學習云空間中基于情境感知的移動學習自適應模型及其應用研究

張琳捷 羅雯 劉博 黃昌勤

[摘? ?要] 隨著移動互聯網等新技術的快速發展，移動學習成為網絡學習空間的主要學習方式之一，然而移動學習效果的提升面臨著復雜移動情境下空間化學習的自適應挑戰。文章以云計算支持下的網絡學習空間（即學習云空間）為背景，分析了移動學習的自適應因素，提出了一個基于情境感知的移動學習自適應模型，并探討了移動學習的自適應實現機制及其應用策略。研究依托iStudy的移動學習自適應系統進行應用實踐和實證分析，結果表明：該系統更有利于提高場獨立型與場依存型兩種風格學生的自我效能感，以及場依存型學生的學習成績;不同知識類型學習中均使用該系統，其學習成績沒有差異;兩種風格學生均認為該系統更加便捷適用，場依存型學生認為該系統更有利于促進學習。研究為促進移動學習的自適應和個性化理論與實踐探索提供了有力支撐。

[關鍵詞] 移動學習; 自適應學習; 情境感知; 學習策略; 學習云空間

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、引? ?言

深入推進“三通兩平臺”是我國教育信息化建設的重點任務，而“網絡學習空間人人通”是其中的核心內容[1]。隨著互聯網、云計算、物聯網等技術的出現，以云計算平臺為依托的學習空間——“學習云空間”應運而生，其共享一體化與最大化、應用智能化和個性化的特征為在線學習活動的開展提供了良好的環境基礎[2]。同時，移動互聯網的深度普及使得移動學習成為學習云空間環境下學習的主要方式之一。

移動學習是利用移動技術的優勢開展超越時空限制的社會化、情境化學習活動的過程[3]。相關研究表明，在真實情境中發生的移動學習更能提高學習成效[4]，而移動情境的復雜性也給學生造成了嚴重的認知負荷，削弱了移動學習成效[5]。為了實現學生與移動學習情境的動態平衡，自適應學習能夠根據學習情境調整學習活動，滿足學生需要，提升學習效果[6]。自適應學習的實現需要借助多種技術支持，其中，情境感知技術試圖利用人機交互或傳感器提供關于個體以及設備、環境等情境信息，并使移動設備做出適應性反應[7]。可見，融入了情境感知的移動學習，將是云空間環境下自適應學習的主要支撐和熱點趨勢。

二、云空間中基于情境感知的移動學習

自適應因素分析及模型構建

移動學習與學習云空間相適應是開展高效學習的基礎。云空間本身就是分布式移動終端設備依賴的網絡平臺，其中，海量的碎片化資源、自動配置的應用服務以及可感知的動態虛擬環境為移動學習的自適應提供了靈活、個性化的支持，然而，學生個體的差異性與移動學習情境的復雜性嚴重影響了移動學習自適應效率。為了提高移動學習自適應效率，本研究以云空間中移動學習自適應因素分析為基礎，構建了情境數據驅動下移動學習自適應模型。

（一）面向云空間移動學習的自適應因素分析

移動學習本質上是認知建構的過程，認知發展是學生主體與移動學習情境客體相互作用的結果，采用既吻合學生個性特征，又主動適應移動情境及其變化的自適應機制，能夠保證在情境變化時移動學習的適配和高效。因此，對學習自適應而言，學生主體與移動學習情境兩個維度的因素分析是必不可少的。

移動學習作為一種社會學習方式，學生的主體地位至關重要。對于主體因素，本研究基于武法提教授的分類法[8]，結合云空間環境的實際情況，將學生因素劃分為基本信息（年齡、家庭背景、學習經歷等）、學習風格（場依存型和場獨立型）、學習態度（積極、中性、消極）、認知結構（對當前學習任務的理解狀態）。移動學習情境是用來表征學生與移動設備交互時影響學習目標達成的非主體特征信息。本研究考慮到分類情境復雜性對自適應實施的困難性、碎片化資源的重要性，對Korhonen提出的情境分類[9]進行歸并調整，將移動學習情境分為學習任務情境（任務主題等）、學習資源情境（資源的類型和難度等）、移動設備情境（電量、內存、計算能力等）、學習環境情境（時間、地點、網絡制式及人群密度影響等）。

（二）情境數據驅動下移動學習自適應模型構建

移動學習的自適應過程就是云空間充分利用空間和技術優勢對學生和移動情境信息進行提取、加工和利用，并主動為學生適配移動學習活動的過程。基于上述自適應因素分析，本研究提出了情境感知支持下移動學習的自適應模型（如圖1所示），主要包括自適應基礎數據獲取、基于情境感知的自適應調整過程以及學習活動適配集應用三個核心部分。

自適應基礎數據獲取主要利用人機交互與情境感知技術實時動態監控云空間中的移動學習過程來提取與移動學習緊密相關的學生數據與移動學習情境數據，一方面，將其歸檔在歷史情境庫中，為情境分類器的構建提供大量有效的數據集;另一方面，作為下一模塊的數據輸入，為基于情境感知的自適應調整過程提供數據基礎。

基于情境感知的自適應調整過程是在一定學習理論的指導下，遵從認知發展規律，以學習診斷與預測結果為條件，依據自適應原則確定自適應時機，從活動主題、活動操作、活動對象三個維度進行空間情境關聯下的自適應動態調整，最后通過應用與評價進一步強化學習效果。學習診斷與預測用于診斷學習前學生的認知結構存在的缺陷或已獲得的成就，預測當前活動效能，并對其原因進行分析。在移動環境中，自適應原則作為動態調整的參照，主要包括碎片時間影響下知識粒度可調原則、易變數據驅動下資源動態供給原則以及微型目標導向下效果逐步鞏固原則。情境關聯下的自適應動態調整首先要對任務主題進行碎片序列化處理，使得每個子主題由空間中一個學習活動來完成，隨后需對主題學習活動的操作與對象進行情境化、差異化適配，使得活動在當前情境下產生最佳學習效果。

上述自適應調整過程輸出學習活動適配集，學生可在云空間中應用該適配集來完成學習任務。為了給學生留一定的反思空間，提高其主觀能動性，學生可自主選擇是否接受系統自適應調整結果。在學習活動適配集應用過程中，云空間記錄下學習活動過程中的學生信息，情境信息以及活動評價反饋信息，以進一步調整自適應過程，最終形成從情境實時感知到移動學習活動實時調整的良性循環。

為了保障學習活動的完成質量，需根據學習后評價結果決定是否需要進一步強化，其過程遵從微型目標導向下效果逐步鞏固原則。具體思想是：首先評價當前主題的學習活動實際效能，并置于相似情境子空間的相似群體活動集中進行比較，大于潛在活動效能時，則進行下一主題的自適應，使得學生循序漸進地開展學習;當學習活動完成質量不佳時，則進一步鞏固該主題。基于微型目標導向下效果逐步鞏固原則的學習后自適應調整算法如下：

四、情境驅動下移動學習的自適應應用策略設計

（一）學習需求導向下基于情境預估的移動學習方案自動生成策略

移動環境中，學習需求是基于學生個體因素與移動學習情境狀態表現出來的所有主觀傾向的總和。學習需求導向下基于情境預估的移動學習方案自動生成策略認為，移動學習需求是移動學習的起點，面向移動學習需求的自適應調整能夠為學習目標設定、學習活動適配等學習全過程生成合適的自適應方案，提升移動學習效率。當移動學習情境發生變化時，學習需求隨之變化，自適應方案也需動態更新。然而，當監測到情境發生變化后再去調整移動學習方案，需耗費一定時間，在系統自動生成方案的這段時間內，學習過程容易中斷，從而影響移動學習效率。移動學習方案自動生成首先需要學習以往學生成功的自適應經驗，總結移動學習情境變化特點，從而對當前學生的移動情境進行預估，并設定合適的學習目標、適配學習活動。基于移動情境預估而動態生成的移動學習方案能夠弱化移動情境的干擾，促進學生全身心投入移動學習，優化移動學習體驗。

（二）碎片化資源支持下基于任務主題變更的過程調整策略

任務主題貫穿于整個移動學習任務的全過程，是學生與移動設備進行交互學習的目標載體，基于此，提出碎片資源支持下基于任務主題變更的過程調整策略。學生處于復雜的移動環境中，將面臨學習目標穩定性與學習情境變化性的矛盾。由于移動學習過程容易發生中斷，學習時間和方式等都呈現碎片化特征，對學習造成了極大干擾。因此，通過任務主題碎片化獲得該主題下的學習活動主題集切片，然后針對每個學習活動主題適配學習活動，且在云空間豐富的碎片化資源支持下選擇當前學習情境狀態下的最優活動，能夠最大可能地避免因環境因素干擾而分散注意力的問題，大幅提高學習投入度。隨著任務的完成，學生的認知水平逐漸提高，學生需進行遞進式的碎片化學習。基于Anderson的知識分類，將移動學習活動劃分為陳述性知識學習活動和程序性知識學習活動。在學生現有水平的基礎上，通過分析不同活動類型的特點與學生所處的學習情境，自適應匹配學習活動，引導學習過程從陳述性活動到程序性活動、由淺入深、循序漸進地開展。

（三）學習目標驅動下面向自我效能感提升的主動適應策略

自我效能感是一個與學習目標相關的重要變量，是指學生個體對自身實現移動學習目標所需能力的信念或信心，主要體現在學生努力程度、持久性等方面[11]。為了促進學生主動參與、適應移動學習，提升學生的自我效能感，本研究提出學習目標驅動下面向自我效能感提升的主動適應策略。在學習云空間中開展移動學習時，應充分利用云空間的泛在功能，為學生提供有效的資源、工具與技術支撐，降低學生獲取資源、開展活動、管理信息的難度，為學生主動適應移動學習環境掃清障礙，提升學生對自身移動學習能力的信念;學生利用云空間有效地規劃、管理移動學習過程，只需重點關注學習活動的開展與自主知識的建構，加強交互型學習活動的開展與實施，提升學生在云空間中的社會存在感;云空間為學生提供獨立思考與自主選擇的機制也是有效提升自我效能感的方式之一，可以促進學生批判性、建設性地參與學習活動，也為進一步提高自適應的準確度提供有效的數據基礎。

五、實證及效果分析

（一）系統實現與實證

1. 系統實現

本研究在團隊已有的iStudy云平臺上實現了基于情境感知的移動學習自適應系統。首先，感知學生及其當前的移動學習情境，以可視化的形式展示學生狀態以及當前的情境狀態（如圖3所示）;接著，以決策樹情境分類器的分類結果為基礎，以學科知識為依托，運用三參數Logistic與UCB算法實現自適應診斷與學習活動的動態調整（如圖4所示）。

2. 實驗過程

為了檢驗學生使用基于情境感知的移動學習自適應系統的效果，分別以學習成績、自我效能感和技術接受度為因變量，以知識類型、學習風格以及不同系統的使用為自變量。由于自我效能感和技術接受度是學生對其本身和系統的整體主觀認識，難以分階段測量，因此，忽略知識類型因素的影響。本研究選取“教學目標分析”學習主題，以某大學同年級的66名學生作為研究對象，分別對其進行學習風格測試，并將其隨機分為A、B兩個小組，A組學生作為實驗組，使用基于情境感知的移動學習自適應系統進行學習;B組學生作為對照組，使用傳統移動學習系統。A組學生在學習過程中，系統依據主題碎片序列化將學習主題分解為六個學習活動主題，包括三個陳述性主題和三個程序性主題。B組學生使用的傳統移動學習系統為學生提供一系列與主題相關的學習資源，由學生自主選擇。

3. 實驗測量工具

學習風格的測量采用認知風格測量表[12]。前測采用20道多項選擇題、10道判斷題與10道填空題（分值共100分）;后測包括兩個部分：針對六個學習活動分別設計了10道多項選擇題進行單項測量，并采用20道多項選擇題用于綜合測評（分值共100分）。為了驗證系統對自我效能感提升的影響，采用Pintrich的關于個人自我效能的量表[13]。為了檢驗該系統是否給學生帶來良好的學習體驗，組織A組學生填寫技術接受度問卷來分析學生對使用該系統的意愿[14]。

（二）效果評價

1. 學習風格與使用系統對學習成績的影響

不同學習風格學生使用不同系統前后的學習成績統計分析結果見表1。

（1）兩因素主效應及其交互作用分析的結果表明：前測成績對后測成績沒有顯著影響（F=6.372，p=0.140>0.05），學習風格因素主效應不顯著（F=15.568，p=0.202>0.05），使用系統主效應極其顯著（F=1.198，p=0.000<0.01），兩因素交互作用顯著（F=1.534，p=0.020<0.05）。

（2）單因素協方差分析結果表明：場依存型的學生使用A系統后的學習成績顯著高于使用B系統（F=17.450，p=0.000<0.01），場獨立型學生使用兩種系統后學習成績沒有顯著差異（F=2.916，p=0.098>0.05）;使用A系統的兩種學習風格的學生的學習成績存在顯著差異（F=2.686，p=0.006<0.01），使用B系統的兩種學習風格的學生的學習成績沒有顯著差異（F=0.011，p=0.619>0.05）。這說明移動學習自適應系統更有利于提高場依存型學生的學習成績，而場獨立型學生本身具有強烈的自主選擇意識，不易受外界因素的干擾，因此，該自適應系統對該類型的學生作用效果不明顯。

2. 知識類型與使用系統對學習成績的影響

不同知識類型的學習中，學生使用不同系統前后的學習成績見表1。

（1）兩因素主效應及其交互作用分析的結果表明：前測成績對后測成績沒有顯著影響（F=0.255，p=0.616>0.01），知識類型因素主效應與兩者交互作用均不顯著（F=0.405，p=0.527>0.01;F=0.197，p=0.659>0.01），使用系統主效應顯著（F=1.602，p=0.021<0.05）。

（2）單因素協方差分析結果表明：陳述性和程序性知識學習中，使用A系統后的學習成績顯著高于使用B系統（F=1.299，p=0.036<0.05;F=0.280，p=0.016<0.05），使用A、B系統的兩種知識類型的學習成績沒有顯著差異（F=0.015，p=0.904>0.05;F=0.829，p=0.370>0.05）。這說明相較于傳統移動學習系統而言，移動學習自適應系統有利于陳述性和程序性兩種知識類型的學習，而知識類型對學習成績沒有影響。

不同系統的學習成績統計

3. 學習風格與使用系統對自我效能感的影響

不同學習風格學生使用不同系統后的自我效能感數據統計見表2。

（1）兩因素主效應與交互作用分析的結果表明：自我效能感前測對后測沒有顯著影響（F=1.461，p=0.231>0.05），學習風格因素主效應和兩因素交互作用均不顯著（F=1.862，p=0.177>0.05;F=0.831，p=0.366>0.05），使用系統主效應極其顯著（F=26.188，p=0.000<0.01）。

（2）單因素協方差分析結果表明：場依存型和場獨立型的學生使用A系統后的自我效能感均顯著高于使用B系統（F=9.253，p=0.005<0.01;F=11.255，p=0.002<0.01）;使用A系統和B系統的兩種學習風格的學生的自我效能感不存在顯著差異（F=3.816，p= 0.06>0.05;F=1.149，p=0.292>0.05）。這說明相較于傳統的移動學習系統來說，移動學習自適應系統更有利于提高學生的自我效能感，而學習風格對自我效能感不產生影響。

4. 學生的使用意愿

不同學習風格的學生使用不同系統后的技術接受度統計結果見表3。

（1）兩因素主效應與交互作用分析結果如下：從感知有用性來看，學習風格與使用系統因素主效應和兩因素交互作用均顯著（F=1.572，p=0.021<0.05;F=12.182，p=0.001<0.01;F=6.017，p=0.006<0.01）;從感知易用性來看，學習風格因素主效應與兩因素交互作用均不顯著（F=0.037，p=0.698>0.05，F=0.018，p=0.895>0.05），使用系統因素主效應顯著（F=7.333，p=0.009<0.01）。

（2）單因素方差分析結果如下：從感知有用性來看，場依存型學生使用A系統顯著高于使用B系統（F=8.833，p=0.006<0.01），場獨立型學生使用兩種移動系統無顯著差異（F=1.867，p=0.182>0.05），使用A系統的兩種學習風格的學生存在顯著差異（F=0.419，p=0.022<0.05），使用B系統的兩種學習風格的學生不存在顯著差異（F=1.104，p=0.302>0.05）;從感知易用性來看，使用A系統的場依存型與場獨立型學生不存在顯著差異（F=0.006，p=0.936>0.05），使用B系統的場依存型與場獨立型學生不存在顯著差異（F=0.037，p=0.849>0.05），場獨立型學生使用A、B系統存在顯著差異（F=13.890，p=0.001<0.01），場依存型學生使用A、B系統存在顯著差異（F=11.860，p=0.002<0.01）。這說明相較于傳統移動學習系統，場依存型學生認為移動學習自適應系統更有利于促進學習，而場依存型學生認為該系統的使用對自己影響較小;學習風格對感知易用性不產生影響，學生均認為移動學習自適應系統更加便捷適用。

六、結? ?語

移動學習成為云空間的主要學習方式之一，但復雜的情境、學生的差異性嚴重制約了移動學習成效。本研究著眼于移動學習的自適應問題，以情境感知為技術支撐，探討了移動學習的自適應模型及其應用策略，并實現了基于情境感知的移動學習自適應系統，最后分別從學習成績、自我效能感與技術接受度三個方面驗證了該移動學習自適應模型及其應用策略的有效性。本研究提高了空間化學習對復雜情境的適應性，為促進個性化自適應學習提供了有意義的理論與實踐支撐，對學習云空間的功能完善與建設具有良好促進作用。本研究的不足主要表現在：自適應因素忽視了學生動機、實時情感等因素的影響;學習診斷與預測未對出現偏差的原因進行深度分析等。后續將對上述不足進行深入研究。

[參考文獻]

[1] 教育部.教育部關于加強網絡學習空間建設與應用的指導意見[EB/OL].（2019-01-16）[2019-03-08].http：//www.moe.gov.cn/srcsite/A16/s3342/201901/t20190124_367996.html.

[2] 黃昌勤，王希哲，張冬冬，梅曉勇，周宇文.學習云空間支持下的研究性學習研究與實踐[J].中國電化教育，2015（8）：21-28.

[3] 黃榮懷，王曉晨，李玉順.面向移動學習的學習活動設計框架[J].遠程教育雜志，2009，17（1）：3-7.

[4] SU C H， CHENG C H. A mobile gamification learning system for improving the learning motivation and achievements[J]. Journal of computer assisted learning，2015，31（3）：268-286.

[5] HWANG G J， CHANG H F. A formative assessment-based mobile learning approach to improving the learning attitudes and achievements of students[J]. Computers & education，2011，56（4）：1023-1031.

[6] NMC地平線項目，龔志武，吳迪，陳陽鍵，蘇宏，黃淑敏，陳木朝，吳杰鋒，焦建利.新媒體聯盟2015地平線報告高等教育版[J].現代遠程教育研究，2015（2）：3-22，42.

[7] 顧君忠.情景感知計算[J].華東師范大學學報（自然科學版），2009（5）：1-20.

[8] 武法提，黃石華，殷寶媛.基于場景感知的學生建模研究[J].電化教育研究，2019，40（3）：68-74.

[9] KORHONEN H， ARRASVUORI J， KAISA V. Analysing user experience of personal mobile products through contextual factors[C]//International Conference on Mobile and Ubiquitous Multimedia. New York：ACM，2010：1-10.

[10] ROY S， MONDAL S， EKBAL A， et al. Dispersion ratio based decision tree model for classification[J]. Expert systems with applications，2019，116：1-9.

[11] ANDERS A D. Networked learning with professionals boosts students' self-efficacy for social networking and professional development[J]. Computers & education，2018，127：13-29.

[12] 李壽欣，周穎萍.個體認知方式與材料復雜性對視空間工作記憶的影響[J].心理學報，2005，38（4）：523-531.

[13] HSIA L H， HUANG I， HWANG G J. Effects of different online peer-feedback approaches on students' performance skills， motivation and self-efficacy in a dance course[J]. Computers & education，2016，96：55-71.

[14] HWANG G J， YANG L H， WANG S Y. A concept map-embedded educational computer game for improving students' learning performance in natural science course[J]. Computers & education，2013，69：121-130.