增強現實交互技術在工程教育中的研究與應用

林一 陳鋒 王舜波

摘要：當前在數字化工程教育領域，盡管交互技術已取得了較大發展，但在教育領域，已有的自適應學習交互大多以數據驅動方式篩選教學材料。一方面，需要較多的數據來判斷用戶的需求;另一方面，容易忽視學習的積極性對輔助教學的影響。為此，基于增強現實技術，文章提出了一種將學習風格模型結合數據驅動系統的方法。首先通過學習風格索引問卷的調查判斷學習風格，而后根據學生的使用偏好調整系統界面并推送自適應的教學材料。該方法參考學習過程中收集的數據，摸索出學生的學習風格和使用喜好，進而逐漸優化教學交互系統。這不僅激發了學生的學習熱情，而且使得工程教育的學習效率得到了提高。

關鍵詞：自適應學習交互;增強現實;工程教育

中圖分類號：G642.0? ? ?文獻標志碼：A? ? ?文章編號：1674-9324（2019）44-0156-02

一、自適應學習交互的發展

在我國傳統的工程教育模式中，學生大多經歷過相同的培訓步驟，在這個學習階段中，由于常見的教學軟件并非針對每一個人的學習習慣或方式來定制學習內容，從而導致部分學生的學習效率較低。與傳統意義上通用化的信息化教學手段相比，自適應式技術與數字化學習相結合產生了自適應學習方式，即以階段性數據驅動的教學系統可以根據個人需求主動推送學習素材。自適應的學習內容在2004年已被Triantafillou[1]證明可以提高學習者的興趣、加深理解，是當今教育改革的研究熱點。在各式各樣的自適應學習系統中，Thalmann[2]認為在以往的知識和學生背景等來源中，學習風格模型是自適應系統開發最有用的框架。而學習風格中較為廣泛使用的模型有1988年由Richard Felder和Linda Silverman提出的學習風格模型[3]，該模型將工程教育中學生的學習風格分為感官和直覺、圖像和語言、主動和反思、順序和全局四個維度。通過學習風格指數（Index of Learning Style，ILS）問卷[3]來判定學生屬于哪一類的學習風格，教師則根據學生的學習風格相應地制訂或調整教學計劃。這種方法解決了學生和老師的匹配問題，然而缺點是對于風格判斷的準確度有待提高，許多學生并不清楚自身的定位，因此在后續的研究中對該模型進行了改進和測試。其中主流的方法是將不同的風格判斷轉化成不同的統計規則，根據用戶是否符合設立的統計規則來推測學習風格。另一種方法是單獨或者組合使用貝葉斯網絡、隱馬爾可夫模型和決策樹來估計用戶屬于哪一種學習風格。

二、自適應學習系統改進

上述模型雖然在學習風格的準確度判定上得到了提高，但是在現實中仍存在著一些問題。一方面，工程教育面臨著教學資源有限、教學手段單一的困境;另一方面，學生學習的條件有限，將學到的知識運用到實踐中的機會欠缺。而在虛擬學習環境中，可以克服上述不足，首先即時的互動技術能夠極大地縮短教與學的反饋周期;其次，增強現實（Augmented Reality，AR）技術有著更生動直觀的知識展現、更多形式的學習方式和更為便捷的學習機會，有助于鞏固知識并加深體會;最后，多渠道匯總的數據驅動與學習風格能夠將學生感興趣的知識精確投送。

因此，針對上述情況，基于增強現實技術，本文提出將學習風格模型結合數據驅動系統來主動推送符合學生學習喜好的教學材料的方法。首先，系統對學生學習風格進行判斷，再通過全程收集學生在學習過程中的操作偏好數據和反饋信息，總結出學生的學習喜好，然后根據學習喜好，后臺不斷優化提供給學生的教學資料，激發學生的學習興趣，從而達到提高學生學習效率的目的。相較于傳統的課堂教育方式，基于增強現實技術本身沉浸式體驗優勢，本文提出的方法有三個特點：一是更豐富的學習方式，在工程教育中，動手能力不容缺失，而在增強現實環境中學生可以根據自身喜好來選擇學習形式，提高學生的積極性和實踐能力;二是更具有個性化的教學，提供給學生最喜歡的學習材料，充分發揮學生對學習的熱情;最后，更便捷和更多的學習機會，學生可以自由安排學習時間和地點。

三、個性化學習系統實現

首先，進行ILS問卷調查，初次判斷出學生的學習風格。然后按照學習風格設計自適應學習界面，提供相應的學習風格的教學資料，創建學生專屬的數據庫，收集學習過程中的數據并總結學生學習喜好，根據學習喜好不斷優化學習界面和教學資料。

1.學習風格的判斷。根據Felder & Silverman提出的ILS問卷[3]來完成，在ILS問卷中，每一個學習風格的傾向程度會被量化成-11到+11的數值來表示，根據學生的得分來推出學習風格，根據學習風格來推出相對應的學習偏好，給學生設計專門的學習界面，提供匹配的教學材料。

2.定制個性化學習系統。內容包含界面設計、教學材料、學習數據和自動記錄模塊。其中學習界面和教學材料是基于學習偏好為依據設計和推送。自動記錄模塊是由增強現實環境自身所提供的，可以全程記錄學生在學習過程中的操作，由記錄產生關于學生學習的數據，即學習數據，對學習數據進行分析和歸納，可以總結出學生的學習喜好，并由此去優化系統，完善對界面的設計和教學材料的推送。學習數據模塊包括學生填寫的自身資料，學生在體驗該學習系統過程中的反饋，即學生對系統提出的主觀意見，學生在學習和實驗時的學習和操作的偏好數據，實驗過程中的錯誤數據和考核后的成績數據。分析學生的反饋數據，針對反饋對系統進行適當的修改，更為貼近個性化。分析學習和操作中的數據可以得到學生在學習中的習慣，并可以在下一次的學習中優先推送。分析錯誤數據和成績數據可以了解學生在學習上的優劣勢，對提供的教學材料進行相對應的調整。此外，由于數據是基于學習風格匹配教學材料后產生的，因此還可以提高對學生學習風格判斷的準確性。

3.個性化學習系統優化。通過學習數據來優化系統，學習風格的判斷給初始的界面設計和教學材料的推送提供了方向，而數據驅動學習系統可以在學習過程中對學習風格進行佐證，優化學習風格判斷的準確度。由學習風格結合學習數據，總結出學生在學習過程中對學習方式、教學材料和操作方式的喜好，根據學習喜好優化學習界面整體風格、布局、內容、學習方式、教學方式和教學內容。

四、結語

本文提出了一種基于增強現實技術，將學習風格模型結合數據驅動系統來定制個性化學習的方法，并將其運用在工程教育上。首先判斷學生的學習風格，根據風格設計學習界面和主動提供教學材料，結合學生的學習數據來總結學習喜好，再根據喜好優化學習系統，在學習上投其所好。在虛擬學習環境中使用學習風格模型，既解決了教學資源需求量大的問題，也解決了自適應學習技術忽略學習積極性的問題，讓學生體驗更為生動的知識展現和多樣式的學習方式。

參考文獻：

[1]Triantafillou，E.，Pomportsis，A.，Demetriadis，S.，&Georgiadou，E.The value of adaptivity based on cognitive style：An empirical study.British Journal of Educational Technology，2004，35（1），95-106.

[2]Thalmann，S.Adaptation criteria for the personalised delivery of learning materials：A multi-stage empirical investigation.Australasian Journal of Educational Technology，2014，30（1）：45-60.

[3]Richard M.Felder，Linda K.Silverman.Learning and Teaching Styles in Engineering Education，1988，78（7）：674-681.