摘要

当前，有许多教育机构提供电子学习课程。此外，这些课程无法适应学习者之间的个体差异。通过基于学习者的知识能力、学习风格、学习动机在电子学习系统中为学习者提供个性化课程资料可以提高学习者的学习效率。在本篇论文中，我们提出了一种新的基于文本的、使用简单的规则的方法，来自动化且动态地区分学生学习风格、学习动机、知识能力，最终基于上述三个特征为学习者提供个性化课程资源。我们使用学习者在与学习对象、论坛互动过程中的行为记录数据和映射规则，根据Felder-Silverman学习风格模型来推断动机、知识能力和学习风格。

1 绪论

学习者有完全不同的帮助他们学习更高的特征。这些特征包括知识能力、认知能力、学习风格、学习动机等。大部分的学习系统并不考虑这些因素的影响而是给所有的学生提供相同的学习材料。因此学习效率没有得到很好的优化。为了提升学习过程的效率，在个性化电子学习中为每个学习者提供更加适合的学习材料是很有必要的。

之前的一些研究……

因此，许多研究人员认为，在电子学习中采用基于学习风格和动机的个性化将使学生学习更容易，提高知识能力。在本研究中，我们提出了一个支持Felder Silverman学习风格模型的动机、知识能力和学习风格偏好的自动动态检测方法。我们提出了一种基于访问次数和学习者花费在学习对象上的时间来估计这三个因素的新方法。

文章结构：文献综述、材料与方法、结果与讨论、最后是总结与未来展望。

2 文献综述

A 电子学习系统中的三个因素

Sfenrianto等人提出了电子学习系统固有结构的影响因素。研究结果表明，内在结构的存在因素反映了学习风格、学习动机与知识能力之间的关系。本文提出了一种综合学习风格偏好、学习动机和知识能力因素信息的方法，使电子学习系统能够根据这些因素识别和个性化课程材料。

B Felder-Silverman 学习风格模型

有许多中熟悉的学习风格模型。我们关注Felder-Silverman 风格模型基于以下几点原因：

对教育系统最适合
描述了趋势
描述学习风格更加详细
表示平衡的偏好

FLSM维度可以分为以下四个维度：

积极活跃的/消极沉思的
敏感的/直觉的
视觉的/口头的
连续的/全局的

根据这个模型，有以下16种不同学习风格组合：

active/sensing/visual/sequential
active/sensing/visual/global
reﬂective/sensing/visual/sequential
reﬂective/sensing/visual/global
active/sensing/verbal/sequential
active/sensing/verbal/global
reﬂective/sensing/verbal/sequential
reﬂective/sensing/verbal/global
active/intuitive/visual/sequential
active/intuitive/visual/global
reﬂective/intuitive/visual/sequential
reﬂective/intuitive/visual/global
active/intuitive/verbal/sequential
active/intuitive/verbal/global
reﬂective/intuitive/verbal/sequential
reﬂective/intuitive/verbal/global

C 电子教学中学生特征的自动检测

为了使网络学习系统能够自适应，首先必须识别出学生的特征。根据学生学习风格、学习动机、知识能力等方面的数据，识别出电子学习系统中每个学生的特征。收集这些数据的方法可以使用协作方法或自动方法。.使用协作方法，可通过问卷收集数据。另一方面，在线学习过程中观察学生行为的自动方法。分析和解析学习活动日志数据是了解学生学习行为的重要信息来源，比如内容访问次数、发布次数、在每个学习对象上花费的时间、回复论坛和在论坛上花费的时间、上传作业、尝试测验、尝试练习等。

3 材料与方法

我们研发一个自适应网络学习系统架构，如图2所示。该架构包括4个模块，比如ILS问卷学习风格检测模块、行为模式模块，三因子自动检测模块一起个性化课程内容模块。基于所开发的体系结构，我们实现了自己的LMS，对学习因素进行了估计，并对课程材料进行了适合学习者的实验。

架构图

在这个系统中,每个学习对象可以是一个图片或多个图片,一到几个幻灯片,一个视频来解释这个概念,一个动画,一个选择题练习,一个自我评估测试,一个输入文本练习,一个编程练习,一个http地址(网页),一本书,论坛讨论等等。学习对象组织在四维学习风格空间中。这种组织使找出三个因素检测成为可能。理想情况下，可互换的学习对象涵盖了所有的学习偏好，这对于每个学习内容来说就足够了。自动动态地执行更新学习者模型和估计其学习因素的过程。在识别出学习者的学习因素后，系统自动实现自适应，将学习对象输入到学习者检测到的新的学习因素中。

A ILS问卷学习风格检测模块

在这个模块中，学生在首次登录系统时，会收到ILS问卷。ILS问卷由44个问题组成。要求学生回答问题，并在回答的基础上对学生的学习风格进行识别。

B 标注学习对象

在第二部分(B)所述的16种组合中，用任何组件的一个子类型标记每个学习对象。例如，将学习对象1标记为reflectiveSensingVerbalSquential，而将学习对象2标记为Visual only。在对费尔德等人学习方法特点进行理论描述的基础上，以及E. Popescu等人的实践研究。对系统中的学习对象标注如下:

Active：自测联系，试卷练习
Reflective：示例，大纲，总结，结果页
Sensing：示例，解释，事实，练习材料
Intuitive：定义，算法
Visual：图，表，视频，动画
Verbal：文本，音频
Sequential：一步一步的练习，严格连接网页
Global：大纲、总结、全链接网页

## C 行为方式模块

存储学习行为模式的信息，并在数据库(测试结果、学习日志和论坛日志)中进行管理。考试成绩有考试成绩、测验成绩、自我评定成绩。一个学习日志有花费在学习对象上的时间，访问学习对象的数量。然后，论坛日志由发帖次数、访问论坛次数、在论坛停留的时间组成。

D 三种因子自动检测模型

每个日志都给出了与电子学习系统中影响因素三因素识别相关的指示，旨在推断学习风格偏好、动机和知识能力状态。为课程材料的个性化提供了依据。

为了发现学生的学习风格偏好、学习动机和知识能力，它使用了上面提到的日志。这些数据将显示学习风格偏好和动机使用学习日志和论坛日志以及哪里作为学生知识能力使用测试结果。

（1）估计学习风格偏好：我们使用基于文字的方法来自动动态地估计学习风格偏好。首先确定每个学习对象的阈值(T)。在学习日志中，记录学习者在每个学习对象上实际花费的时间(t)。这些时间也是为每种学习风格计算的时间，这些学习风格被标记为学习对象。例如，如果一个活动感知学习对象的T为20ms，那么分配给活动和感知的T为20ms。

通过系统测量，一个周期P，(如，30天)，增加的t计算为每一个学习者的八个学习风格组成部分。
然后利用Dung等人提出的[10]公式计算出8种学习风格元素的比例:

1561020618721

我们使用相同的类型来找出访问的比率，它通知我们访问方面的数量。计算被访问学习对象的数量和每个学习风格元素的学习对象总数。

1561020647477

最后，计算平均比率如下:

1561020659402

对于一个维度的学习风格元素，其中两者都是强的，其结果是被拒绝的。很明显，一个学习者不可能同时拥有强顺序和强全局学习风格。

（2）估计学习意愿（高/低）：为了获取学生积极参与电子学习过程的意愿强烈，我们考虑了不同的策略，即:论坛、布置作业、在线测验、反馈、加分和多媒体学习材料。在网络学习系统中，学生的学习动机状态的高低可以通过学习活动的数量来反映。使用学习日志和论坛日志中的数据来识别激励因子。

（3）估计知识能力：学生可以使用自我评估测试来衡量他/她对所学材料的理解程度。然后学生可以回答电子教学系统提供的问题。该系统通过计算正确答案的数量来确定知识能力的等级，即:差(0-50)/平均(50-74)/好(75-100)。

E 个性化课程内容模型

该模块旨在支持基于三个影响因素的个性化课程材料。我们探讨了适合学生学习风格偏好、动机和知识能力的课程材料的个性化层次结构。

4 结果与讨论

5 结论

本研究的目的是确定个性化学习材料的三个因素，为学生提供更有效学习的建议。本文采用基于文本的方法自动动态地发现学生的学习风格、学习动机和知识能力，并在检测到的三个因素的基础上检索个性化的课程材料，以提高学习效率。在提出的方法中，我们考虑了费尔德·西尔弗曼学习风格模型的所有维度，并根据这些维度对学习材料和学习水平的偏好进行了分析。该体系结构由四个主要模块组成:ILS问卷LS检测模块、行为模式模块、三因素自动检测模块和个性化模块。每个模块都会动态地引导学生达到学习目标。

未来的工作可以集中于对更大实验的深入分析，以及动态学习因素估计和学习适应的效率。此外，我们可以通过本体表示学习对象，从而利用机器可读和推理的能力。