許益通，張冰雪，趙逢禹

（上海理工大學(xué) 光電信息與計算機工程學(xué)院，上海 200093）

0 引言

學(xué)習(xí)風(fēng)格被認為是學(xué)習(xí)者相對穩(wěn)定的特征之一，在學(xué)習(xí)過程中占重要地位。不同的學(xué)習(xí)風(fēng)格的學(xué)習(xí)者，對應(yīng)著不同的最佳教學(xué)模式。為了對學(xué)習(xí)風(fēng)格進行量化統(tǒng)計，研究者相繼提出了 70多種理論，提出了不同的學(xué)習(xí)風(fēng)格模型[1]。這些理論中應(yīng)用較多的模型有：Felder和Silverman[2]于1988年從感覺通道和信息加工角度提出了學(xué)習(xí)風(fēng)格模型；Kolb[3]于1976年基于經(jīng)驗學(xué)習(xí)理論建構(gòu)的學(xué)習(xí)風(fēng)格模型，Honey和 Mumford[4]于 1982年對 Kolb的模型進行修訂建構(gòu)了新的學(xué)習(xí)風(fēng)格模型。其中應(yīng)用最廣泛的是Felder-Silverman學(xué)習(xí)風(fēng)格模型，其學(xué)習(xí)風(fēng)格量表（FSLSM）[5]被認為是較適合開發(fā)在線自適應(yīng)學(xué)習(xí)系統(tǒng)的學(xué)習(xí)風(fēng)格模型[6]。

自適應(yīng)學(xué)習(xí)是基于不同學(xué)習(xí)者的需求和風(fēng)格特征，設(shè)計不同的展示形式，提供不同的學(xué)習(xí)內(nèi)容[7]。而支持定制并可以適應(yīng)每個人的具體喜好的界面可能比設(shè)計為“一切適合所有”的界面更有效。在這種情況下，基于不同學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，并定制其用戶界面以適應(yīng)個人的特定偏好和風(fēng)格是有意義的[8]。

在線學(xué)習(xí)平臺個性化是近年來該領(lǐng)域最重要的研究領(lǐng)域之一，相關(guān)研究者希望能夠吸收學(xué)習(xí)者更多的教育背景信息，為使用者提供個性化的學(xué)習(xí)環(huán)境[9]。在這方面，出現(xiàn)了一些值得注意的研究成果，同時也存在著一些問題：Lu等人[10]提出了個性化電子學(xué)習(xí)推薦系統(tǒng)PLRS，目的是幫助學(xué)生找到他們需要學(xué)習(xí)的學(xué)習(xí)材料，使用模糊樹匹配學(xué)習(xí)內(nèi)容。但是由于樹自身的結(jié)構(gòu)特征，無法對不同路徑的學(xué)習(xí)內(nèi)容進行關(guān)聯(lián)，從而影響內(nèi)容推薦的結(jié)果；在另一項工作中，Yong等人[11]提出了一種智能學(xué)習(xí)系統(tǒng)，引入學(xué)習(xí)者模型設(shè)計自適應(yīng)匹配規(guī)則，使用戶界面自適應(yīng)于用戶的學(xué)習(xí)風(fēng)格，界面形式相對簡單；Zhuhadar等人[12]介紹了一種基于本體的混合推薦系統(tǒng)。該系統(tǒng)的主要優(yōu)點是能夠?qū)W(xué)習(xí)材料進行語義搜索，但沒有涉及學(xué)習(xí)界面的自適應(yīng)；Ghauth等人[13]的報告的工作的基本思想是根據(jù)內(nèi)容相似性和學(xué)習(xí)者的評價形式的反饋向?qū)W生推薦學(xué)習(xí)材料。該研究沒有基于學(xué)習(xí)者的學(xué)習(xí)風(fēng)格進行自適應(yīng)推薦，僅通過優(yōu)秀學(xué)習(xí)者的平均評價策略推薦學(xué)習(xí)材料。

當(dāng)前的自適應(yīng)學(xué)習(xí)系統(tǒng)仍存在不足之處：1.忽略了內(nèi)容展示形式的自適應(yīng)，沒有針對不同學(xué)習(xí)風(fēng)格設(shè)計不同的內(nèi)容展示形式。2.忽略了學(xué)習(xí)風(fēng)格對于學(xué)習(xí)內(nèi)容推薦的重要性，沒有考慮不同類型的學(xué)習(xí)材料對于不同學(xué)習(xí)風(fēng)格學(xué)習(xí)者的接受程度。

基于以上分析，本文將基于 Felder-Silverman學(xué)習(xí)風(fēng)格模型研究自適應(yīng)學(xué)習(xí)推薦策略，設(shè)計自適應(yīng)學(xué)習(xí)內(nèi)容的展示形式，實現(xiàn)展示形式的個性化；組織學(xué)習(xí)內(nèi)容，并提出了 Auto-kg算法，設(shè)計學(xué)習(xí)內(nèi)容之間的層次關(guān)系，以及層次內(nèi)部和層次之間的關(guān)聯(lián)信息，構(gòu)建學(xué)習(xí)內(nèi)容的知識圖譜，然后將學(xué)習(xí)風(fēng)格的推薦策略與知識圖譜中的關(guān)系與節(jié)點內(nèi)容高度匹配的內(nèi)容進行展示，實現(xiàn)具體內(nèi)容的個性化。本研究設(shè)計并開發(fā)了自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)，構(gòu)建了驗證實驗，對實驗結(jié)果進行數(shù)據(jù)分析和證實。

1 學(xué)習(xí)風(fēng)格與自適應(yīng)推薦策略

自適應(yīng)學(xué)習(xí)系統(tǒng)的自適應(yīng)性依賴于學(xué)習(xí)風(fēng)格[14]。學(xué)習(xí)風(fēng)格（learning style）是在學(xué)習(xí)情境中個體表現(xiàn)出來的比較穩(wěn)定的處理方式和學(xué)習(xí)策略傾向[15]?；趯W(xué)習(xí)風(fēng)格設(shè)計自適應(yīng)學(xué)習(xí)推薦策略能夠更有針對性的提高不同人群的學(xué)習(xí)效果，所以學(xué)習(xí)風(fēng)格的量化和自適應(yīng)學(xué)習(xí)推薦策略的設(shè)計顯得格外重要。為了對學(xué)習(xí)風(fēng)格進行量化統(tǒng)計，F(xiàn)elder和Silverman于1997年開發(fā) Felder-Silverman學(xué)習(xí)風(fēng)格模型，如今已經(jīng)得到了越來越多研究者的認可，被 CS383、MASPLANG、LSAS、TANGOW等國外著名的自適應(yīng)學(xué)習(xí)系統(tǒng)所采納，在大量實驗數(shù)據(jù)的支持下，證明了其在網(wǎng)絡(luò)教學(xué)環(huán)境下良好的適用性和信效度[16]。該量表分別從感知、輸入、信息加工、理解四個方面將學(xué)習(xí)風(fēng)格分為4個維度8種類型，比較全面地反映了學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，這幾種學(xué)習(xí)風(fēng)格類型的特點如下：

感覺型與直覺型。感覺型學(xué)習(xí)者喜歡事實、數(shù)據(jù)和實驗，喜歡通過標(biāo)準(zhǔn)方法解決問題。不喜歡特殊化的解決方法，善于記憶事實，做題仔細但可能很慢；直覺的學(xué)習(xí)者喜歡原則和理論，喜歡創(chuàng)新解決方法而不喜歡重復(fù)，對于細節(jié)感到無聊，善于解決難題，善于掌握新概念，做題很快，但可能不細心，擅長于掌握新概念，能理解抽象的數(shù)學(xué)公式。

視覺型與文字型。視覺型的學(xué)習(xí)者最了解他們所看到的，如圖片、圖表、流程圖、電影和示范。如果僅僅從文字或語言交流進行學(xué)習(xí)，他們的記憶并不牢固；文字型的學(xué)習(xí)者更擅長從文字的和口頭的解釋中獲取信息。

積極型與反思型。積極型學(xué)習(xí)者是先做后想型，傾向于通過積極地做一些事，討論或應(yīng)用或解釋來掌握信息，傾向于團隊合作；而反思型學(xué)習(xí)者更喜歡安靜地思考問題，更喜歡獨立工作。積極型學(xué)習(xí)者往往是實驗家，反思型學(xué)習(xí)者往往是理論家。

順序型與全局型。順序型學(xué)習(xí)者在解決問題時遵循線性推理過程，融合思維和分析中可能很強，善于學(xué)習(xí)復(fù)雜性和難度穩(wěn)定進展的學(xué)習(xí)內(nèi)容；全局型學(xué)習(xí)者在解決問題時遵循直觀的飛躍，會更好地發(fā)散思維和綜合，通過直接跳到更復(fù)雜和更困難的學(xué)習(xí)內(nèi)容時會做得更好。

在確定了對學(xué)習(xí)風(fēng)格的量化統(tǒng)計后，針對該學(xué)習(xí)風(fēng)格模型的各個維度設(shè)計對應(yīng)的自適應(yīng)推薦策略，將更有針對性的提高不同人群的學(xué)習(xí)效果。Felder-Silverman學(xué)習(xí)風(fēng)格模型是針對課題學(xué)習(xí)而開發(fā)的，為了將設(shè)計出的自適應(yīng)推薦策略與在線學(xué)習(xí)平臺結(jié)合，在設(shè)計推薦策略需要考慮在線學(xué)習(xí)平臺的特性。

2 自適應(yīng)學(xué)習(xí)內(nèi)容推薦策略

為了實現(xiàn)自適應(yīng)學(xué)習(xí)，本章首先通過 Felder-Silverman量表獲取學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，然后對得到的學(xué)習(xí)風(fēng)格設(shè)計對應(yīng)的自適應(yīng)推薦策略，再根據(jù)策略中關(guān)于學(xué)習(xí)內(nèi)容方面提出了 Auto-kg算法構(gòu)建自適應(yīng)學(xué)習(xí)內(nèi)容知識圖譜，最后給出了 Auto-kg算法實現(xiàn)步驟以及具體的算法描述。

2.1 獲取學(xué)習(xí)風(fēng)格

Felder-Silverman量表的每種維度都對應(yīng) 11道題，共有44 道題目，每道題有a、b兩個選項。

學(xué)習(xí)者的學(xué)習(xí)風(fēng)格判定規(guī)則如下：

（1）在題目對應(yīng)所選擇的答案填上“1”。如果該問題的選擇答案為 a，則在 a欄填上“1”，否則在 b欄填上”1"；

（2）計算答案列選擇a和選擇b的總數(shù)，并填寫在總計欄；

（3）用較大的總數(shù)減去較小的總數(shù)，記下差值（1到11）和字母（a或b），其中字母代表學(xué)習(xí)風(fēng)格的類型不同，數(shù)字代表程度的差異。

（較大數(shù)-較小數(shù)）+較大數(shù)對應(yīng)的字母 （1）

通過公式（1），若得到字母“a”，表示屬于前者學(xué)習(xí)風(fēng)格；若得到字母“b”，表示屬于后者學(xué)習(xí)風(fēng)格。字母前的系數(shù)越大，表明程度越強烈；

其它 3個量表中通過上述規(guī)則依次計算出差值，判斷出各個維度所屬學(xué)習(xí)風(fēng)格類型以及量化數(shù)值，最后得出該學(xué)習(xí)者最終的學(xué)習(xí)風(fēng)格和不同維度的程度。對于相同學(xué)習(xí)風(fēng)格的學(xué)習(xí)者，根據(jù)維度程度大小的不同，設(shè)計出不同的學(xué)習(xí)內(nèi)容展示順序和大小。

2.2 自適應(yīng)推薦策略研究

自適應(yīng)推薦策略是研究在線學(xué)習(xí)平臺上如何根據(jù)學(xué)習(xí)者的不同的學(xué)習(xí)風(fēng)格，設(shè)計不同的界面展示形式以及推薦合適的學(xué)習(xí)內(nèi)容。推薦策略的好壞直接影響了自適應(yīng)學(xué)習(xí)的效果。Felder和Silverman開發(fā)的 Felder-Silverman學(xué)習(xí)風(fēng)格模型主要是針對的是課堂學(xué)習(xí)環(huán)境，所以在設(shè)計自適應(yīng)學(xué)習(xí)推薦策略時，需要結(jié)合在線學(xué)習(xí)平臺的特性。

根據(jù)Felder-Silverman學(xué)習(xí)風(fēng)格模型的特點，本文對該模型的四個維度八個方向設(shè)計不同的自適應(yīng)推薦策略。策略設(shè)計依據(jù)Felder-Silverman對學(xué)習(xí)風(fēng)格特點的描述，并結(jié)合在線學(xué)習(xí)平臺以學(xué)習(xí)者為中心、資源海量和開放靈活等特性，以達到合適的推薦效果。

2.2.1 察覺信息維度

察覺信息這個維度包含感覺型和直覺型兩個方向。當(dāng)學(xué)習(xí)者在Felder-Silverman量表中該維度的統(tǒng)計結(jié)果字母為a時，代表學(xué)習(xí)者在該維度表現(xiàn)為感覺型，否則為直覺型。對于這兩個方向來說，其最主要的區(qū)別在于學(xué)習(xí)內(nèi)容類型。對于感覺型的學(xué)習(xí)者而言，他們更偏向于具體化的學(xué)習(xí)內(nèi)容，而對于直覺型學(xué)習(xí)者，他們更偏向于抽象化的學(xué)習(xí)內(nèi)容。所以該維度針對展示抽象或具體的學(xué)習(xí)內(nèi)容方面進行自適應(yīng)推薦策略的設(shè)計。具體的推薦策略如表 1所示。

表1 察覺信息維度自適應(yīng)推薦策略Tab.1 Awareness of information dimension adaptive recommendation strategy

2.2.2 信息輸入維度

這個維度包含視覺型和文字型兩個方向，主要是學(xué)習(xí)者對于信息的呈現(xiàn)形式所表現(xiàn)出的接受性傾向。當(dāng)學(xué)習(xí)者在Felder-Silverman量表中該維度的統(tǒng)計結(jié)果字母為a時，代表學(xué)習(xí)者在該維度表現(xiàn)為視覺型，否則為文字型。對于視覺型學(xué)習(xí)者而言，他們善于接受視覺輸入形式的學(xué)習(xí)內(nèi)容和組織形式。而對于文字型學(xué)習(xí)者，則更擅長接受文字和聽覺形式的學(xué)習(xí)內(nèi)容和組織形式。具體的推薦策略如下：

表2 信息輸入維度自適應(yīng)推薦策略Tab. 2 Information input dimension adaptive recommendation strategy

2.2.3 信息處理維度

該維度主要是區(qū)別學(xué)習(xí)者對于知識和信息的反應(yīng)形式，可以理解為積極型學(xué)習(xí)者更傾向于主動團隊討論問題，對知識進行實際應(yīng)用，而反思型學(xué)習(xí)者傾向于獨立思考問題，對知識進行分析聯(lián)想。當(dāng)學(xué)習(xí)者在 Felder-Silverman量表中該維度的統(tǒng)計結(jié)果字母為a時，代表學(xué)習(xí)者在該維度表現(xiàn)為積極型，否則為反思型。具體的推薦策略如下：

表3 信息處理維度自適應(yīng)推薦策略Tab.3 Information processing dimension adaptive recommendation strategy

2.2.4 理解信息維度

該維度主要是區(qū)分學(xué)習(xí)者對知識接受步驟。當(dāng)學(xué)習(xí)者在 Felder-Silverman量表中該維度的統(tǒng)計結(jié)果字母為a時，代表學(xué)習(xí)者在該維度表現(xiàn)為順序型，否則為全局型。對于順序型學(xué)習(xí)者，在講解一個理論時，注重理論的形成邏輯，公式推理等方面內(nèi)容，展示如何通過理論推導(dǎo)出結(jié)果；而對于全局型學(xué)習(xí)者，需要多將當(dāng)前的學(xué)習(xí)內(nèi)容與之前學(xué)的和之后學(xué)的內(nèi)容相聯(lián)系，與其他課程內(nèi)容相關(guān)聯(lián)，與學(xué)習(xí)者個人經(jīng)驗相關(guān)聯(lián)。順序型與全局型的學(xué)習(xí)者更注重學(xué)習(xí)內(nèi)容之間的關(guān)聯(lián)，即在組織學(xué)習(xí)內(nèi)容時，需要通過具體的算法對學(xué)習(xí)內(nèi)容進行處理。具體的推薦策略如下：

表4 理解信息維度自適應(yīng)推薦策略Tab.4 Understand the information dimension adaptive recommendation strategy

2.3 構(gòu)建自適應(yīng)學(xué)習(xí)內(nèi)容知識圖譜

為了實現(xiàn)基于學(xué)習(xí)風(fēng)格的自適應(yīng)學(xué)習(xí)內(nèi)容的推薦，對各類學(xué)習(xí)風(fēng)格的學(xué)習(xí)者推薦最適合的具體的學(xué)習(xí)內(nèi)容，根據(jù)所研究的自適應(yīng)學(xué)習(xí)內(nèi)容推薦策略，構(gòu)建自適應(yīng)學(xué)習(xí)內(nèi)容知識圖譜。知識圖譜是指由知識點相互連接而成的知識網(wǎng)絡(luò)集合。將自適應(yīng)推薦策略中的學(xué)習(xí)內(nèi)容構(gòu)建知識圖譜，利用知識圖譜高關(guān)聯(lián)性、高結(jié)構(gòu)化、高精準(zhǔn)度和高檢索速度等特性，完成自適應(yīng)學(xué)習(xí)內(nèi)容推薦模型的設(shè)計。本文的自適應(yīng)學(xué)習(xí)內(nèi)容知識圖譜以中國建筑史為背景，分成中國建筑史的概述、史前至秦漢時期、隋唐時期、明清時期的中國建筑四個模塊。首先，將學(xué)習(xí)內(nèi)容劃分層次，然后再構(gòu)建層次之間的關(guān)聯(lián)關(guān)系，最后，構(gòu)建層次內(nèi)部的關(guān)聯(lián)關(guān)系，完成自適應(yīng)知識圖譜的構(gòu)建。

2.3.1 學(xué)習(xí)內(nèi)容層次劃分

本文用 INF代表自適應(yīng)圖譜中的學(xué)習(xí)內(nèi)容材料，INF={Root,Cb,Cs,Css,Co},Root代表根節(jié)點，即中國建筑史，Cb代表大章節(jié)，Cs代表小節(jié)，Css代表子小節(jié)，Co代表內(nèi)容文件。以“中國建筑史”為根節(jié)點，劃分層次 AL={S1,S2,…,Si}，i代表所在層次。四大章節(jié)劃分為第一層次S1，小節(jié)劃分為第二層次S2，子小節(jié)劃分為第三層次S3，內(nèi)容的組織形式（抽象概念類、具體實例類）為第四層次S4，關(guān)聯(lián)的文件劃分為第五層次S5。每個層次的章節(jié)、小節(jié)、子小節(jié)、內(nèi)容形式、文件視為節(jié)點 NODEi，NODEi={N1,N2, …,Nj}，j表示該節(jié)點所在層次的位置。每個節(jié)點 Nj又包含自己的屬性，Nj={name,keywords, path}，name、keywords和path分別表示名稱、關(guān)鍵詞和存放路徑。關(guān)鍵詞包含內(nèi)容位置信息、節(jié)點信息（普通節(jié)點還是文件節(jié)點）、摘要信息等。前四層的節(jié)點都含有和keywords屬性，第五層的節(jié)點包含name、keywords和path三種屬性。

2.3.2 構(gòu)建層次間關(guān)聯(lián)關(guān)系

層次間的關(guān)聯(lián)關(guān)系即節(jié)點的從屬關(guān)聯(lián)關(guān)系。構(gòu)建層間關(guān)聯(lián) RELAoutij，i和 j代表不同的層次，第一層次與根節(jié)點之間建立“have”關(guān)聯(lián)，即RELAout01=have；第二層次與第一層次之間建立關(guān)聯(lián)RELAout12=content of，第三層次與第二層次之間建立關(guān)聯(lián)RELAout23= part of，第四層次與第三層次之間建立關(guān)聯(lián)RELAout34=classifi of，第五層次與第四層次之間建立關(guān)聯(lián)RELAout45= file of。

2.3.3 構(gòu)建同層次內(nèi)部關(guān)聯(lián)

內(nèi)部關(guān)聯(lián)包括章節(jié)、小節(jié)等的內(nèi)容順序關(guān)聯(lián)（學(xué)習(xí)順序）和相關(guān)內(nèi)容關(guān)聯(lián)。構(gòu)建層內(nèi)關(guān)聯(lián)RELAini={Ijk}，i代表所在的層次，j和k代表層內(nèi)不同的節(jié)點。對NODE屬性keywords進行語義分析，獲取內(nèi)容順序信息和相關(guān)內(nèi)容信息，構(gòu)建內(nèi)容順序關(guān)聯(lián)和相關(guān)內(nèi)容關(guān)聯(lián)。如果內(nèi)容之間存在內(nèi)容順序關(guān)聯(lián)，則Ijk=order of，如果存在相關(guān)內(nèi)容關(guān)聯(lián)，則Ijk=rele of。不同層次之間擁有的一種或多種關(guān)聯(lián)。

2.4 Auto-kg算法

為了構(gòu)建自適應(yīng)學(xué)習(xí)內(nèi)容的知識圖譜，本文提出了Auto-kg算法。Auto-kg算法是將所需構(gòu)建知識圖譜的所有的自適應(yīng)學(xué)習(xí)內(nèi)容劃分層次，并構(gòu)建分層內(nèi)部學(xué)習(xí)內(nèi)容的關(guān)聯(lián)和層次間學(xué)習(xí)內(nèi)容的關(guān)聯(lián)，最后得到完整的自適應(yīng)學(xué)習(xí)知識圖譜。Auto-kg算法分為層次劃分、層間關(guān)聯(lián)和層內(nèi)關(guān)聯(lián)三個部分。

下面給出 Auto-kg算法具體的算法描述，在算法中，符號：

Stage(INF):對學(xué)習(xí)內(nèi)容進行層次劃分；

count():統(tǒng)計數(shù)量；

add():添加集合元素；

Arrt(節(jié)點): 獲取節(jié)點屬性；

Rele(節(jié)點,節(jié)點): 獲取節(jié)點之間的關(guān)系；具體如下：

算法1 Auto-kg算法

輸入：INF。

輸出：AL、RELAout和RELAin，即層次、層間和層內(nèi)關(guān)系。

Auto-kg算法描述：

1. AL<-Stage(INF)//劃分層次

2. for i∈count(AL)do

3.for j∈count(NODEi)do

4.Nj<-Arrt(Nj)

5.NODEi<-add(Nj)//構(gòu)建節(jié)點屬性

6.RELAini<-Rele(Nj,Nj+1)//構(gòu)建層內(nèi)關(guān)聯(lián)

7.for k∈count(NODEi+1) do

8.RELAoutjk<-Rele(NODEi(j),NODEi+1(k))

9.//構(gòu)建層間關(guān)聯(lián)

10.end for

11.end for

12.end for

通過 Auto-kg算法構(gòu)建的學(xué)習(xí)內(nèi)容的部分知識圖譜如圖1所示。

3 系統(tǒng)實現(xiàn)和實驗對比

為了檢驗自適應(yīng)學(xué)習(xí)內(nèi)容推薦模型的實際效果，本文在自適應(yīng)學(xué)習(xí)內(nèi)容推薦模型的基礎(chǔ)上開發(fā)了自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)，并設(shè)計對比試驗。

圖1 課程的知識圖譜Fig.1 Curriculum knowledge map

3.1 系統(tǒng)實現(xiàn)

通過對 Moodle在線學(xué)習(xí)平臺的基礎(chǔ)上進行了二次設(shè)計，完成自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)的開發(fā)。系統(tǒng)所包含內(nèi)容如下：

（1）設(shè)計 Felder-Silverman量表的網(wǎng)頁版。當(dāng)學(xué)習(xí)者初次使用該系統(tǒng)時會通過量表獲取學(xué)習(xí)者的學(xué)習(xí)風(fēng)格；

（2）根據(jù)自適應(yīng)推薦策略中關(guān)于內(nèi)容展現(xiàn)的部分，對 Felder-Silverman學(xué)習(xí)風(fēng)格的四個維度八個方向設(shè)計不同的展示界面，如圖2所示當(dāng)學(xué)習(xí)風(fēng)格為感覺型/視覺型/積極型/全局型時頁面的部分展示形式；

（3）將學(xué)習(xí)內(nèi)容知識圖譜的所有內(nèi)容包括節(jié)點、關(guān)系及屬性值等存入圖形數(shù)據(jù)庫工具Neo4j；

（4）當(dāng)系統(tǒng)獲取到用戶的學(xué)習(xí)風(fēng)格后，系統(tǒng)會根據(jù)該學(xué)習(xí)風(fēng)格對應(yīng)的學(xué)習(xí)內(nèi)容推薦策略與圖形數(shù)據(jù)庫進行高速匹配檢索，在對應(yīng)的展示界面上展示出相應(yīng)的學(xué)習(xí)內(nèi)容，完成自適應(yīng)學(xué)習(xí)內(nèi)容的個性化推薦。

圖2 感覺型/視覺型/積極型/全局型頁面展示形式Fig.2 Sensory/visual/positive/global page presentation

Neo4j是高性能的圖形數(shù)據(jù)庫，在存儲圖形類數(shù)據(jù)時，其輕量、高結(jié)構(gòu)化和高讀取速度保證了學(xué)習(xí)內(nèi)容推薦的效率，而其圖形化的存儲方式也保證了學(xué)習(xí)內(nèi)容推薦的精確度。為了檢測自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)是否可以改善學(xué)習(xí)者的學(xué)習(xí)效果，設(shè)計并實施了相關(guān)的實驗。完整的自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)部署在我校軟件工程專業(yè)高性能服務(wù)器上。

3.2 實驗設(shè)計

為了更顯著對學(xué)習(xí)效果的提高，本實驗采用了等組的實驗方法。具體的設(shè)計思路為：

（1）劃分實驗對象。將選取的實驗對象等分為對照組（標(biāo)記為A1）和實驗組（標(biāo)記為A2）。其中，A1組的學(xué)生不進行學(xué)習(xí)風(fēng)格檢驗，直接訪問該學(xué)習(xí)系統(tǒng)，但系統(tǒng)并沒有自適應(yīng)推薦學(xué)習(xí)內(nèi)容；A2組的學(xué)生通過學(xué)習(xí)風(fēng)格檢驗并使用自適應(yīng)學(xué)習(xí)系統(tǒng)，在使用系統(tǒng)前通過填寫 Felder-Silverman學(xué)習(xí)風(fēng)格問卷，系統(tǒng)確定學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，并向其推薦個性化的學(xué)習(xí)界面和學(xué)習(xí)內(nèi)容。

（2）進行對比實驗。讓A1組合A2組學(xué)生在給定的相同時間內(nèi)，學(xué)習(xí)《中國建筑史》相同的學(xué)習(xí)內(nèi)容，學(xué)習(xí)結(jié)束后提供線下測驗。

（3）分析實驗結(jié)果。記錄兩組學(xué)習(xí)者學(xué)習(xí)內(nèi)容所使用的時間和測驗成績兩個維度對學(xué)習(xí)效果進行綜合評價。

（4）設(shè)計系統(tǒng)滿意度評測問卷。從系統(tǒng)的有用性、系統(tǒng)的易用性、系統(tǒng)的認知負擔(dān)和開放建議四個方面設(shè)計問卷，在線下測驗后提供A1和A2組填寫。

因為兩組學(xué)習(xí)者在學(xué)習(xí)過程中僅 A2組通過學(xué)習(xí)風(fēng)格檢驗并使用自適應(yīng)學(xué)習(xí)系統(tǒng)，所以假設(shè)經(jīng)過相同時間的學(xué)習(xí)，A2組的學(xué)習(xí)效果高于A1組（A2組的測驗平均用時少且平均成績高），A2組對自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)滿意度高。

3.3 實驗對象

從我校大三學(xué)生中隨機選取 50名學(xué)生作為實驗對象。為了盡量避免由于學(xué)生認知水平差異對實驗造成的影響，實驗采用了系統(tǒng)隨機抽樣和簡單隨機抽樣的混合方法選取樣本，具體操作如下：

（1）將我校大三計算機專業(yè)三個班共152名學(xué)生的高考錄取名次按升序排列，錄入 Excel電子表格中，使用系統(tǒng)隨機抽樣每三位選取一名樣本學(xué)生（間距k=152/50）,共選取50名學(xué)生；

（2）將該50名學(xué)生隨機打亂，使用簡單隨機抽樣選取 25位樣本學(xué)生作為對照組（A1組），剩余25位作為實驗組（A2組）。

通過對實驗對象的調(diào)查了解，他們并沒有系統(tǒng)接觸過中國建筑史的相關(guān)課程，所以認為這兩組學(xué)生認知水平?jīng)]有差異，整體上可以進行實驗分析。

3.4 實驗內(nèi)容

實驗內(nèi)容為記錄學(xué)習(xí)者的學(xué)習(xí)時長和線下測試的成績。A1組學(xué)習(xí)時長由個人記錄，A2組的學(xué)習(xí)時長由自適應(yīng)系統(tǒng)計時。為了保證學(xué)習(xí)過程中不受外界干擾，以及 A1組個人計時的準(zhǔn)確性，兩組統(tǒng)一組織在機房進行學(xué)習(xí)。學(xué)習(xí)內(nèi)容選取《中國建筑史》第三章節(jié)的“隋唐時期”，涉及的知識點范圍較廣，難度以適中為主，題型多，資源類型豐富，適合作為學(xué)習(xí)內(nèi)容。課下測驗的題型為30個單選題和5個開放性題目，滿分100分。

3.5 實驗實施

實驗過程為：1.實驗前，先向50名實驗者說明本次實驗的目的、意義、過程和規(guī)則等。2.組織兩個組學(xué)生在不同的機房通過訪問自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)進行為期三天的學(xué)習(xí)，為了保證學(xué)習(xí)效率，每天學(xué)習(xí)時間不超過2小時，第三天學(xué)習(xí)結(jié)束后組織者向每一位實驗者發(fā)放測試試卷，在機房進行測試，考試時間1小時，可提前交卷。3.對50份試卷進行批閱，單選題以標(biāo)準(zhǔn)答案為準(zhǔn)，一題2分，開放性試題點到給分，每題 8分。4.收集每位同學(xué)的學(xué)習(xí)時長和測試成績，作為數(shù)據(jù)分析的依據(jù)。

3.6 實驗結(jié)果與結(jié)論

圖3 A1組測試成績-學(xué)習(xí)時間折線圖Fig.3 A1 group test scores-learning time line chart

通過以上的實驗，將收集到的每位學(xué)生的學(xué)習(xí)時間和測試成績輸入Excel中，通過Excel從學(xué)習(xí)時間和測試成績兩個維度對數(shù)據(jù)進行分析，分布圖見圖2和圖3。對比圖3和圖4，可以發(fā)現(xiàn)：A1組的學(xué)生學(xué)習(xí)用時的跨度較大，隨著學(xué)習(xí)時間的增加，測試成績也隨之增加；A2組的學(xué)習(xí)時間和測試成績相對而言較為集中。為了進一步分析兩組之間的差異性，使用SPSS工具對數(shù)據(jù)做獨立樣本t檢驗分析，結(jié)果見表 3。通過表 3可以看出，在學(xué)習(xí)時間上，兩組學(xué)生的平均時間都為280多分鐘，但A1組的標(biāo)準(zhǔn)差高于A2 組（20.613>14.681），說明A1 組學(xué)習(xí)過程中的時間分離度較大。在學(xué)習(xí)成績上，兩組學(xué)生的成績都處于中等偏上，但 A1 組學(xué)生的成績要差于A2 組（65.24<72.04，4.164>3.541）。結(jié)合 Sig.(2-tailed)值可進一步發(fā)現(xiàn)，時間t的Sig=P=0.246>0.05，可以看出兩組學(xué)生學(xué)習(xí)時間差距較??；成績t的Sig=P=0.000506<0.05，說明兩組學(xué)生學(xué)習(xí)成績差距較大。

圖4 A2組測試成績-學(xué)習(xí)時間折線圖Fig.4 A2 group test scores-learning time line chart

表5 A1組和A2組數(shù)據(jù)分析Tab.5 A1 and A2 data analysis

通過對照組和實驗組的分析結(jié)果對比，可以觀察到實驗組（A2組）的平均學(xué)習(xí)時間略小于對照組（A1組），實驗組（A2組）的測試平均成績高于對照組（A1組），且實驗組（A2組）對自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)滿意度高。本實驗的結(jié)果在一定程度上說明了自適應(yīng)學(xué)習(xí)內(nèi)容推薦系統(tǒng)能夠有效的提高學(xué)習(xí)者的學(xué)習(xí)效率和學(xué)習(xí)成績。

4 結(jié)語

針對傳統(tǒng)自適應(yīng)學(xué)習(xí)網(wǎng)站對學(xué)習(xí)者學(xué)習(xí)效果提升有限的問題提出了基于 Felder-Silverman學(xué)習(xí)風(fēng)格模型的自適應(yīng)學(xué)習(xí)內(nèi)容的推薦策略，設(shè)計Auto-kg算法構(gòu)建自適應(yīng)學(xué)習(xí)內(nèi)容知識圖譜，實現(xiàn)學(xué)習(xí)內(nèi)容的自適應(yīng)推薦，并通過實驗證明該模型能夠明顯的提高學(xué)習(xí)者的學(xué)習(xí)效果。但本文仍存在不足的地方，比如頁面設(shè)計的合理性分析等，是以后需要完善的地方。

參考文獻

[1] Truong H M. Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities[J]. Computers in Human Behavior, 2016, 55(PB):1185-1193.

[2] Felder, R., and Silverman, L. Learning and Teaching Styles in Engineering Education[J], Engineering Education, 1988,78(7): 674–681.

[3] Kolb, D. A. Learning styles and disciplinary differences[J].The Modern American College, 1981: 232–255.

[4] Honey, P., & Mumford, A.. Using your learning styles. Peter Honey Maidenhead, UK. 1986.

[5] Felder, R. M., Soloman. B. A. Index of learning styles questionnaire[DB/OL]. http://www.engr.ncsu.edu/learningstyles/ilsweb. html, 2013-07-25.

[6] Huang, E. Y., Lin S. W., & Huang, T. K. What type of learning style leads to online participation in the mixed-mode e-learning environment? A study of software usage instruction[J].Computers & Education, 2012, 58(1): 338-349.

[7] Nihad Elghouch. ALS_CORR[LP]: An Adaptive Learning System Based on the Learning Styles of Felder-Silverman and a Bayesian Network[C]. Information Science and Technology (CiSt), 2016 4th IEEE International Colloquium on.2016, 494-499.

[8] Karger, D. R., and Quan, D., Prerequisites for a Personalizable User Interface[C], Proc. of Intelligent User Interface2004 Conf., Ukita, 2004.

[9] 鄭慶華. 下一代E-Learning系統(tǒng)架構(gòu)及關(guān)鍵技術(shù)[J]. 中國遠程教育, 2009(24): 47-47.

[10] J. Lu, Personalized e-learning material recommender system,International conference on information technology for application (ICITA), 2004.

[11] Yong S K, Kim S, Yun J C, et al. Adaptive Customization of User Interface Design Based on Learning Styles and Behaviors: A Case Study of a Heritage Alive Learning System[C]//ASME 2005 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. 2005: 555-559.

[12] L. Zhuhadar, O. Nasraoui, R. Wyatt, and E. Romero, Multimodel ontology-based hybrid recommender system in e-learning domain, the 2009 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology 2009.

[13] K. I. B. Ghauth, and N. A. Abdullah, Building an e-learning recommender system using vector space model and good learners average rating, Ninth IEEE International Conference on Advanced Learning Technologies, ICALT'09, 2009.

[14] Konstan J A. Introduction to recommender systems[C]//ACM SIGMOD International Conference on Management of Data,SIGMOD 2008, Vancouver, Bc, Canada, June. DBLP, 2008,1373-1374.

[15] Guo G, Zhang J, Thalmann D, et al. Leveraging prior ratings for recommender systems in e-commerce[J]. Electronic Commerce Research & Applications, 2014, 13(6): 440-455.

[16] Kovács G, Avornicului M C, Benedek B. Recommender Systems In E-Commerce Applications[J]. Management Intercultural, 2016.