基于学习风格的自适应式虚拟交互方法的研究

林 一，王舜波

福州大学 物理与信息工程学院，福州 350107

近年来，运用数字化技术来辅助教学的方法不断涌现，其中自适应学习是工科教育中使用最为广泛的方法之一，即由学习者产生的数据来驱动教学系统适应学习者。最初的自适应学习是根据学习者的成绩来调整教学策略，但由于忽略了学习者的主观能动性，缺乏针对性的教学使学习者的积极性不升反降，导致改善学习的效果始终不佳。为了解决上述问题，有研究者将学习风格的概念引入到自适应学习中[1-3]，Thalmann在调查关于电子学习系统开发的研究后，认为在学习者以往的知识和背景等来源中，学习风格模型是自适应系统最适合的开发框架[3-4]。学习风格指的是学习者偏好的学习方式，是学习者在进行学习任务时具有个人特色的体现[4]。学习风格概念中使用较为广泛的模型有Felder & Silverman学习风格模型（Felder-Silverman learning style model，FSLSM）[5]和Kolb学习风格模型[4]。将学习风格模型与自适应学习相结合，在一定程度上改善了学习者的积极性[6-7]，然而现实中基于网页的运用了学习风格模型的自适应系统仍存在着一些问题。一方面，获取数据的方式较为单一，仅依靠学习者的主观数据或键盘鼠标获取的人机交互数据，不足以精确地驱动系统对学习风格的自适应。另一方面，由于基于网页的方式无法提供便捷的实验操作场所，使得工科中偏好于通过动手实操对知识进行深入理解的学习者无处施展。此外，基于二维的知识展示方式较为单调枯燥，容易导致学习者的学习动机的下降。

虚拟现实（virtual reality，VR）技术突破了时间空间的束缚，具有沉浸性、构想性和交互性的优势，使其在教育领域中得到广泛的运用[8-9]。而将VR技术运用在自适应学习中，不仅能够克服环境的局限，而且可以收集多模态的互动数据用于驱动交互环境进行全方面的自适应，促使学习者更有效的学习。针对上述情况，本研究将VR技术引入到基于学习风格的自适应系统。首先，VR技术模拟沉浸式的虚拟课堂，允许学习者自然地进行多感知的交互，由此获取的数据既精准又充足，再配合于虚拟环境中丰富的自适应手段，可以准确地驱动系统适配于学习者各异的学习风格，给予学习者个性化程度较高的教学体验，最大程度地发挥学习者的潜力和天分。其次，虚拟环境满足了工科教育中通过实践操作进行知识迁移的需要，促进学习者完成理论与实践的结合。最后，虚拟环境支持知识的多维度展示和交互，全方位地刺激学习者的感官和记忆，充分激发学习者的学习动机。

综上所述，本研究基于学习风格提出了一种自适应式VR交互方法。该方法设计了适用于虚拟交互环境的学习风格判断方式，通过分析学习者的主客观数据来判断其学习风格，然后根据判断结果对虚拟交互环境进行持续的自适应调整，使学习者在满足自身偏好的环境中进行交互，激发学习者的学习动机，改善学习成绩。为了验证该方法对学习风格判断的精准度、学习者的学习动机和学习成绩的影响，本研究构建了一套面向工科教育的虚拟现实交互系统（virtual reality interaction system for engineering education，VRIS-EE）进行对照实验予以检验。

1 研究思路

本研究通过构建对学习风格自适应的虚拟交互环境，使学习者在适配于自身学习偏好的空间中交互，由此实现授课者长久以来期冀的“因材施教”的目的。研究思路如图1所示，首先，根据学习者初次在虚拟环境中产生的交互数据对学习风格进行判断，然后凭借判断结果对虚拟环境进行自适应调整。最后，学习者在调整过的虚拟环境中再次交互将生成新的数据，用于后续学习风格的判断以及虚拟交互环境的自适应调整进行螺旋循环迭代，从而通过不断调整虚拟交互环境以持续自适应学习者的学习风格。

图1 研究思路Fig.1 Idea of method

2 学习偏好

不同学习风格的学习者有着不同的学习偏好，体现在与虚拟环境的交互上也相应存在差异。因此，学习偏好既是判断学习风格的凭证，也是虚拟交互环境进行自适应调整的依据。本研究采用的学习风格模型是FSLSM[5]，该模型将工科教育中学习者的学习风格分为四个维度：主动和反思、感官和直觉、视觉和语言以及顺序和全局，每一个学习者的学习风格都是这四个维度的组合。此外，对学习风格维度中两极的倾向都较小为中性风格。

主动型的学习者倾向与他人交流学习，善于团队合作，喜欢从动手实操中获取知识。而反思型的学习者喜欢独立思考材料，通过借鉴别人的经验得到进步。

感官型的学习者喜欢强调事实和数据的材料，解决问题时倾向于用标准的方法且较为耐心。而直觉型的学习者喜欢强调原理和理论的材料，比起感官型更具创新能力，但耐心较为不足。

视觉型的学习者最容易记住他们看到的东西：图片、图表、流程图和视频等。而语言型的学习者则更能从以文本形式呈现的材料中获取知识。

顺序型的学习者喜欢包含较多细节的材料，倾向于遵循步骤地获取知识。而全局型的学习者凭直觉进行随机学习，他们在学习足够多的材料后，就可以宏观地理解并掌握知识。因此，大纲和概述类的材料对全局型的学习者很重要。

3 学习风格的判断

根据学习偏好的描述，对学习者在学习过程中的行为进行分析，可以获取到判断学习者的学习风格的有用信息。学习风格指数（index of learning style，ILS）[5]问卷是FSLSM中基于各维度学习风格的偏好所创建的评分工具，可以判断出学习者对学习风格的倾向程度。传统的课堂由于受限于环境，很难观察和分析学习者的行为，因此大多是依靠ILS问卷来衡量学习者的学习风格，要求学习者对自身进行评价。然而，这种方式存在着很多缺陷，由于问卷取决于学习者的判断，一旦问卷测试时间过长，或者学习者不知道问卷的用途和后果，他们往往会不经过仔细思考而随意回答，从而导致结果的误判。此外，Truong[4]认为ILS问卷只是在某个时间点完成的，而学习风格虽然是相当稳定的指标，但可能会随着时间而改变。因此，仅依靠ILS问卷进行学习风格的判断具有准确性存疑的问题，而根据可能误判的学习风格对教学环境进行调整也存在着弊端。对于学习风格倾向程度不高的学习者，或将在已经具有学习风格特性的教学环境中随波逐流，从而无法体现出自身真正的学习偏好，导致后续由交互数据驱动的自适应失去了意义。

针对上述情况，为了精准地判断学习者的学习风格，本研究设计了适用于虚拟交互环境的学习风格判断方式。判断流程如图2所示，将初始的虚拟交互环境设定为中性风格，旨在对学习者不进行指向性引导，由此获取到由第一轮的交互数据判断得出的学习风格，将其视为客观评判基准。然后将ILS问卷判断得出的学习风格视为主观评判基准，比较主客观基准判断得出的各维度的学习风格是否相同，如果两者的学习风格不同则输出中性风格，学习风格相同则保持当前风格，由对比后得出的学习风格将作为虚拟交互环境进行自适应调整的参考依据。学习者在调整后的虚拟环境中再次学习后，可以获取到由第X(X∈N,N表示大于1的正整数）轮交互数据判断的学习风格。将其与由第X-1轮交互数据判断的学习风格进行比较，判断两者得出的结果是否完全一致。假如结果不一致，将两者的学习风格进行各维度的逐一比较，学习风格不同则输出中性风格，相同则保持当前风格，由此输出学习风格进行后续的迭代。假如结果一致，将结果视为学习者在该阶段的学习风格，并对虚拟交互环境进行自适应的调整，从而结束学习风格判断流程。通过该方式的持续判断迭代，可以动态且精确地获取到学习者的学习风格，从而有依据地调整虚拟交互环境，使其适应于学习者的真实的学习风格。

图2 学习风格判断流程Fig.2 Workflow of learning style identification mode

3.1 判断学习风格的交互模式

在上述判断方式中，学习者产生的交互数据对判断学习风格的影响毋庸置疑。传统课堂的方式不便于获取和分析交互数据，而基于网页的自适应方式，由于仅仅依靠与鼠标键盘的交互产生数据，存在着数据片面且准确率存疑的问题。例如，当学习者浏览某个网络课程时，光标停留的位置未必是眼睛所浏览的区域，从而无法获取到学习者准确的浏览时长。然而在虚拟交互环境中，由头盔发出的射线可以模拟学习者的视线，由手柄产生的交互数据可以识别学习者的操作状态。因此，为了精确地判断学习者的学习风格，本研究对学习者使用头盔和手柄与虚拟环境之间的交互进行了数据收集。

虚拟交互环境中具有多模态的交互手段和丰富的知识展示方式，学习者可以根据个人偏好进行自由交互。由于不同学习风格的学习者在交互行为上的表现具有差异性，为了高效地判断学习风格，因此需要有针对性地监听可用于判断学习风格的交互行为。根据第2章对学习偏好的描述，本研究制定了虚拟环境中判断各维度学习风格的交互模式。模式如表1所示，第一行列举了四个维度的学习风格，各列展示了相应维度可用于判断学习风格的交互模式，并分别从主动、感官、视觉和顺序学习风格的角度，使用“+”和“-”来表示对应交互模式发生频率的高低。通过对表中所列举的交互进行监听，可以获取到学习风格判断的相关提示。

例如，主动型的学习者在学习上较为主动，倾向于自己尝试解决问题，因此可能较少地访问例子对象。然而频繁的发帖交流、大量的实验操作和较多的自我测试却可以提示学习者属于主动风格。相反，反思型的学习者更喜欢思考和借鉴他人的意见，因此可以假设他们会花费更多时间记录课堂内容和查看自我测试的结果。此外，实验操作的取消也可以作为判断的依据，反思型的学习者较有可能在多次思考后取消先前的实验操作。

3.2 交互的阈值划分

制定了用于判断各维度学习风格的交互模式后，还需对交互模式进行阈值的划分，由此才能直观地通过交互数据分析出学习者对学习风格的倾向。Graf[6]认为阈值应根据课程的特征来调整，因此本研究结合实际课程制定了表1中所列交互的阈值。对于发帖、自我测试、实验操作的交互次数，使用课程所提供相关题数的75%和150%作为阈值。对于各类问题的成绩，使用满分的50%和75%作为阈值。对于取消实验操作的次数，使用实际有效实验操作交互次数的10%和20%作为阈值。对于笔记本、论坛、大纲和自我测试的交互时间以及例子对象、内容对象、大纲、论坛、全局学习界面和顺序学习界面的交互次数，使用对这类教学材料有很大兴趣的学生的预期花费时间和交互次数的50%和75%作为阈值。对于自我测试结果交互时间，使用实际有效自我测试交互时间的30%和60%作为阈值。

表1 判断各维度学习风格的交互模式Table 1 Interaction mode for identifying learning style of each dimension

3.3 学习风格的量化

通过阈值的划分，学习者产生的交互数据将位于高中低三个区间，对应四个值的提示。交互数据位于高区间意味着学习者对相应的学习风格有着强烈的正倾向，则提示值为3。中区间代表没有倾向，则提示值为2。低区间代表强烈的负倾向，则提示值为1。假如没有相关的交互数据，则提示值为0。在得到交互数据对应的提示值后，通过下列公式可以将学习者对学习风格的倾向进行量化：

其中，公式（1）的dim是维度，i是交互，lsdim是该维度的学习风格倾向，Ndim是该维度收集到的所有可用交互提示值的数量，hdim,i是交互对应的提示值。将所有可用提示值求和并除以可用交互提示值的数量，就得到了相应学习风格倾向lsdim的数值。公式（2）是将公式（1）计算出的lsdim进行归一化处理，由此得到nlsdim的值，当值为0表示强烈的负倾向，1表示强烈的正倾向，0.5表示为中性。

通过对交互数据的阈值划分和计算，可以将学习者对各维度学习风格的倾向量化为0-1的数值，由此获取到由交互数据判断的学习风格，然后将判断结果代入到图2的学习风格判断方式的流程中，对学习风格的后续判断进行持续迭代。

4 自适应式虚拟交互环境的构建

学习风格的判断为虚拟交互环境的自适应提供了依据。传统课堂的方式下教师很难改变教学策略去适应每一位学习者的学习风格，而基于网页的自适应系统运用学习风格模型进行授课，在一定程度上提供了个性化教学，但由于教学环境的限制，大多数的相关研究[10-12]是通过调整教学环境中的教学材料、展示内容和导航内容来自适应学习者。而VR技术的引入提供了更多的自适应选项，例如场景属性、交互对象、用户交互以及声音等[13]。

由于FSLSM[5]并未对学习者关于用户交互和声音的偏好进行学习风格的分类，因此本研究将虚拟交互环境中的教学材料、展示内容、导航内容、场景属性和交互对象作为自适应的选项。自适应内容如表2所示，通过调整虚拟交互环境中教学材料的内容、允许展示的交互对象、导航过程中着重引导的内容、场景的灯光以及交互对象的大小和位置，构建满足学习者学习偏好的虚拟交互环境。初始构建的虚拟交互环境为中性风格，在判断出学习者的学习风格后，虚拟交互环境需要经过调整以适应不同的学习风格，因此虚拟交互环境包含初始构建和自适应学习风格两个阶段。

表2 自适应内容Table 2 Adaptation content

4.1 初始构建的虚拟交互环境

初始构建的虚拟交互环境为中性风格，需提供各类学习风格的学习者偏好的交互对象。根据表1可知，交互对象包含自我测试、实验操作、例子对象、内容对象、大纲、笔记本、论坛、顺序学习界面和全局学习界面。初始构建的虚拟交互环境如图3所示，模拟了传统课堂的环境，提供了实验、视频、论坛、大纲、幻灯片、笔记本、自我测试、顺序学习界面和全局学习界面，并设立监听功能来获取学习者的交互数据。此外，还开放了虚拟交互环境的接口以进行后续的自适应调整。

图3 初始构建的虚拟交互环境Fig.3 Preliminary constructed virtual interactive environment

4.2 自适应学习风格的虚拟交互环境

不同学习风格的学习者的偏好各异，因此对应的虚拟交互环境自适应策略也有所不同。根据第2章对学习偏好的描述，本研究针对不同学习风格制定了差异性的自适应策略。自适应策略如表3所示，列举了各类学习风格对于虚拟交互环境中的教学材料、展示内容、导航内容、场景属性和交互对象的调整策略，基于策略的调整可以促使环境满足学习者的交互偏好，由此实现虚拟交互环境自适应学习风格的目的。

假设学习者被判断为主动/感官/视觉/顺序的学习风格，该类风格对应于表3中的自适应策略为提供包含较多事实、数据、实际解决问题的方法、具体例子、图表、图片、图形和逻辑顺序的教学材料。虚拟交互环境中的实验、自我测试和顺序学习界面的交互对象被增大，置于场景的中心位置高亮展示，并在导航过程中被着重引导交互。视频和幻灯片的交互对象被普通展示，而论坛、大纲、笔记本和全局学习界面的交互对象被以链接的形式展示。自适应前后的虚拟交互环境如图4所示，图（a）中性风格的虚拟交互环境通过自适应调整后，转变为图（b）适应主动/感官/视觉/顺序风格的学习者偏好的虚拟交互环境。

表3 自适应策略Table 3 Adaptation strategy

图4 自适应前后的虚拟交互环境Fig.4 Virtual interactive environment before and after adaptation

5 实验与评估

为了证明基于学习风格的自适应式VR交互方法的可行性，本研究使用Java EE框架搭建服务端，HTC VIVE作为客户端，基于Unity 3D构建了VRIS-EE，将其与基于网页的自适应系统采用对照实验研究，并对实验结果进行分析讨论。

5.1 实验目的和方法

VRIS-EE通过引入VR技术来提高判断学习风格的精确度，然后根据判断结果对虚拟交互环境进行自适应调整，促使交互环境适配于学习者的学习偏好，从而激发学习者的学习动机，改善学习成绩。因此，本研究将VRIS-EE与基于网页的应用学习风格的自适应教学方式对比，对三个问题进行了研究。问题一，VR技术的引入能否提高判断学习风格的精确度?问题二，VR技术的引入对学习者的学习动机的影响是否更为积极?问题三，VR技术的引入是否对学习者的学习成绩的改善更有效?

关于问题一，本研究参考García[14]的公式来计算精准度：

公式（3）中的LSidentified是通过交互数据判断的学习风格，LSILS是通过ILS问卷判断的学习风格。函数Sim是比较两个参数LSILS和LSidentified，如果相同返回1，如果一个为中性的风格返回0.5，如果各为维度的两极返回0。n是参与测试的实验人数，将n个比较结果的值相加除以n并转化为百分比的形式就得到精准度P的值。

关于问题二，本研究对学习者进行教学材料动机调查（instructional materials motivation survey，IMMS）[15]。IMMS旨在调查学习者在学习过程中的学习动机，通过36道题目测量影响学习动机的四个因素的得分：注意力、相关性、自信度和满意度。由于IMMS的部分问题与实验无关，因此本研究排除了8个问题，剩下的28个问题进行文字改造后可适用于评估。所有学习者被要求以5分制的李克特量表（1分：完全不同意~5分：非常同意）来回答所有的题目。

关于问题三，本研究将实验组和对照组的学前测试、学后测试和延后测试的成绩作为评估的依据。通过学前测试成绩的比较可以判断两个小组是否具有相同的先验知识。通过学后测试和延后测试得分的对比可以得出在不同的条件下，实验组和对照组的学习效果是否存在差异。

5.2 实验流程

根据上述描述，本研究邀请了30名受测者参与实验，平均年龄在20岁左右。他们被随机分为A与B两组，其中A组由10名男生与5名女生组成，B组包括10名男生和5名女生。实验选用工科教育中的电路课程作为教学内容，实验流程如图5所示，分为学前测试、学习过程、学后测试、问卷调查和延后测试五个阶段。学前测试是对学习者先验知识的评估。在学习过程中，两组学习者在不同的环境中学习相同的教学材料。A组在一款基于网页的运用了学习风格模型的自适应系统“酷学习”（kuxuexi.com）中学习，B组使用VRIS-EE进行学习。学后测试是对学习者的学习成果进行检验，所有学习者完成学后测试后，需要对IMMS[15]进行填写，回答关于课程的感受。一个月后，学习者将进行延后测试，学前测试、学后测试和延后测试的总分均为40分，持续时间为20 min。

图5 实验流程Fig.5 Process of experiment

5.3 实验结果与讨论

表4展示了由第一轮交互数据判断的学习风格和ILS问卷判断的学习风格代入公式（3）的结果。P值从75%至85%，这表明该方法对于判断四个维度的学习风格都有较高的精准度。关于问题一，本研究选取了Graf[6]的基于网页的通过鼠标键盘获取数据的自适应方法作为比较对象。结果如表4所示，VRIS-EE在各个维度判断学习风格的精度都略优于基于网页的方式，表明引入VR技术对提高交互数据的数量和精度有正面影响，导致风格判断的精准度上升。

表4 学习风格判断结果比较Table 4 Comparison of learning style identification results %

IMMS评分结果如表5所示，A组学习者的注意力、相关度、自信度和满意度的平均值都略低于B组，进行单因素方差分析后，发现两组在注意力和满意度的得分有显著差异，且IMMS总分的差异也具有统计意义。因此，关于问题二，VR技术的引入对学习者的学习动机有着更为积极的影响。此外，实验过程中发现B组的学习者在学习时比A组更为积极，较少出现注意力分散的现象。

表5 IMMS评分结果Table 5 Score results of IMMS

两组学习者的学前测试、学后测试和延后测试的成绩结果如表6所示，A组学前测试的平均值为24.6（标准差=3.3），B组的平均值为25.8（标准差=2.8），采用单因素方差分析对这两组学前测试的值进行分析，结果显示两组学前测试的数值没有显著性差异，这表明两组的先验知识水平相同。学后测试中A组的平均值为32.4（标准差=3.4），B组的平均值为36.8（标准差=2.3），B组的成绩较高于A组。以学前测试得分作为协变量，学后测试的成绩作为因变量，进行协方差分析。结果显示，两组学后测试的成绩有显著性差异，且B组的前后成绩的效应量（Cohen’s d）的值为0.637，表明学习成绩得到大幅度改善。同样将两组的延后测试的成绩与学前测试的成绩进行协方差分析，发现两组成绩的差异有统计意义，B组成绩的平均值30.8（标准差=4.2）较高于A组的平均值27.4（标准差=2.5）。因此，关于问题三，实验结果表明引入VR技术能够更有效地改善学习者的学习成绩，并对学习者的知识持续记忆也有所帮助。

表6 测试成绩Table 6 Result of tests

6 结束语

本研究提出了一种基于学习风格的自适应式VR交互方法，并以此理论面向工科构建了一套虚拟现实交互系统。该方法通过收集学习者的主客观数据判断学习风格，然后参照判断结果对虚拟交互环境进行自适应调整，学习者在调整后的环境中再次交互将产生新的数据，由此对学习风格的判断以及虚拟交互环境的调整进行循环迭代。该方法既解决了基于网页的自适应教学系统的获取数据不精确的问题，也解决了缺乏实验操作的问题，还提供给学习者个性化程度较高的学习体验。实验结果证明，该方法改善了判断学习风格的精准度，对学习者的学习动机和学习成绩有着积极的影响，实现了“因材施教”的教育理念。

本研究通过借助VR技术帮助学习者改善了学习效果，但仍然存在一些问题。首先，关于虚拟环境中用户交互行为和声音的自适应方式尚未考虑在内。其次，涉及学习者与教师之间的反馈问题值得深入探讨。因此，本研究后续的任务是探究如何在虚拟环境中寻找更多的自适应手段，以及如何根据学习风格模型建立教师与学习者之间的反馈，为学习者提供更为全面的个性化交互体验。