自主在線學習環(huán)境下學習行為與學習風格偏向性的關(guān)聯(lián)分析研究

楊娟+宋曉玲+喬興媚

【摘 要】

雖然學習風格受到眾多關(guān)注，但關(guān)于它在自適應超媒體學習（ALH）系統(tǒng)中的應用效果依然受到質(zhì)疑。本研究構(gòu)建了一個可滿足學習者學習風格偏好，并能充分反映學習者學習行為差異性的原型系統(tǒng)來采集學習者學習行為數(shù)據(jù)，同時使用學習風格測量工具來采集被試學生的學習風格偏好性數(shù)據(jù)。據(jù)此對學習風格理論在ALH系統(tǒng)使用過程中所產(chǎn)生的開放性問題提出了假設，并進行了驗證。實驗表明，在ALH系統(tǒng)單純使用學習者學習風格偏好是不能保證學習效果的，學習風格偏向性應剝離為“偏好”和“學習正關(guān)聯(lián)特性”兩個參數(shù)，并保證其學習效果正相關(guān)的學習風格特性得到滿足；在ALH中構(gòu)建靜態(tài)學習風格用戶模型也是不能保證其有效性的，因為實驗表明學習風格用戶模型不僅受學習者本身經(jīng)驗約束，同時還受變化的學習內(nèi)容的影響。

【關(guān)鍵詞】 學習效果；自適應超媒體學習系統(tǒng)；學習行為；學習偏好；學習正關(guān)聯(lián)特性；Silverman & Felder模型；

場依存/場獨立模型；VARK模型

【中圖分類號】 G442 【文獻標識碼】 A 【文章編號】 1009-458x（2017）10-0047-08

一、 研究背景

在過去20年中，在線學習系統(tǒng)的設計與開發(fā)一直是學習技術(shù)研究領域的一個研究熱點。這些系統(tǒng)被稱為自適應教育超媒體（Adaptive Educational Hypermedia， AEH）系統(tǒng)或是自適應超媒體學習（Adaptive Learning Hypermedia， ALH）系統(tǒng)。為了覆蓋更多的智能學習系統(tǒng)表現(xiàn)形式，本研究將這些系統(tǒng)統(tǒng)稱為ALH系統(tǒng)。在這些系統(tǒng)中，為了給學習者提供更為準確、有效的個性化服務，學習風格（Learning Style， LS）被許多ALH系統(tǒng)集成在用戶模型中，試圖為學習者提供最適合個體需求的差異化學習過程。美國前中學校長聯(lián)合會主席Keef認為學習風格是關(guān)于學習者如何學習的一個相對穩(wěn)定的指標（Keefe， 1979），這一斷言使得ALH系統(tǒng)通過LS模型所提供的啟發(fā)式線索為學習者構(gòu)建差異化的學習策略成為可能。大量用于區(qū)分不同類型的典型學習行為傾向性的LS測量工具也隨之產(chǎn)生，例如常被用于AEH系統(tǒng)的Dunn & Dunn模型（Dunn， 1993）、Kolb模型（Kolb， 1984）、Silverman & Felder模型（Felder， 1988）、場依存/場獨立模型（Witkin， 1977）以及VARK模型（Fleming， 2001）。

雖然學習風格受到眾多關(guān)注，但它依然存在許多未解決的問題，例如在其有效性、可靠性以及實用性方面都存在爭議（Dembo， 2007）。倫敦大學教育學院（Institute of Education， IOE）的Coffield教授在2004年發(fā)布了一份質(zhì)疑學習風格在基礎教育領域特別是課堂教學領域有效性的報告（Cof?eld， 2004）。報告調(diào)查了71種學習風格模型，指出在教學活動中使用學習風格理論必須謹慎，因為在進行了深入嚴格的測試后許多LS度量工具都存在嚴重漏洞。類似的質(zhì)疑認為即使在ALH系統(tǒng)中使用學習風格也同樣存在風險（Brown， 2009；Dag， 2009），例如，Brown（Brown， 2009）指出將學習風格作為用戶模型使用并不能夠保證學習者從其喜歡的方式中獲益。相反，如果學習者能在其不喜歡的學習方式中產(chǎn)生能克服其學習風格潛在弱點的技能，就可以從中受益。

盡管面臨諸多爭議，學習風格在提升用戶學習體驗方面確實效果顯著（Summerville， 1999）。Akbulut在其關(guān)于學習風格用戶模型的研究中指出（Akbulut， 2012），雖然ALH系統(tǒng)整合學習者學習風格在是否能促進學習效果方面依然存在爭論，但是遵從學習者學習風格傾向性確實能提升學習者的學習體驗。除此之外，學習風格的正面影響還體現(xiàn)在可豐富學習者在學習過程中各種與滿足感、積極態(tài)度以及正面情緒相關(guān)的認知經(jīng)驗上（Alshammari， 2015； Cabada， 2011； Dascalu， 2015； Essalmi， 2010； Filippidis， 2009； Garrido， 2013； Lin， 2013； Mampadi， 2011； Papanikolaou， 2003； Popescu， 2010； Sangineto， 2008； Schiaffino， 2008； Stash， 2006； E. Triantafillou， Pomportsis， A.， Demetriadis， S.， 2004）。例如，Liegle等人（Liegle， 2006）在其研究中就表明若為學習者提供滿足其學習風格偏好在導航上的需求，則可以顯著提升其學習總量。而學習風格的偏好性價值不僅僅體現(xiàn)在ALH系統(tǒng)中，同時也有證據(jù)顯示在普通教學活動中，如果教師在面對成人學習者時能合理利用學習風格原理，則可以使其學習過程更舒適并提升其學習能力（Hawk， 2007）。

綜上所述，雖然智能學習系統(tǒng)中使用學習風格具有諸多不確定性因素，但如何更有效地在ALH系統(tǒng)中使用學習風格仍然是廣大研究者追求的目標。通過上述分析可知，學習風格在ALH系統(tǒng)中因為滿足了學習者學習行為喜好的穩(wěn)定特征，因此在改善用戶體驗方面具有顯著效果，然而與別的商務系統(tǒng)不同，提升用戶學習體驗只是學習系統(tǒng)一方面的價值，學習系統(tǒng)另一方面的價值則要體現(xiàn)在學習效果上。因此，開展學習風格偏向性對學習效果正、負面影響的相關(guān)研究是非常有必要的。本研究通過采集學習者多種學習風格偏向性數(shù)據(jù)、學習者在ALH系統(tǒng)中的學習行為數(shù)據(jù)以及學習者學習效果數(shù)據(jù)，在三者間建立關(guān)聯(lián)模型，以期實現(xiàn)分析多種學習風格偏向性對學習行為造成的可能的影響，以及這些影響繼而對學習效果可能造成的正、負面后果。

二、 基礎數(shù)據(jù)采集

在早期的AEH系統(tǒng)中，學習風格通常被作為用戶模型的基石（Papanikolaou， 2003； Stash， 2004； Stern， 2000； E. Triantafillou， Pomportsis， A.， Georgiadou， E.， 2002），但是在最近的研究中，學習風格則多作為用戶模型的一個組成部分而存在（Alshammari， 2015； Essalmi， 2010； Kardan， 2008； Lau， 2010； Limongelli， 2009； Lin， 2013； Mampadi， 2011； Sangineto， 2008）。有文獻（Akbulut， 2012）統(tǒng)計了2000年至2010年十年間全球高影響因子期刊和會議上發(fā)表的70篇使用了學習風格的智能學習系統(tǒng)的相關(guān)文獻，其中有81.4%的智能系統(tǒng)用戶模型都集成了學習者的學習風格自適應模型，而所使用的學習風格種類則多達百種。然而，正如Dag（Dag， 2009）的統(tǒng)計數(shù)據(jù)所顯示，大部分ALH系統(tǒng)僅僅為用戶建模了其在不同學習風格維度上的喜好偏向性，而忽略了這些喜好偏向性與學習效果間可能存在的負關(guān)聯(lián)。endprint

本研究構(gòu)建了一個滿足學習者學習風格偏好，同時充分反映學習者學習行為差異性的原型系統(tǒng)，用于采集學習者學習行為數(shù)據(jù)。原型學習系統(tǒng)具有以下特征：①提供自學習環(huán)境；②學習資源以主題為單位，資源結(jié)構(gòu)呈星型；③對學習資源按照知識分類理論進行劃分；④學習資源之間具有可替代性，以滿足具有不同學習風格偏向性的學習者對學習資源的需求。

（一）用于采集數(shù)據(jù)的學習原型系統(tǒng)的資源設計

以“Java介紹及平臺部署”這一主題為例，該主題的學習資源按照資源的類型分為整體知識結(jié)構(gòu)圖示、理論基礎知識、Java實例、實驗練習（Yang， 2014），在實例中增加了除文字描述以外的視頻材料。具體資源的類型和對資源類型的描述，如表1所示。

采集學習者學習行為數(shù)據(jù)的原型學習系統(tǒng)界面則如圖1所示。

測試對象為2014級計算機專業(yè)學生，其中有效被試58人，這些學習者具有相似學習背景，在此之前都沒有接觸過Java，但是均通過了學習Java課程的前測。由于學習者此前并未有過任何在線學習經(jīng)驗，因此實驗只包含了“Java語言”課程的開始兩個學習主題，分別是“Java介紹及平臺部署”以及“Java的基本語法”。每個主題實驗時間為上午8點到下午4點，學習者到部署了系統(tǒng)的機房進行自主學習，可自行安排自己的學習進度，但要求當天提交該主題相關(guān)實驗和評測答案。要求不攜帶其余學習資料，僅根據(jù)系統(tǒng)提供的學習資源學習。參與實驗自愿，但實驗將作為正式開設的Java課程的最終成績構(gòu)成之一，若未參與或完成實驗，該部分得分為0。在學習過程中，系統(tǒng)會記錄學習者的具體學習行為，包括其所選擇的知識點頁面、每個頁面的頻率、在該頁面停留的時間以及學習順序等相關(guān)信息。

（二）學習風格數(shù)據(jù)采集

為提高研究結(jié)論的有效性，本研究采用了三個最廣泛使用的學習風格模型：Felder-Silverman模型、VARK模型以及場依存/場獨立（FD/FI）模型，對用戶的學習風格傾向性進行多維測量。Felder-Silverman模型（F-S）和VARK模型均采用其標準化的學習風格問卷①，F(xiàn)D/FI模型則使用對應的鑲嵌圖形測試GEFT。同時，為了使測量值具有可比較性，本研究對數(shù)據(jù)均進行了范式化處理。

學習者在三個學習風格模型上的分布如表2所示。表2中關(guān)于學習風格維度的英文縮寫分別代表：ACT-REF：主動-反射；SEN-INT：感知-直覺；VIS-VER：視覺-文字；SEQ-GLO：順序-全局。從測量結(jié)果可知，測試的58名被試中，在視覺型/文本型維度上，屬于文本型的只有7%，其余均屬于視覺型；在場依存/場獨立維度上，屬于場依存型的只有一人，其余均是中立或場獨立。因此在后面的分析中，將去掉這兩個維度。對于VARK學習風格模型，因為其在單維上具有和Felder-Silverman模型重復的特征，因此在VARK學習風格模型的分析上，將著重分析單維偏向性學習者和多維偏向性學習者的差異性。表2中“S”代表學生人數(shù)，“%”代表某一學習風格偏好下學習者占總?cè)藬?shù)的比例。

三、實驗及數(shù)據(jù)分析

在本節(jié)實驗中，學習頻次是指每個學生點擊某個學習資源的次數(shù)，而學習時間指打開某個學習資源并停留的時間，為了去除噪音數(shù)據(jù)，停留時間小于10秒的點擊并未統(tǒng)計在內(nèi)。

（一）不同學習風格偏向性對不同類型學習資源需求的差異性

以知識點學習的頻次和學習時間作為學習行為的兩個關(guān)鍵指標，分別統(tǒng)計具有不同學習風格傾向性學習者在不同類型學習資源上的平均學習頻次及平均學習時間，即假設I類型資源有|I|個，具有某種學習風格偏向性學習者M人，學習者訪問I類型資源的訪問頻次和訪問時間為和，該類型資源訪問頻次及平均訪問時間計算如下：

平均學習頻次（）= ………（1）

平均訪問時長（）= ………（2）

接下來使用T檢驗分析不同學習風格傾向性學習者在學習頻次和學習時間上的差異性，時間以秒為單位。

如表3所示，在當前學習主題下，學習者的學習行為差異性體現(xiàn)在感知-直覺維度以及順序-全局維度上。其中差異性最顯著的是感知-直覺型學習者在圖示資源的訪問頻次上，感知型學習者在知識導圖資源上較直覺型學習者具有更頻繁的訪問傾向。全局型學習者較順序型學習者對知識導圖資源的訪問時間顯然更長。根據(jù)F-S學習風格模型理論描述（Felder， et al， 1988），全局型學習者在有全局知識導圖資源的幫助下，能夠具有更好的學習效果，而知識導圖對感知-直覺型學習者的影響并未有具體闡述。

另一具有顯著差異的學習行為是感知-直覺型學習者的理論知識平均學習頻次。這一顯著差異在F-S學習風格理論中并未有明確相關(guān)論述。但是從指標“平均學習頻次”可看出，本實驗中的感知型學習者比直覺型學習者更喜歡訪問理論型頁面，反而在能體現(xiàn)其LS偏好的實例類資源上并無明顯差異（有文獻（Falder， at al， 1988）指出感知型學習者更喜歡使用與實際問題相結(jié)合的資源輔助其理解理論知識）。

上述實驗結(jié)論預示著如果要在用戶模型中更準確地使用學習風格理論，除了分析學習風格對用戶行為的可能影響外，還必須縱向分析學習者個體的學習行為經(jīng)驗數(shù)據(jù)以及橫向分析群體性學習者學習行為數(shù)據(jù)，因為在單一時刻采集的學習行為可能會產(chǎn)生與學習風格理論不一致的情況。這時僅僅依靠橫向?qū)W習者行為數(shù)據(jù)并不能構(gòu)建準確的學習風格用戶模型，還需要進一步考慮更復雜的學習行為與學習風格偏向性的關(guān)聯(lián)因素。

（二）不同學習風格偏向性對學習效果的正負影響

為進一步分析學習風格偏好對學習者的影響，挑選出具有同一學習風格偏向性的成績高于和低于平均成績20%的學習者，比較同一學習風格偏好所驅(qū)使的學習行為是否對學習效果存在顯著性差異，即如果學習者具有相似的某一偏好，這一偏好是會對他起積極促進作用還是起消極抑制作用。圖2是在不同學習風格維度上高于平均成績20%（學習效果好）和低于平均成績20%（學習效果差）的學習者人數(shù)比例以及學習成績的分布。endprint

表4反映了相同學習風格偏好下學習者表現(xiàn)出來的與學習效果相關(guān)聯(lián)的學習行為差異性。在同一學習風格偏好下，學習者學習效果好的（成績高于平均成績20%）行為數(shù)據(jù)列在屬性“好”下，學習效果差的（成績低于平均成績20%）行為數(shù)據(jù)列在屬性“差”下，學習行為指標“F”表示對該類學習資源的平均訪問頻次，“T”表示對該類學習資源的平均訪問時間，“p”代表對兩組行為數(shù)據(jù)的T檢驗p值。

從表4可看出，即使具有相同學習風格偏好的學習者，影響其學習效果的學習行為仍然具有較大差異性。例如對于感知類學習者，上一節(jié)的結(jié)論反映出感知類學習者在理論知識的訪問頻次上更具有偏向性，而在實例訪問上則并未體現(xiàn)出應有的差異。然而在本節(jié)中聯(lián)系學習效果的分析可看出，即使感知類學習者更喜歡訪問理論知識并在這種資源類型上花費了大量時間，但是如果沒有滿足其LS特性，即使用與實際問題緊密結(jié)合的實例類學習資源，那么學習者的學習效果依然無法得到有效的保證。這個結(jié)論進一步證明了僅僅滿足學習者的偏好并不能保證其學習效果的論斷。如果要達到有效保證其學習效果的目的，應保證與學習者學習效果正相關(guān)的學習風格特性得到滿足，而當偏好與正效果特性發(fā)生矛盾時，應舍棄偏好，保留正效果特性。例如在本例中，當學習時間有限時，對于感知類學習者應限定其理論知識的訪問時間和頻次，而保證其有充足的時間學習實例類資源。

從表4可得到的第二個結(jié)論是關(guān)于影響具有多維VARK學習風格偏向性學習者的學習效果的學習行為差異。從表4可看出，若學習者具有VARK學習風格的多種維度偏向性，那么影響其學習效果的學習行為與感知型學習者類似，即若無法滿足其實例學習的需求，即使再傾向于理論知識的學習也無法達到理想的學習效果。

在本實驗中，因為學習內(nèi)容部分與動作技能類知識相關(guān)，因此可得到第三個結(jié)論，即不同性質(zhì)的學習內(nèi)容會暴露出學習者在不同學習風格偏向性上的偏好以及影響學習效果的特質(zhì)。在本例中，總的說來，學習者只要認真學習了實例，即使在理論以及圖示資源的學習上并未花費太多時間，也能掌握本部分知識。因此，在構(gòu)建學習者學習風格用戶模型時，應有動態(tài)自適應策略，構(gòu)建的參數(shù)不應該是靜態(tài)不變的，例如在學習“圖論”課程時，考慮學習者的“視覺-文字”維度上的學習風格偏向性就沒有任何意義。 這一結(jié)論也證明了我們的前述觀點，即脫離學習內(nèi)容的潛在影響單純?yōu)閷W習者構(gòu)建滿足其學習風格偏向性的學習策略難以達到保證學習效果的目標。

（三）學習風格偏向性對學習路徑的影響

下面從整體學習行為的相似度上對學習行為和學習風格之間的相關(guān)性做進一步的分析。構(gòu)建每個學習者整體學習行為的向量，構(gòu)建學習者學習路徑向量Sj=，學習路徑向量中fi代表學習者j訪問資源i的頻次，ti表示訪問資源i的總時長。為比較學習路徑向量的相似度，本研究使用isomap非線性減維算法，通過引入測地距離使原本用直線歐幾里得距離得到的數(shù)據(jù)點之間的距離變成地理上的空間距離，能準確表示多維空間中不同向量的聚類效果。

圖3分別顯示了學習者在不同學習風格偏向性分類下的整體學習路徑聚類效果，其中雪花深色小點代表主動型、感知型、順序型以及單維VARK型學習者學習路徑向量，淺色雪花大點代表反射型、直覺型、全局型以及多維VARK型學習者學習路徑向量。從圖3可看出，除部分直覺型學習者以及單維VARK型學習者在整體學習路徑上具有不太明顯的聚類效果（虛線圈內(nèi)的點）以外，其他具有相同學習風格偏向性的學習者均沒有產(chǎn)生相似的整體學習行為特征。這一結(jié)論意味著，在以學習風格偏向性為基礎為學習者構(gòu)建相應行為策略時，如果只利用靜態(tài)規(guī)則可能為具有相同學習風格偏向性的學習者提供相似的建議，而這些建議很大程度上可能會背離學習者的實際需求。

四、總結(jié)

本研究構(gòu)建了一個用于采集學習者學習行為數(shù)據(jù)的原型系統(tǒng)，這個系統(tǒng)可滿足學習者學習風格偏好，并能充分反映學習者學習行為差異性。通過對所采集的學習者行為數(shù)據(jù)、學習效果數(shù)據(jù)以及學習者學習風格偏向性數(shù)據(jù)進行關(guān)聯(lián)性分析，提出了關(guān)于如何更有效地在ALH系統(tǒng)中使用學習風格理論的相關(guān)假說，并對其進行驗證。實驗結(jié)果表明，若要更準確地在ALH系統(tǒng)中使用學習風格用戶模型，就必須滿足以下要求：

·使用學習風格，不能僅僅滿足學習者的偏好，因為這并不能保證其學習效果。應將學習者學習風格剝離為“偏好”和“學習正關(guān)聯(lián)特性”兩個參數(shù)，在采集用戶縱向數(shù)據(jù)時，應保證與學習者學習效果正相關(guān)的學習風格特性得到滿足，而當偏好與正效果特性發(fā)生矛盾時，應舍棄偏好，保留正效果特性。

·學習風格用戶模型應該是動態(tài)構(gòu)建的，因為學習者學習風格的正效果相關(guān)特性通常同時受橫向的群體性學習行為數(shù)據(jù)、縱向的個人經(jīng)驗數(shù)據(jù)以及學習內(nèi)容潛在影響三者的約束，會實時發(fā)生遷移和改變。因此，不僅通過靜態(tài)規(guī)則建立學習風格模型很難達到高效的目的，而且僅僅使用橫向群體性數(shù)據(jù)進行機器學習也很難達到理想的分類和預測效果。

最后，本研究在進行實驗數(shù)據(jù)搜集時，因為很難對學習者在場依存/場獨立以及視覺/文本認知維度上進行有效區(qū)分，所以實驗并未涉及這兩個維度的特性，接下來本研究將進行更加細致的學習路徑研究以及通過采集更多樣本來補充本文中未涉及的其他的學習風格模型（維度）的學習行為、學習效果以及學習風格偏好之間的關(guān)聯(lián)性研究。

[參考文獻]

Akbulut， Y.， Cardak， C. S. （2012）. Adaptive educational hypermedia accommodating learning styles： A content analysis of publications from 2000 to 2011. Computers & Education， 58， 835-842.

Alshammari， M.， Anane， R.， Hendley， R. （2015）. An E-Learning Investigation into Learning Style Adaptivity. Paper presented at the 48th Hawaii International Conference on System Science， U. S. A.

Brown， E. J.， Brailsford， T. J.， Fisher， T.， Moore， A. （2009）. Evaluating learning style personalization in adaptive systems： Quantitative methods and approaches. IEEE Transactions on Learning Technologies， 2（1）， 10-22.

Cabada， R. Z.， Estrada， M. L. B.， Garcia， C. A. R. （2011）. EDUCA： a web 2.0 authoring tool for developing adaptive and intelligent tutoring systems using a Kohonen network.Expert Systems with Applications，38（8）， 9522- 9529.

Cof?eld， F.， Moseley， D.， Hall， E.， Ecclestone， K. （2004）. Learning styles and pedagogy in post-16 learning： A systematic and critical review. Retrieved June 27， from https：//nwresearch.wikispaces.com/file/view/Coffield%20learning%20styles.pdf/246502619/Coffield%20lear ning%20styles.pdf

Dag， F.， Gecer， A. （2009）. Relations between online learning and learning styles. Procedia-Social and Behavioral Sciences， 1（1）， 862-871.

Dascalu， M. I.， Bodea， C. N.， Moldoveanu， A.， Mohora， A. （2015）. A Recommender Agent based on Learning Styles for better Virtual Collaborative Learning Experiences. Computers in Human Behavior， 45， 243-253.

Dembo， M. H.， Howard， K. （2007）. Advice about the Use of Learning Styles： A Major Myth in Education. Journal of College Reading and Learning， 37（2）， 101-109.

Dunn， R.， Dunn， K. （1993）. Teaching Secondary Students Through Their Individual Learning Styles Practical Approaches For Grades 7-12. Boston， USA： Ailyn and Bacon.

Essalmi， F.， Jemni Ben Ayed， L.， Jemni， M.， Kinshuk， Graf， S. （2010）. A fully personalization strategy of e-learning scenrios. Computers in Human Behavior， 26（4）， 581-591.

Felder， R. M.， Silverman， L. K. （1988）. Learning and teaching styles in engineering education. Engineering Education， 78（7）， 674-681.

Filippidis， S. K.， Tsoukalas， I. A. （2009）. On the use of adaptive instructional images based on the sequential-global dimension of the Felder-Silverman learning style theory. Interactive Learning Environments， 17（2）， 135-150.

Fleming， N. D. （2001）. Teaching and learning styles： VARK Strategies. New Zealand： Fleming， N. D.

Garrido， A.， Onaindia， E. （2013）. Assembling Learning Objects for Personalized Learning： An AI Planning Perspective. Intelligent Systems， IEEE， 28（2）， 64-73.

Hawk， T. F.， Shah， A. J. （2007）. Using Learning Style Instruments to Enhance Student Learning. Decision Sciences Journal of Innovative Education， 5（1）， 1-19.

Kardan， A.， Taghipour， N. （2008）. Decision support models for personalized course composition with a focus on learning styles. Paper presented at the Fifth International Conference on Information Technology： New Generations.endprint

Keefe， J. W. （1979）. Learning style： An overview. Reston， VA： National Association of Secondary School Principals.

Kolb， D. A. （1984）. Experimental learning. Englewood Cliffs， NJ： Prentice-Hall.

Lau， S. B. Y.， Lee， C. S. （2010）. Contextualising e-learning services and content for computing course in higher education based on learning style and competency level. International Journal of Learning Technology， 5（3）， 211-242.

Liegle.， J. O.， Janicki， T. N. （2006）. The Effect of Learning Styles on the Navigation Needs of Web-based Learners. Computers in Human Behavior， 22， 885-898.

Limongelli， C.， Sciarrone， F.， Temperini， M.， Vaste， G. （2009）. Adaptive learning with the LS-plan system： a field evaluation. IEEE Tran. Learning Technologies， 2（3）， 203-215.

Lin， C. F.， Yeh， Y.， Hung， Y. H.， Chang， R. I. . （2013）. Data mining for providing a personalized learning path in creativity： An application of decision trees. Computers & Education， 68， 199-210.

Mampadi， F.， Chen， S. Y.， Ghinea， G.， Chen， M. P. （2011）. Design of Adaptive Hypermedia Learning Systems： A cognitive Style approach. Computers & Education， 56， 1003-1011.

Papanikolaou， K. A.， Grigoriadou， M.， Kornilakis， H.， Magoulas， G.D. （2003）. Personalizing the Interaction in a Web-Based Educational Hypermedia System： The Case of INSPIRE. User Modeling and User Adapted Interaction， 13（3）， 213-267.

Popescu， E. （2010）. Adaptation provisioning with respect to learning styles in a web-based educational system： an experimental study. Journal of Computer Assisted Learning， 26（4）， 243-257.

Sangineto， E.， Capuano， N.， Gaeta， M. Micarelli， A. （2008）. Adaptive course generation through learning styles representation. Universal Acess in the Information Society， 7（1）， 1-23.

Schiaffino， S.， Garcia， P.， Amandi， A. （2008）. eTeacher： providing personalized assistance to e-learning students. Computers & Education， 51（4）， 1744-1754.

Stash， N.， Cristea， A.， Bra， P. D. （2004）. Authoring of Learning Styles in Adaptive Hypermedia： Problems and Solutions. Paper presented at the 13th international World Wide Web conference （www'04）， New York.

Stash， N.， Cristea， A.， Bra， P. D. （2006）. Adaptation to Learning Styles in E-Learning： Aapproach Evaluation. Paper presented at the World Conference on E-Learning in Corporate， Government， Healthcare， and Higher Education （ELEARN'06）， Hawaii.

Stern， M. K.， Woolf， B. P. （2000）. Adaptive content in an online lecture system. Lecture Notes in Computer Science， 1892， 227-238

Summerville， J. （1999）. Role of Awareness of Cognitive Style in Hypermedia. International Journal of Educational Technology， 1， 431-444.

Triantafillou， E.， Pomportsis， A.， Demetriadis， S. （2004）. The Value of Adaptivity based on cognitive style： An empirical study. British Journal of Educational Technology， 35（1）， 95-106.

Triantafillou， E.， Pomportsis， A.， Georgiadou， E. （2002）. Aes-Cs： Adaptive educational system based on cognitive styles. Paper presented at the Second International Conference on Adaptive Hypermedia and Adaptive Web-based Systems （AH'02）.

Witkin， H. A.， Moore， C A.， Goodenough， D. R， Cox， P. W （1977）. Field-dependent and field independent cognitive style and their educational implications. Review of Educational research， 47， 1-64.

Yang， J.， Huang， Z. X.， Gao， Y. X.， Liu， H. T. （2014）. Dynamic Learning Style Prediction Method Based on a Pattern Recognition Technique. IEEE Transactions on Learning Technologies， 7（2）， 165-177.endprint