“电机与拖动”在线课程中学习风格研究

张 妤 杨 松 刘祉祺

(1. 东北林业大学 机电工程学院， 哈尔滨 150040)(2. 东北大学 机械工程与自动化学院， 沈阳 110000)

2020年突如其来的新冠肺炎疫情，导致大学生们的春季学期为网络在线学习。虽然实现了停课不停学，但是在新的网络授课模式下，教师与学生在空间上是分离的，教师缺乏有效的手段去掌握学生学习过程和学习动态。这就导致部分学生学习效果不佳，成绩下降，出现了诸如：学生时间管理不合理，效率低；
在巨量的网络资源面前，学生不知从何学起；
学习过程中持续动力不足，易放弃，学习兴趣不浓等问题。分析其原因，其中很重要的一条就是缺乏对学生学习行为数据的深入分析。所以为了在网络教学中实现因材施教，必须考虑采用何种方法从学习行为数据判断大学生们的学习风格。如今，在后疫情时代，网络授课并没有停止，而是更广泛地应用于线上线下混合式教学。因而对网络教学中学生学习风格的研究也是有着重要意义的。

对于学习风格的研究，国外学者们研究起步较早，观点较为成熟。早在2005年，马来西亚的国际伊斯兰大学就开展了对学习管理系统的研究[1]。近年来我国相关学者也开始关注对学习风格研究，但是显著成果数量较少。2006年，彭文辉给出了一个基于网络学习行为分析的学习平台结构，但没有用数据验证其有效性[2]。2012年，魏顺平根据网络日志，探索在线学习行为的影响因素[3]，但并没有对学生的学习风格进行划分。

目前，对于学习风格的研究，大多采用的方法有两个：①协作，用问卷调查获得的数据建立模型判断学习风格，但问卷带有主观性，不能反映出学生的真实风格；
②自动识别，通过对学习行为数据的自动采集，利用一定的计算规则，大多采用机器学习算法计算其学习风格，比如贝叶斯网络、神经网络等，但在数据的获取方面存在一定的困难[4]。随着网络技术的发展，2020年网络学习平台的大量使用很好地解决了学习行为数据获取的问题。

在数据挖掘领域，以统计学习理论为基础的支持向量机(Support Vector Machines，SVM)理论，在小样本、非线性、高维数据问题上，体现了良好的建模性能，预测结果也更加准确。但其参数设置会对预测结果有较大影响，因而考虑优化SVM网络参数。灰狼算法(Grey Wolf Optimization，GWO)具有良好的自组织学习性，而且参数简单、全局搜索能力强、收敛速度快、易于实现[5]。因此，采用灰狼算法对支持向量机进行优化，建立学习风格预测模型。

因此，基于GWO-SVM算法，利用在线学习平台采集学生在线学习行为数据，从多个维度构建大学生的在线学习风格模型，利用此预测模型对大学生的学习风格进行划分，从而可针对性地为学生提供个性化学习内容和方法，提高学习效率，优化学习体验。对于学生自身，能帮助其发现潜在的学习风格，对于教师，能帮助其了解教学动态，可动态调整教学方案，实现因材施教的个性化教学，也可为大规模、个性化和高质量的下一代智能学习平台提供技术支撑。

1954年，“学习风格”由美国学者哈伯特·塞伦扭首次提出，被称为“现代教学的真正基础”。但国内外学者们并没有给出其明确的定义。Kimela认为“学习风格是指个体长期坚持的一种偏爱方式，该方式是学习者在处理和分析获取的知识的进程中所表现出来的惯有的方式”[6]。

目前，国内学者引用较多的是谭顶良教授对此概念的定义，他指出“学习风格是个体学习者所表现出的持续性的学习方式，囊括了学习者的在学习过程中的策略和倾向，展现出了学习者鲜明的个性”[7]。将上述学者们的观点进行归纳，可发现一个共同点，那就是学者们普遍认为学习风格是学习者相对稳定的学习方式，该学习方式能够通过一定的学习行为进行展现。

1.1 学习风格的分类

学习风格理论为划分学习者的学习风格提供了基础。国内外的学者都试图从学习者个体的差异性进行分析和研究,以此来确定学习者的学习风格,从而更好地进行个性化的教学。目前比较有影响力的学习风格划分模型有以下几种[8]：

1)Kolb模型

Kolb将学习风格置于学习过程中,并根据学习风格的知觉和加工动力特征,将学习风格划分为聚合型、同化型、发散型、顺应型[9]。

2)lotas模型

劳特斯lotas根据心理的类型,将学习风格划分为四种类型：情感Ⅰ、情感Ⅱ、认知Ⅰ、认知Ⅱ等四种类型[10]。

3)Felder-Silverman模型(简称FSLSM)

Felder-Silverman模型是由Felder和Silverman在1997年开发的，也是目前为止使用为广泛的学习风格模型，该模型的主要研究内容有自适应的用户建模、分析学习风格、推荐学习策略等，如表1所示[11]。

表1 Felder-Silverman学习风格模型

FSLSM因其具备良好的信度与效度，被许多教育领域的专家所认可，其可靠实用的效果也已被证实，尤其适用于分析网络环境下的学习，所以采用FSLSM。

1.2 学习风格类型与网络学习行为的匹配

1)信息加工维度

活跃型，较多地利用学习资源协助学习，喜欢与别人沟通。喜欢在论坛中讨论、解答问题，发帖量较大，访问时间较长，经常参加课堂互动。

沉思型，喜欢独自解决问题，在做决策或采取行动之前倾向于仔细思考。在论坛中读贴量较大，少有发帖；
倾向于认真分析每个问题，确定无误后提交答案，提交作业或测试时间较长。

2)信息感知维度

感悟型，喜欢事实和具体的学习材料，比较细心。在交作业前认真检查，提交时间更长。倾向于用更多的文字来表达，通过在讨论区发帖、回帖等行为来解决问题。

直觉型，思维更加灵活创新一些。关注抽象概念事物，访问课程大纲的次数多、时间多，参加安排好的测试次数较少。

3)信息输入维度

视觉型，查看知识树图表、学习视频等学习资源的时间多、次数多。视频反刍比高。

言语型，善于阅读文本类型学习资源，任务点完成率高。发帖、看帖多。

4)信息理解维度

综合型，倾向于全局思考，访问教学大纲、知识点总结的次数多、时间长。学习天数多。

序列型，倾向于按照序列进行学习，点击上一页、下一页导航按钮的次数多。

2.1 SVM原理

由Vapnik等提出的支持向量机(SVM)，在小样本、非线性、高维数据问题上，体现了良好的建模性能，预测结果也更加准确[12]。

对于一个线性可分的二分类问题，SVM实质上就是寻找一个使两类样本分布在两侧的且距离超平面最远的一个分类超平面。

设两类训练样本集为：

{(x1,y1),(x1,y2),…,(xn,yn)}

其中，n表示样本数，xi是第i个样本v维特征空间输入值，yi∈{-1,1}。

在线性可分的情况下，SVM求解的最优超平面就可以转化为以下的约束优化问题：

(1)

s.t.yi(ω·xi+b)≥1，i=1,2,…,l

式中：ω代表的是所求解的最优超平面的法向量；
b为偏移量，ωx+b=0就是要寻找的最优超平面。

若样本为线性不可分，SVM则用非线性映射Φ，将样本从现有空间映射到更高维的空间Ω上，在Ω内就转化成线性可分的问题，可在Ω空间内求出最优分类平面。但是，核函数必须满足Mercer条件，即：

k(xi,xy)=Φ(xi)·Φ(xj)

(2)

综上所述，通过选择适当的核函数k(xi,xj)，便可以实现对非线性样本的线性分类。在引入松弛变量ξi后，原分类面方程可表示为：

yi(ω·Φ(xi)+b)≥1-ξ,i=1,2,…,n

(3)

式中：ω是分类平面的权系数向量；
b为分类的域值。最优分类面的问题就可以被转化为：

(4)

式中：C为惩罚因子，它控制着模型的复杂度以及逼近误差。

在引入Lagrange乘法算子之后，最优超平面的问题就可以转化为对偶二次规划问题，同时将核函数的内积转换代入，式(3)就可以被转换为如下：

(5)

最终的最优分类面函数就表示为：

(6)

2.2 灰狼优化算法原理

1)算法概述

2014年，Mirjalili提出了灰狼优化(GWO)算法，模拟狼群家族的社会制度和狩猎策略，以迭代的方式不断寻找最优值的一种群优化算法。具有结构简单、收敛快速等优点。

狼以群居为主，每个狼群中平均有7～12只狼，具有较为严格的等级制度[13]。按社会地位高低依次定义α、β、δ、ω狼，α为头狼，β是α的顾问，δ听从α和β的指示，ω负责跟踪围捕猎物。

头狼α带领捕食活动，首先狼群以团队形式对猎物进行跟踪、追赶、靠近，然后从各个方向包围并恐吓猎物直到猎物停止运动，最后攻击猎物。

2)数学模型

D为狼群与猎物的距离，其数学模型用公式(7)表示，狼群会根据猎物位置和D更新其位置，用公式(8)表示：

D=|C·XP(t)-X(t)|

(7)

X(t+1)=XP(t)-A·D

(8)

式中：X为狼的位置向量；
Xp为猎物的位置向量；
t为当前迭代步；
可调整系数向量A、C，使狼可以到达猎物周围的不同位置，可用公式(9)和(10)计算。

A=2ar1-a

(9)

C=2r2

(10)

式中：a在迭代过程中，从2到0线性减小；
r1和r2为[0，1]之间的随机向量。

设主导整个围捕过程的是α，β和δ，而且α狼的位置是最优的，其次是β，最后是δ。α，β和δ对猎物的潜在逃窜位置有较好的洞察能力。首先，确定α，β和δ到猎物的距离，如公式(11)所示，再根据式(12)移动到下一步的位置，ω则根据这3头位置最好的狼来更新自己的位置。由以上方法，迭代计算，直至满足终止条件，便可得到优化目标的最优解、次优解等。

Da=|C1·Xa-X|,Dβ=|C2·Xβ-X|,Dδ=|C3·Xδ-X|

(11)

X1=Xα-DαA1,X2=Xβ-DβA2,X3=Xδ-DδA3,

(12)

(13)

2.3 GWO-SVM模型构建

在SVM模型中，参数有重要作用，人为给定会导致结果不理想，所以优化参数是很必要的。利用GWO优化SVM中惩罚因子C和核参数σ这两个参数，这样可以有效地提高SVM模型的准确率。GWO优化SVM参数流程如图1所示。

图1 GWO优化SVM参数流程

3.1 学习风格预测模型

基于以上分析，选择学生登录学习平台的时间、课程互动、作业提交时间、视频观看时长、发帖数、视频反刍比、章节学习次数、回帖数、任务点完成数、访问大纲次数等学习参数，作为量化学习行为的重要指标。在FSLSM学习风格模型的四大维度上，基于GWO-SVM模型对学习风格进行预测，流程如图2所示。

图2 基于GWO-SVM的学习风格预测流程

研究对象为东北林业大学机电工程学院“电机与拖动”在线课程的学生，在2020年春季4个月的学习过程中的10种学习行为变量为输入变量，采集了164组数据，因SVM模型对[0，1]范围内数据十分敏感，首先进行归一化处理，将其中50%作为训练集，50%作为测试集。然后使用训练集建立基于GWO-SVM的学习风格预测模型。核函数选取RBF，惩罚参数C和核函数参数σ用上述灰狼算进行优化，直至满足迭代终止条件，设狼群数为10，最大迭代次数为10，参数C和σ的搜索区间为[0.01，100]。最后，用测试集对学习风格模型的准确性进行评估。分类目标属性分别是各个学习风格维度属性。

3.2 预测结果比较分析

分别通过问卷调查和GWO-SVM算法两种方法对学习风格进行分类，得到了相同的80名大学生的两组学习风格数据，具体情况如表2所示。

从表2数据中，首先可看出，两种方法的分类结论是一致的，该学期“电机与拖动”大部分被测学生的学习风格为活跃型、感悟型、视觉型与综合型。但是两种方法预测结果在数值上是存在差异的，分析其原因归结为：其一，学生对自身的学习行为认识不够，调查问卷带有一定的主观性，对自己潜在的学习风格并不自知；
其二，影响网络风格的因素是十分复杂的，只选取了十个网络学习行参数作为GWO-SVM网络输入，因而会带来两种预测结果的差异。所以，为了更客观地划分学生在线学习风格，弱化主观因素对其影响，对于两种方法有不同学习风格划分结果的学生，课程按照GWO-SVM算法预测结果分类。

表2 学习风格分类比较

其次，观察表2中数据可以发现同一维度中，问卷调查结果人数相差越小，方法的差异率越小。如视觉型/言语型，问卷结果为54人/26人，差异率最低为7.5%。分析其原因，是有充分的训练数据对应两种风格，因而差异率越小。因而采集训练数据时，尽量平均对应两种风格。

最后，从表2的划分结果可以看出，学生的学习风格偏向于感悟型和视觉型，这就引导授课教师在建设课程时，应多加一些视频素材，PPT中多一些动画素材等。同时，在整理学习行为数据时，教师能够根据学生对课程资源的利用情况，合理增减资源。

3.3 学习行为数据统计分析

在以上学习风格分类划分的过程中，同时对大学生网络学习行为的统计数据进行了分析。如图三所示，为学生4月份的章节学习数量统计图，从图3中可以看出，学生在上课前1天和上课当天的学习量较大，课后1天明显下降，呈规律性变化。并且学习量与课程难易程度成正比。

这说明学生可以根据课前教师布置的预习任务，积极地自主学习。这些数据对教师来说是一个非常棒的反馈，实现了闭环教学。

图3 章节学习数量统计图

另外，统计了学生在一天中每个时间段的学习次数，如图4所示。以4月30日为例是课程前一天，50%以上学生在12点前完成，90%在20点前都完成了预习任务，说明大部分学生能够很容易完成预习任务，预习任务难度适中。

图4 每日分时段学习次数统计

在后疫情时代，学生们的学习方式更多为线上线下混合式教学。因而，根据在线学习行为建立的学习风格除了能优化在线教学之外，对线下教学也是有指导意义的。依拖电气工程及其自动化专业的人才培养方案和“电机与拖动”课程教学大纲，基于学习风格模型和学习行为数据统计分析，教师能够更加深入地掌握学生的基本情况、学习偏好和学习心理。该学期“电机与拖动”大部分被测学生的学习风格为活跃型、感悟型、视觉型与综合型。活跃型，倾向于积极做事，喜欢团队合作；
感悟型，喜欢用已有的事实来考虑和解决问题，能按照程序解决学习过程中遇到的问题；
视觉型，擅长于记住图表、照片、视频等看到的事物；
综合型，喜欢总揽全局，再找解决问题的突破口。所以，教师适时调整和改善线下课程设计体现在以下三个方面。

1) 教学内容的优化

在课前，教师提出预设问题，让学生自主查找资料，采用团队合作方式，给出解决方案。课中，重点分析难点概念，课件中增加图表和视频等素材。课后，要求学生将所学不同电机的相同内容进行对比和理解，绘制知识导图，强化对知识掌握。

2) 教学方法的改革

在教学方法上增加案例导入、讨论交流和头脑风暴环节。教师在授课过程中，增加实际电力拖动案例，让学生真正地学以致用，极大地提高学生学习热情。课堂授课采用问题导向的方式，能够促使学生在讨论交流和头脑风暴时推进对知识点的深入理解。

3) 教学手段的调整

在教学过程中，增加实践环节，如三相异步电动机的拆装，对学习交流电机电枢绕组结构及原理是非常有帮助的。另外，课件中增加动画等视觉材料，增加学习趣味。

建立了基于GWO-SVM的多维度网络学习风格模型，研究视角着眼于在线学习行为分析的各个要素层面，系统地分析了大学生在线学习风格特征，完善了在线学习行为分析的指标体系，为教师的个性化线上线下教学提供理论支持。同时，研究对学习风格的建模方法，也可为自适应学习系统的建设奠定了基础。对于不同风格的学习者，给出不同的学习方案，比如学习内容的个性排序，学习资源的分类提供等。最终实现个性化教学，为学习者提供愉悦的学习体验。