）量化学习者的“顺序/全局”偏向度，在本文中使用参数[λ]来描述。

（2）如何量化[λ]对于学习路径构建的影响。要解决这个关键问题，首先需要将学习路径分成两部分，第一部分由预览的关键LO组成，第二部分才是由具体LO构成。因此，一个学习路径可以形式化地描述为：

学习者学习路径定义为[L=L1L2]，由路径链[L1]和[L2]组成，其中，[L1={nini]is the key LO}，[L2={njnj]是从关键LO扩展而来必须覆盖整个课程的LO}。

（3）最后一个要解决的关键问题是定义什么样的LO是关键LO。最理想的情形是这些关键LO可以完全弥补学习者脑海中缺失的关键信息。但是，实际情况是没有一个人可以准确地知道另一个人潜意识中的想法。一个折中的解决方案是给具有不同偏向程度的学习者提供一些启发式的全局路径结构。这些启发式线索经常用于传统的知识图，连接度越高的节点，在图中越关键、越重要。因此，根据这些启发式线索，定义关键路径如下：

一个关键LO节点是SLN最终形成的生成树中具有不止一个孩子节点的节点。另外，起始节点总是关键节点。

当解决了上述三个关键问题后，所有学习者的学习路径都可以通过规则4动态生成：如果在扩展树中有n个关键学习对象，就可以根据其偏向性参数[λ]，将关键对象组成关键路径L1。

规则4. 从“顺序/全局”角度构建学习路径。

3. 学习路径推荐算法

根据规则3和规则4，基于3向SLN的学习路径推荐算法主要由以下步骤构成：

（1）使用宽度优先搜索策略将3向SLN转换成一棵生成树；

（2）根据规则3创建预览关键路径[L1]；

（3）根据规则4构建具体学习路径[L2]。

图5是一个由课程《图论》的主要学习对象所组成的示例3向SLN图。该图的生成树如图6所示，通过优先搜索策略形成的生成树可以保证LO之间的前驱/后继约束，同时又满足了规则1。在图6中，节点B’是一个特殊节点，它是节点B的一个重叠节点。这使得B和B’都是学习路径上的可选节点，但是实际情况可能是它们之间的内容可能互相补充，虽然它们具有很高的相似度，名称甚至关键词都相同。在这种情况下，B和B’就应该都呈现给学习者，遗憾的是，当这种重叠学习对象随着SLN演化而不断增多时，过多地呈现给学习者会因为冗余而带来一定的困扰。因此在本文中不考虑同时推荐重叠节点。

显然，这里有3个节点具有叉状结构，节点B （或 B’）， 节点D和节点G。根据关键LO的定义，关键节点由节点A、B （或 B’）、D和G组成。考虑以下4种情况：

情形1：[λ]=0的学习者，其学习路径是[L1]=A， [L2]=B （或 B’） CDEFGHI；

情形2：[λ]=1的学习者，其学习路径是[L1]=AB （或 B’） DG， [L2]= B （或 B’） CDEDFGHI；

情形3：[λ]=0.4的学习者，其学习路径是[L1]=AB （或 B’） ， [L2]= CDEDFGHI；

情形4：[λ]=0.7的学习者，其学习路径是[L1]=AB （或 B’） D， [L2]= BCDEDFGHI。

这个例子明确地说明了我们想要表达的思想，即一个学习者越具有全局型学习风格倾向性，就越需要预览足够多的关键知识点。同时，这个例子也体现了规则1，即实例应该总是伴随着基础知识被呈现给学习者。在这个例子中，H节点总是紧跟随它的基础理论节点G出现在学习路径中。

五、实验

1. 三向SLN的演化

首先使用如图4所示的使用学习对象元数据‘title’所命名的LO初始骨干结构作为SLN演化的基础。LO骨干图由课程《图论》中的9个主要学习对象构成，并且骨干图中学习对象之间依然遵循其先后顺序的约束。除此之外，在这个图中还包含一个名称为“degree of tree”的离散LO节点。在图4所示的初始骨干图中，LO节点间只呈现了3个语义关系，但是，当这个骨干图经过演化后最终形成的3向SLN图中更加丰富的语义关系会被自动添加到学习对象之间，如图5所示。在图5中，粗虚线表示的是“eq”语义关系，而粗实线则是从等价节点继承而来的所有语义关系。

在试验中，我们模拟了关于课程《图论》的50个学习对象节点，其中27个是真实的LO，剩余的23个是模拟的LO节点。试验使用专业的资源聚类平台Pajek模拟学习对象的自组织过程，与学习对象关联的LOM信息存储在XML文件中。这个试验基于LO的LOM信息都是完整和准确的先决条件。学习对象节点在初始时并没有预先组织好，很多节点都是离散的，例如其中一些节点是另一些节点的重复或部分重复（如图7-a所示），图中除了9个关键LO以外，其余的41个LO对象均为离散节点。图7-b是根据自组织规则最终演化生成的学习对象3向SLN图。

试验所设置的参数为[S1]=0.01，[S2]=0.6，[θ]=2。图7-a中所示的有向线代表语义关系“seq”（顺序），而语义关系“exp”（扩展）则由系统生成，如图7-b中用虚线框起来的点。图7-a和7-b右下角被圈起来的有向虚线则表示语义关系“ins/bas”（实例或基础知识）。在这个3向SLN图中，右上角的7个孤立节点表示这7个学习对象没有与图中任意一个知识点有相似或相近的关联。换言之，它们无法在3向SLN图中找到自己适合的位置。在这种情况下，这些孤立节点需要学科领域专家进行审查，要么将其添加到已有SLN图中适当的位置上，要么将其从图中删除。图7-b所反映的另一个有趣的现象是关于节点N15、N35和N36，它们被认为是节点“Degree”的重叠节点（其中一个节点的“title”值为“Degrees of tree”），因为这些节点相互之间具有很高的相似度。根据自组织规则，这些重叠的节点在演化过程中继承了节点“Degree”的所有语义关系。

在传统的知识组织中，50个学习对象之间的资源组织都必须手动构建，而本文中通过知识的半自动化组织，只需手动设计9个关键学习对象间的资源组织，其余41个学习对象的资源组织几乎不耗费任何时间。无论效率还是性能都比传统知识组织方式有了很大提升。

2. 基于三向SLN的个性化学习路径推荐

根据上述实验自动生成的资源组织图，我们开发了如图8和图9所示的学习路径推荐原型系统。左边的导航区域列出了学习者的学习对象列表。学习者1通过ILS测试得出其[λ]值为1，而学习者2的[λ]值为0.4。根据他们在学习风格“顺序/全局”维度上不同的偏向程度，为其推荐的预览学习路径是不同的。进而扩展出来的具体路径虽然都覆盖了整个知识点，却因为扩展顺序不同而产生了相应的差异。

图8是一个完全全局型学习者的用户界面，而图9则是一个倾向于顺序型学习者的界面。8-a和9-a是建议两个学习者在开始具体学习过程前需要进行学习的学习对象结构预览图。对于学习者1来说，因为是完全的全局型学习者，因此将SLN生成树中所有的分叉节点都选择为关键节点呈现给他；而对于学习者2来说，因为是倾向于顺序型的，但又不完全是顺序型，因此预先浏览的学习对象结构只选择了开始的一小部分，让其对图论有初步的认识。图8-b和9-b则是两个学习者的具体学习内容，在具体学习界面中，两个学习者的学习路径中都覆盖了所有学习对象，重叠的学习对象都作为可选节点出现在学习路径中。但是，在两个图中依然有学习对象“Heawood Map”重复出现，这是因为该学习对象同时是另外两个学习对象“Vertex Coloring”和“Edge Coloring”的实例。因此，根据规则3，它必须紧跟在基础知识学习对象后呈现给学习者。图8-b和图9-b中呈现给两个学习者的具体路径也有细微差别，这是因为他们的具体学习路径是从不同的预览学习对象扩展而来的，因此具体学习路径也会有所不同。

3. 原型系统的评价

我们让来自四川师范大学、西南大学以及重庆邮电大学的部分计算机专业研究生（共30人）试用这个原型系统，产生了如下结果：

在这个结果中，一个有趣的现象是，值分布在[0，0.4）的学生有70%认为预览路径在其学习开始前能帮助他们更充分地理解学习内容，而且这部分学生是偏向于顺序型学习的学习者。偏向于全局型值分布在（0.6， 1]的学习者，只有30%的学生认为预览学习路径对其学习效率有帮助，而剩余70%的具有典型全局型学习风格偏向性的学生则认为预览学习路径没有太大的帮助，还是传统的顺序学习路径更好些。造成这个现象的原因在学习者对“预览学习界面直观度”这项指标的态度上有所反应。全局型学习者普遍认为所提供的预览学习路径过长，界面直观度不够高，很难帮助他们一目了然地掌握知识点间的关系；而顺序型学习者则由于提供的预览学习对象数量少，反而能够立刻对所学知识点的关联有初步了解。针对表1所得到的综合评价，可以得出“基于学习风格偏向性的预览学习路径是有效的”这一初步结论，只是预览学习路径的呈现方式在很大程度上会影响到它改善学习过程的效果。

六、结论

在本文中，首先分析了Felder-Silverman学习风格模型中不同维度的学习风格偏向性对资源组织可能产生的影响，设计了学习对象自组织的规则，在此基础上建立了可演化的学习对象3向SLN资源组织结构。不同学习风格偏向性的学习者可以根据3向SLN中的语义关系获得符合其学习风格偏向性的学习路径引导，帮助其克服在远程自学过程中所产生的“认知过负”和“学习偏离”问题。

最后我们通过实验证明了3向SLN的学习对象动态自演化功能，以及基于其上的学习路径推理的有效性。所开发的个性化学习路径推荐原型系统也充分体现了设计思想。但原型系统因为只是原始的粗糙设计，因此在运用过程中还存在以下问题：

（1）在SLN中如何构建更丰富的具有认知特点的语义关系，使得SLN自我演化的自动化程度更高，在人工不干涉的前提下获得更准确的知识组织图。

（2）如何在学习路径推理中更好地反映学习者的学习风格偏向性，使得如表1所示的问题得以解决。例如为全局型学习者提供的预览路径可以用更直观的形式表示，或者可以尝试自底向上的路径推荐方式。

（3）推理规则还不完善，没有形成具有普适性的规则集。

针对以上不足，如何解决和改进这些设计是我们正在进行的工作。

[参考文献]

[1] T. L. Russell， The no significant difference phenomenon： a comparative research annotated bibliography on technology for distance education： as reported in 355 research reports， summaries and papers， North Carolina State University， 1999.

[2] M. J. Eppler and J. Mwnfia， Concept of information overload： a review of literature from organization science， accounting， marketing， MIS， and related disciplines. The information society， vol. 20， no. 5， pp. 325-344， 2004.

[3] 郑庆华，刘均，田锋，张未展，吴茜媛. 下一代e-learning系统，中国计算机学会通讯[J]. 2011，7（11）：54-60.

[4] P. Brusilovsky， E. Schwarz， and G. Weber， Elm-Art： An Intelligent Tutoring System on World Wide Web， Intelligent Tutoring Systems， LNCS， vol. 1086， pp. 261-269， 1996.

[5] P. Brusilovsky and L. Pesin， Isis-Tutor： An Adaptive Hypertext Learning Environment， Proc. of the Japan CIS Symposium on Knowledge based Software Engineering （JCKBSE’94）， pp. 83-87， 1994.

[6] T. Pérez， P. Lopistéguy， J. Gutiérrez， and I. Usandizaga， Hypertutor： From Hypermedia to Intelligent Adaptive Hypermedia， Proc. of the 7th World Conference on Educational Multimedia and Hypermedia （ED-MEDIA'95）， pp. 529-534， 1995.

[7] H. Hohl， H. D. Bocker， and R. Gunzenhauser， An Adaptive Hypertext System for Exploratory Learning and Programming， Journal of User Models and User Adapted Interaction， vol. 6， pp. 131-156， 1996.

[8] G. Weber， H. C. Kuhl， and S. Weibelzahl， Developing Adaptive Internet Based Courses with the Authoring System Netcoach， in Hypermedia： Openness， Structural Awareness， and Adaptivity， LNCS， vol. 2266， pp. 226-238， 2001.

[9] P. Brusilovsky， E. Schwarz， and G. Weber， A Tool for Developing Adaptive Electronic Textbooks on WWW， Proc. of the World Conference of the Web Society （WebNet' 96）， 1996.

[10] S. Ferrandino， A. Negro， and V. Scarano， Cheops： Adaptive Hypermedia on the World Wide Web， Proc. of the European Workshop on Interactive Distributed Multimedia Systems and Telecommunications Services （IDMS'97）， pp.210-219， 1997.

[11] J. W. Keefe， Learning style： An overview， NASSP's Student learning styles： Diagnosing and proscribing programs， Reston， VA， National Association of Secondary School Principles， pp. 1-17， 1979.

[12] N. Barjraktarevic， W. Hall， and P. Fullick， Incorporating Learning Styles in Hypermedia Environment： Empirical Evaluation， Proc. of the workshop on adaptive Hypermedia and Adaptive Web-Based Systems （AH'03）， pp.41-52， 2003.

[13] S. Graf and Kinshuk， Providing Adaptive Courses in Learning Management Systems with Respect to Learning Styles， Proc. of the World Conference on E-Learning in Corporate， Government， Healthcare， and Higher Education （AACE’07）， pp. 2576-2583， 2007.

[14] H. Pashler， M. McDaniel， D. Rohrer， and R. Bjork， Learning styles： concepts and evidence， Journal of Psychological Science in the Public Interest， vol. 9， no. 3， pp.105-119， 2009.

[15] P. Brusilovsky and E. Millan， User Models for Adaptive Hypermedia and Adaptive Educational Systems， The Adaptive Web： Methods and Strategies of Web Personalization， LNCS， vol. 4321， pp.3-53， 2007.

[16] K. A. Papanikolaou， M. Grigoriadou， H. Kornilakis， and G. D. Magoulas， Personalizing the interaction in a Web-based educational hypermedia system： the case of INSPIRE， Journal of User Modeling and User Adapted Interaction， vol. 13， no.3， pp.213-267， 2003.

[17] J. E. Gilbert and C. Y. Han， Adapting instruction in search of a significant difference， Journal of Network and Computer Applications， vol. 22， no. 3， pp. 149-160， 1999.

[18] E. Triantafillou， A. Pomportsis， and E. Georgiadou， AES-CS： Adaptive educational system base on cognitive styles， Proc. of the workshop on adaptive Hypermedia and Adaptive Web-Based Systems （AH’02）， pp. 10-20， 2002.

[19] C. A. Carver， R. A. Howard， and W. D. Lane， Enhancing student learning through hypermedia courseware and incorporation of student learning styles， IEEE Trans. Education， vol. 42， no. 1， pp. 33-38， 1999.

[20] P. Paredes and P. Rodriguez， Considering sensing-intuitive dimension to exposition exemplification in adaptive sequencing， Proc. of the workshop on adaptive Hypermedia and Adaptive Web-Based Systems （AH’02）， pp. 556-559， 2002.

[21] J. Bergasa-Suso， D. A. Sanders， and G. E. Tewkesbury， Intelligent browser-based systems to assist Internet users， IEEE Trans. Education， vol. 48， no. 4， pp. 580-585， 2005.

[22] A. Klasnja-Milicevic， B. Vesin， M. Ivanovic， and Z. Budimac， E-Learning personalization based on hybrid recommendation strategy and learning style identification， Journal of Computer & Education， no. 56， pp.885-899， 2011.

[23] J. C. R. Tseng， H. C. Chu， G. J. Hwang， and C. C. Tsai， Development of an adaptive learning system with two sources of personalization information， Journal of Computers & Education， no. 51， pp. 776-786， 2008.

[24] C. Wolf， iWeaver： Towards Learning Style-based e-Learning in Computer Science education， Proc. of the 5th Australasian Computing Education Conference（ACE’03）， pp.273-279， 2003.

[25] E. Brown， C. Stewart， and T. Brailsford， Adapting for Visual and Verbal Learning Styles in AEH， Proc. of the 6th IEEE International Conference on Advanced Learning Technologies（ICALT’06）， pp.1145-1146， 2006.

[26][31] R. M. Felder， B. A. Soloman， Learning styles and strategies， Available online at http：//www4.ncsu.edu/unity/lockers/users/f/felder/public/ILSdir/styles.htm.

[27] R. M. Felder and L. K. Silverman， Learning and teaching styles in engineering education， Journal of Engineering Education， vol. 78， no. 7， pp. 674-681， 1988.

[28] H. Zhuge， Communities and Emerging Semantics in Semantic Link Network： Discovery and Learning， IEEE Trans. Knowledge and Data Engineering. Vol. 21， Issue. 6， 2009.

[29] Hai Zhuge， The knowledge Grid， Word Scientific Publishing Co.， 2004.

[30] Zhixing Huang， Yuhui Qiu， A multiple-perspective approach to constructing and aggregating Citation Semantic Link Network， Future Generation Computer Systems， Vo.26 ， Issue. 3， 2010， pp. 400-407.