背景

学习风格是学习者运用学习能力的首选方式，是更广泛的学习者特征下的一个类别，对学习者记忆与理解所学概念有所帮助，而学习者特征对学习者学习过程产生影响。不同的心理学家提出了不同的学习风格模型，形成学习风格的组合。学习风格不是动态的，不会定期发生变化，但学习不同内容时存在不同的学习方法，因此最好能定期分析学习者的学习风格。已有研究通过问卷调查确定学习风格，近年来有研究者提出使用人工智能技术自动识别学习风格的观点。

1. 研究思路

本文回顾了各种学习风格模型，整理了各种学习风格的指标维度与取值范围。明确加德纳多元智能理论、费尔德-西尔弗曼（Felder-Silverman）学习风格模型理论与在线学习之间的关系，确定本研究预测模型的关键指标。①通过比较不同分类算法在数据集上的准确性，对机器预测结果与问卷调查结果进行比较，证明机器学习预测学习风格的有效性。②在不同情况下学习不同类型的概念时，观察学习者的行为，以确定各种学习模式。

2. 数据获取

实验设计：

实验被试为攻读计算机科学硕士学位的研究生。

（1）被试在Moodle课程平台上学习课程前先完成匿名的问卷调查。

（2）通过Moodle日志收集学习者行为数据。已收集数据经预处理后被分成训练集和测试集并进行分类。所采用的分类算法包括决策树、支持向量机、邻近分类算法、朴素贝叶斯、线性判别分析，随机森林算法，逻辑回归等。实验设计如图1所示，实验方法如图2所示。

图1. 研究设计

图2. 研究方法

3.实验结果

本研究收集了某在线课程的498个学生样本并对数据进行了预处理。研究采用决策树、支持向量机、邻近分类算法、朴素贝叶斯、线性判别分析、随机森林算法和逻辑回归等多种分类算法进行数据分析，结果如下：

对于基于多元智能理论模型获得的数据，各算法表现具体如表1所示。预测结果最好的是支持向量机（SVM）算法，准确度为75.55％，且精确度和召回率相近，cv值74％，证明无论数据以70-30划分还是交叉验证，该算法的准确性都约为76％，可以接受。

表1. 基于多元智能理论特征识别的数据结果汇总

对于基于FSLM学习风格模型获得的数据，各算法在准确度、精确度、召回率、F1得分等方面的具体数据如表2所示。输入维度方面，支持向量机算法的准确度最高，为85.22%；在处理维度上，朴素贝叶斯算法的性能优于其他算法；理解维度方面，邻近分类算法达到最高的精度；在感知维度上，决策树算法的分类精度最高。

表2. 基于FSLM学习风格模型特征收集的数据结果汇总

基于FSLM学习风格模型，各算法在各维度上的CV值如表3所示。可以发现，尽管支持向量机算法在精度、召回率和准确度在大小上都是最佳的，但CV得分却仅为78%，其他CV得分更高的算法包括随机森林算法、逻辑回归和线性判别分析等。但本研究在输入维度的实时检测中依然更倾向于使用支持向量机，因为实时数据可能比训练数据更加复杂，使用逻辑回归和线性判别分析容易出现过拟合，因此没有必要。对于处理维度，朴素贝叶斯在准确性、精确性和召回率方面表现最好，但是支持向量机的CV得分最高，因此本研究倾向使用支持向量机算法用于实时预测。对于理解维度，本研究再次选择支持向量机算法进行实时预测，因为CV得分最高，并且实时数据不需要与测试或训练数据集中的数据点相似。对于感知维度，本研究使用了决策树算法，尽管决策树的高准确度意味着分类器已学习了复杂的关系，但CV得分最高，因此采用决策树算法完成分类。

表3. 各维度和算法的CV分数

表4为基于多元智能理论下的学习风格模型手动标记与机器预测之间的一致性比较。第二列显示了根据电子问卷数据手动标记主导智力类型的学生数量（已排除了在线学习模式下无法观察到的智力），第三列是通过机器学习算法预测主导智力类型的学生人数。最后一列计算机器预测与手工标记的一致性百分比。可见，视觉空间智能具有最高的一致性，这也意味着用来识别这种智能的指标是有效的。紧随其后的是数理逻辑智能和语言文字智能。身体动觉表现智能的一致性最小，这可能意味着指标不足以预测或需要对算法进行更多的微调，才能获得更好的结果。

表4. 基于多元智能理论的手动标记和机器预测学习风格的一致性（%）

表5为FSLM学习风格模型下手动标记学习风格与机器预测一致性比较，并每种学习方式在每个维度中的值也同时进行了比较。

表5. 基于FSLM学习风格模型中手动标记和机器预测的一致性

研究发现，在200名被试中，在输入维度中，手工标注视觉型学习者共有113名，机器预测视觉型学习者共有101人，两者的一致性为89.38%。手工标注语言型学习者87名，机器预测有80名学习者，一致性为91.95%。所有维度的一致性都在80%到92%之间，这是可接受的。但在理解维度上手动标记与机器预测的一致性最小，这可能意味着在对该维度进行预测时，要对模型进行优化或者增加指标。

表6为不同学习资源难度学习者学习风格变化模式。在使用FSLM学习风格模型预测学习风格时，在498名被试中约有266名学生在学习风格的初步预测中倾向于顺序理解概念。他们更喜欢缓慢而稳定的进步，不急于完成学习，花费超过75%的时间来学习。但当考试时间临近时，他们会利用全球学习者的所有可用资源，使用摘要，浏览阅读材料，匆忙完成测试。这种行为表明学习风格在学习者一生中是不断变化的。

表6. 基于学习资源难度的学习者学习风格变化模式汇总

4.结论

本研究试图检测多元智能模型指标与费尔德-西尔弗曼模型的指标，其中部分属性为通过音频学习所花费的时间、发送的消息数等。通过收集数据，运行算法验证来机器预测分类的准确性。在检测学习者主导智力类型方面，支持向量机算法的精度最高，决策树算法最低。在针对FSLM模型收集的数据中，本研究计算了不同算法的每个维度的精度，其中在输入维度，支持向量机的精度最高。研究还观察了不同学习风格模式，例如根据环境变化（如临近考试日期）学习者的学习风格的改变、根据概念难度学习风格改变。

原文：Learning style detection in E-learning systems using machine learning techniques

作者：Fareeha Rasheed , Abdul Wahid

期刊：Expert Systems With Applications

发表时间：2021.03

DOI: 10.1016/J.ESWA.2021.114774