人工智能网络教育

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇人工智能网络教育范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

人工智能网络教育范文第1篇

关 键 词:Agent；智能网络；答疑系统

1 绪论

随着现代通信与信息技术的高速发展, 以网络教育为基础的现代远程教育系统得到了迅猛发展，并且取得了良好的社会效应和教育效应。然而一般的远程教育系统教育方法较为单一，用户和系统之间的交互性较差，用户界面也较为单一。Agent技术提供了一种网络智能程序设计方法，多Agent则放松对集中式、规划、顺序控制的限制，提供了分散控制和并行处理，该技术适用于多用户和并发处理，适用于网络教学系统的开发。基于Agent的智能网络答疑系统能够通过个性化分析准确了解用户学习中的难点重点，并且根据用户个性化信息推导问题的最佳答案。本论文论述了多Agent理论在网络智能答疑系统中的应用。

2 Agent技术概述

Agent技术是人工智能的一种，其概念是由麻省理工学院的著名计算机学家和人工智能学科创始人之一的Minsky首先提出。 Agent可以理解为计算社会中的一些特殊个体，它的体系结构就是用软件或硬件的方式来实现Agent的过程[2]。Agent的基本结构如图1所示[3]。

图1 Agent 基本结构

从图2.1中可知，Agent主要由环境感知模块、执行模块、通讯模块、信息处理模块、决策与智能控制模块以及知识库和任务表组成。环境感知模块、执行模块和通讯模块负责与系统环境和其它Agent 进行交互，任务表为该Agent 所要完成的功能和任务。信息处理模块负责对感知和接收到的信息进行初步地加工、处理和存储，决策与智能控制模块是赋予Agent 智能的关键部件。它运用知识库中的知识对信息处理模块处理所得到的外部环境信息和其它Agent 的通讯信息进行进一步的分析、推理，为进一步的通讯或从任务表中选择适当的任务供执行模块执行做出合理的决策。

3 网络智能答疑结构框图

基于多Agent理论的网络智能答疑系统的功能如下：

（1）用户通过登陆能对学习过程中遇到的问题，运用自然语言进行提问，并可对提问方式进行选择，也可选择系统自动回答的相关参数。

（2）系统可以通过常见问题库、知识库及课件素材库中搜索答案并自动回答用户所提问题，也可以通过e-mail、BBS或留言板等方式使用户的问题得以解答。

（3）系统呈现在用户浏览器上的答案应包括两方面内容：一是多媒体形式的问题解答；二是用户应巩固复习的知识点建议、少量练习题等。

（4）系统能够自动生成和维护常见问题库（FAQ库），并保持其结构良好性，同时还应该支持专任教师用户的人工维护（增加、删除和修改等）。

多Agent系统强调从整体上对多个Agent集体行为的性质进行分析与定义，因此Agent 是能自主学习、适应环境的实体，应用基于多Agent系统的网络教学模式，能克服一般系统的局限和不足，提高了系统的智能性，达到了个性化教育和改善教学效果的目的。基于多Agent思想的智能答疑系统结构框图如图2所示。

图2 答疑系统结构框图

智能答疑系统由接口层、功能实现层和数据服务器三层体系，其中接口层由学员Agent和教师Agent通过Internet与数据服务器进行交互，其中接口可以实现学员以多种方式连接系统并且提问；；功能实现层是整个系统的应用核心，由Agent自主进行学习、自动答疑、自动交互等功能；数据服务器主要是管理用户资料和存放知识库等大型数据，并且数据库Agent可以自动生成和维护常见问题库。

客户端Agent包括学习者、教师和管理员三类用户，每类用户均通过浏览器登录系统, 经过客户端的Agent处理, 与服务器端的Agent进行联系, 并从服务器端取回相应需要的数据。功能实现层就是各个Agent实体进行通信的过程，由Agent自主进行学习、自动答疑、自动交互；数据服务器Agent在接收到学习者Agent的描述后，会自动根据提取的特征词进行数据库匹配。由于一般数据库层所包含的数据量较大，因此必须使用高效快速的搜索算法进行结果匹配，才能满足多用户同时应用的需求。

4 主要Agent设计

在网络智能答疑系统的设计中，根据网络智能答疑系统的功能，把整个系统拆分为多个Agent系统，并且对主要的Agent进行设计。

总体来看，客户端Agent除了用户的权限有区别外，其他行为模型是一致的，在系统收到客户端信息匹配后，由通信层的Agent进行信息的提取、问题分类等工作。对于人机交互界面的Agents,主要功能是对身份信息的识别和提取，首先由系统提示用户输入个人信息，然后由交互界面的Agent进行判断，如果用户信息错误，则转到提示错误界面，如果用户信息正确，则转到系统的下层界面，流程图如图3所示。

图3 Agent 登录流程

通信层Agent包括用户管理Agent，用户模型Agent，答疑Agent，教学管理Agent，答疑信息Agent等Agent组件，分别负责用户管理、用户模型匹配、用户提问处理、答疑系统维护等，以答疑Agent为例进行说明。

在答疑Agent中，用户进入提问后，系统给出提问输入界面，等待用户输入。在用于确定提出来的问题后，点击“提交问题”，此时系统的答疑Agent开始工作，工作原理如图4所示。

图 4 答疑Agent 工作原理

答疑Agent通过与外界的交互感知了解用户的输入动作，得到用户输入的问题，通过目标分解，把用户问题分解为小问题。通过数据库对问题进行匹配，提取出问题的答案等知识信息。然后在输出层对问题整合，并且最终把整合后的信息传递给用户。

5 结论

本文论述了智能答疑系统在网络教育中的重要地位，介绍了Agent系统和主要结构，分析了多Agent系统在网络答疑中的作用，对整个答疑系统的功能及其功能实现进行了论述和剖析，最后结合系统中Agent的功能，分析了Agent的设计思想和设计思路。

参考文献

[1] 绕涛，林育曼.基于Agent技术的智能答疑系统的研究与设计[J].佛山科学技术学院学报，2008.1.1

[2] 李英.多Agent系统及其在预测与智能交通系统中的应用[D].上海：华东理工大学出版社，2004

人工智能网络教育范文第2篇

【关键词】 学习风格；面向服务架构；学习风格判别组件

【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009―458x（2016）05―0064―07

一、研究背景及相关研究

学习风格（Learning Style，简称“LS”）是学习者特有的认知、情感和心理行为，作为学习者如何理解信息以及学习者在学习环境相互作用下如何反应的相对稳定的指标[1]。根据学习者不同的认知过程分为不同类型的学习风格。很多教育理论学者以及研究者对这一观点表示认同，一致认为将学习风格整合到教育中可以更好地促进学习者个性化学习。有大量的相关研究证明并支持这一观点，例如Bajraktarevic、Hall和Fullick[2]、Graf和Kinshuk[3]等。目前主要是通过人工智能相关技术来实现学习者学习风格自动侦测，例如机器学习[4]、贝叶斯网络[5][6]、神经网络[7]以及基于规则的推理[8]等。很多智能学习系统，尤其是自适应教育超媒体系统（AEHS），大多数都具备不同的LS偏向性测试功能，并通过建立LS用户模型为学习者提供更好的个性化学习服务，如Tangow 系 统[9]、Protus 系统[10]、WHURLE 系统[11]、CS383 系统[12]等都使用了Felder-Silverman模型；AES-CS系统[13]使用了FI-FD模型；INSPIRE系统[14]使用了Honey-Mumford模型。这些传统的智能学习系统在一定程度上解决了个性化学习的问题，但是这些系统的功能模块之间存在着耦合性低、重用性差、不同系统之间很难实现资源共享等问题。

大量研究表明，采用面向服务架构（SOA）技术能很好地解决传统智能系统存在的问题。Dagger对学习管理系统（LMS）的演变进行了分析，指出了传统智能学习系统存在着以上问题，肯定了下一代智能学习系统应具有互操作性和扩展性这一未来发展的趋势，并通过案例证明了SOA架构的优越性[15]。

现在，基于SOA技术设计了很多学习系统架构，试图通过SOA架构技术解决传统学习系统存在的问题。其中，Mohammed提出了使用SOA技术构建一个E-learning学习管理系统，虽然该系统没有实现个性化学习资源推送服务，但可以对外提供服务接口[16]；Cheng设计了一个可扩展的SOA E-learning系统架构，能使网络学习系统功能更完善、更灵活，但是如何实现这些服务没有进行详细设计[17]；SLO 管理系统是一个基于SOA的学习资源管理系统架构，该系统架构采用SOA技术是为了实现教学资源共享，但没有使用学习风格模型对用户进行建模[18]；孙艳提出了一种面向服务的E-learning系统架构，该系统可以实现教学设计、动态更新学习资源以及通过学习者个性特征分析提供个性化的学习指导。虽然该系统有个性化特征提取，但是并没有提到如何建立学习者个性化特征[19]。Canales提出了一个基于SOA自适应智能网络教育系统 （WBES）架构，详细介绍了用认知地图来构建学习者学习风格用户模型[20]；Yaghmaie通过SOA架构设计了一个自适应学习系统，根据学习者学习风格自动过滤学习内容，实现个性化学习内容的推介[21]；姜强设计的SOALS系统主要采用了Felder-Silverman模型，并使用学习行为来修正学习风格模型，最终实现个性化资源推送服务[22]。

现有的很多SOA 智能系统只是一个系统架构，虽然有些系统提供了学习风格判别和个性化推送功能，但是这些功能并不对外提供服务接口，导致不能实现资源共享。同时，现在的系统很多只采用了单一的LS用户模型，导致用户建模单一化和片面化，学习资源推送准确率低、效率低。此外，大部分SOA学习系统都没有建立LS用户模型，因此，这类系统不能提供个性化服务。

二、 SOALS系统架构及其服务模型

（一）SOALS系统架构

为了解决现有SOA学习系统存在的问题，基于SOA架构设计了一个智能学习系统架构（SOALS），并设计了一个学习风格判别组件（SOALS_pre），该组件采用了Felder-Silverman（简称“FS”）[23][24]和Field Independence/Field Dependence（简称“FI-FD”）[25][26]学习风格建立用户模型，使LS预测更加准确。通过对SOALS_pre组件进行封装，对外了一个学习风格服务（LstyleRMIService）。不同架构的学习系统通过绑定该服务接口可以实现学习者在不同环境下进行多模型的LS判别服务。同时，服务会把测试结果自动建立成标记的样本数据集，为LS测试服务提供样本数据资源。

该架构共有四层：第一层是资源层，第二层是组件层，第三层是服务接口层，第四层是用户表示层（如图1所示）。

资源层主要存储了各种服务所需要的资源，例如学习风格样本数据、学习行为样本数据、学习资源库（LOM标准）等。本系统通过Mysql 5.5设计了3个数据库，其中LSdata数据库主要用于存储学习风格样本数据；LCdata数据库主要用于存储学习行为样本数据；LRdata数据库主要用于存储学习资源，学习资源需要遵循LOM标准。

组件层是系统架构的核心层，也是系统的底层，它涉及组件的核心代码和对核心代码的封装。在系统中，学习风格判别组件（SOALS_pre）分别由LS组件、LS前测组件、LS维度筛选组件和LS预测组件组成。其中，LS组件提供了FS学习风格测试、FI-FD学习风格测试、LS维度筛选以及LS预测功能。LS组件要实现这些功能需要分别引用LS前测组件、LS维度筛选组件和LS预测组件。LS前测组件需要使用LSdata数据；LS维度筛选组件和LS预测组件需要使用LSdata数据和LCdata数据，如图1组件层所示。

服务接口层是SOA系统架构中最重要的一层，是服务使用者绑定和实现服务的入口。一个服务可能需要使用一个组件或者多个组件来实现其功能。同时，一个组件可以实现一个或者多个服务功能。本系统对外的LstyleRMIService学习风格服务需要使用LS组件、LS前测组件、LS筛选组件和LS预测组件来实现服务的功能，这个服务主要对外提供了三个服务接口：LS前测服务、LS维度筛选服务以及LS预测服务（如图1第三层中椭圆虚线框所示）。

表示层主要是指绑定并使用服务的各种系统。本文通过设计一个学习系统验证了服务功能具有可重用性，不同系统之间能实现资源共享。最后，对学习风格服务得到的实验结果与NBC分类器得到的实验结果进行了对比分析。

（二）SOALS_pre判别组件核心模型

1.LS前测服务模型

前测服务主要是从终端获取学习者学习风格问卷数据，并根据量化公式把问卷结果进行量化处理，最后把该量化的数据作为有标记的样本数据存储在LSdata数据库中。FS学习风格通过Solomon量化表进行学习风格计算；FI-FD学习风格通过改进的问卷调查表和量化表进行学习风格计算[27][28][29]， LS前测服务模型如图2所示。

本文使用了标准的FS问卷进行学习风格样本数据采集，该问卷的量化方式遵循Solomon量化表规则（最大数-最小数+最大数的字母），通过这种规则得到的LS结果分别是：1a、3a、5a、7a、9a、11a；1b、3b、5b、7b、9b、11b。其中，a表示学习者在某种维度上LS左边的倾向值，b表示学习者在某种维度上LS右边的倾向值，值越大表示学习风格倾向性越大。为了使学习风格结果适用于数学建模，本文将Solomon量化表的结果进行量化处理，把LS结果量化为0到1之间的小数。通过量化关系表和所罗门学习风格理论，学习风格可以通过一个四元组进行形式化表示，如公式（1）所示[30]：

其中，中的i是学习者序号，表示学习者在学习风格t维度上的取值。当取值范围为时，学习风格偏向左边的维度；当时，学习风格绝对偏向左边的维度；当取值范围为时，学习风格偏向右边的维度；当时，学习风格绝对偏向右边的维度；当时，学习风格偏向中间的维度。

FI-FD学习风格采集的方式有很多种，本文主要采用问卷调查法获取学习者LS，并将FI-FD学习风格结果进行归一化处理，量化成0到1之间的小数。通过量化关系表以及FI-FD学习风格理论，FI-FD学习风格可以通过一元组形式化表示或公式（2）：

其中，中的i是学习者序号；是i学习者学习风格维度上的偏向值。当取值范围为时，学习风格偏向左边的维度；当时，学习风格绝对倾向于左边的维度；当取值范围为时，学习风格偏向右边的维度；当时，学习风格绝对倾向于右边的维度；当时，学习风格偏向中间的维度。

2. LS维度筛选服务模型

LS维度筛选服务的主要功能是识别出学习者群体在不同学习环境下LS主导维度偏向。本模块沿用了前期工作中使用的维度筛选技术[31]，并将其封装成LS维度筛选服务（如图3所示）。

学习者的学习风格会随着学习环境的改变而发生变化，由于一种学习风格模型不能完全描述出学习者在不同学习环境中的偏向，所以本文采用了FS学习风格模型以及FI-FD认知风格模型构建了一个多模型的学习风格用户模型。为了识别出学习者群体在不同环境下的主导维度偏向，需要使用两种样本数据：一种是学习者在某一学习环境下的学习行为样本数据，另一种是学习者在多模型下学习风格抽象样本数据。通过这些抽象样本数据就能够进行多模型下学习风格维度相似度识别，实现多标签分类向单标签分类的转化[32]，从而识别出学习群体在当前学习环境下主导K维度LS偏向。

3. 学习风格预测服务模型

预测服务是对未知LS的学习者在某一环境下的学习风格偏向进行预测，其方法是把新学习者的学习行为根据主导K维度下学习行为样本进行聚类。可以采用初始化群集核心构造算法（Initialization Cluster Core Constructing Algorithm，简称“ICCCA算法”）和3-means聚类算法（如图4所示）。

（三）组件及服务接口设计

本文利用SCA规范设计了一个学习风格组件（SOALS_Pre组件），共包括4个组件。LS组件（LS_component）中有3个服务接口和3个属性；LS前测组件（FSDI_component）中有1个服务接口和1个属性；LS筛选组件（Rec_component）中有1个服务接口和3个属性；学习风格预测组件（Pre_component）中有1个服务接口和3个属性（如图5所示）。

三、实验

（一）样本数据采集

实验数据主要来自成都大学2014级和2011级本科生以及四川师范大学2014级和2011级本科生、2013级研究生计算机专业学生的学习风格样本数据和学习行为样本数据，共计320份。其中，有效样本数据298份，男生232人，女生66人，平均年龄为23岁；从学历层次来看，本科生262人，硕士研究生36人；从区域来看，成都大学136人，四川师范大学162人。

为了验证测试结果的一致性、稳定性和可靠性，在第一次采集数据后的第二周再一次对有效样本群体进行了学习风格偏向性采集，并通过SPSS软件采用了重测可信度的方法对所罗门学习风格量表中100个样本数据进行信度验证，其中重测可信度主要通过Cohen提出的Kappa系数来验证。当问卷调查Kappa系数大于0.75就可以表示重测的可信度很好。通过对学习风格的4个维度进行可信度验证，每个维度的Kappa系数分别为 active/reflective（0.881）、sensing/intuitive（0.879）、visual/verbal（0.896）、sequential/global（0.869）。通过这些结果很好地验证了该问卷的可靠性。

通过SPSS软件，使用了100个样本数据对所罗门学习风格量表的44道题进行探索性因子分析来验证问卷的效度，把取消最小系数设置为0.6，最终KMO得出的结果为0.73，说明该问卷及样本数据适合使用探索性因子分析来验证问卷的效度。该量表是目前心理学中比较成熟的量表之一，很多研究者都做过信度和效度检验，并对该量表测试的LS结果进行了肯定，如Livesay、Dee和Nauman[33]，Van Zwanenberg等[34]，Zywno[35]，Felder和 Spurlin[36]等。

本文通过对实验所使用的50个训练样本数据进行处理，得到了LS维度偏向分布图（如图6所示）。X轴分别为A-R（活跃型/沉思型）、S-I（感悟型/直觉型）、Vi-Ve（视觉型/言语型）、S-G（序列型/综合型）和FI-FD（场独立/场依存）5个维度的取值，每个维度上有三个取值分别表示LS左边偏向、LS中间偏向、LS右边偏向（从左往右）。Y轴表示每个维度上不同LS偏向的学生人数。

（二）学习风格测试与预测

1. LS前测服务

本文设计了一个学习系统并绑定LstyleRMIService服务，在实验中让一名新学习者（C201110409121）通过前测服务进行了学习风格测试，得到学习风格测试结果（如图7、图8所示）。

2. LS维度筛选服务与LS预测服务

在实验中，在学习系统中选择“Java JDK平台搭建”作为学习环境（如图9所示）。

通过对实验所使用的50个训练样本数据进行维度筛选，得到的结果发现，这些训练样本在该学习环境下的主导维度偏向是视觉型/言语型（Vi―Ve）。将当前学习者（C201110409121）和另外49个学习者群体（除训练样本数据外，对剩下的样本数据随机选取）构成一个测试学习者群体，通过调用LS预测服务对该测试学习者群的学习风格进行偏向性预测。其中，“Main dimensions：Vi―Ve”是指学习者群体的该学习环境下主导K维度偏向；“Results of LS online questionnaire（LSOQ）”是指问卷测试的结果；“Results of Prediction”是指学习者在“Java JDK平台搭建”环境下通过学习行为预测的结果。数字1-50表示了50个测试样本的序号，其中当前学习（C201110409121）的序列为7（如图10所示）。

从LSOQ结果可以看出，有19名学习者偏向于视觉型；有1名学习者偏向中间的维度；有30名学习者偏向于言语型。而这50个测试样本在“Java JDK平台搭建”学习环境下进行学习风格预测的结果显示，有35名学习者偏向于视觉型，有14名学习者偏向于言语型，有1名学习者偏向中间的维度。其中，有32名学习者样本的LSOQ结果与预测结果一致（正确为64%）（如表1所示）。

通过以上的实验结果，可以看出大部分学习者在“Java JDK平台搭建”学习环境下并没有像传统预测方法一样预测“active/reflective”维度，而通过本文的维度筛选服务预测的结果是“visual/verbal”维度，而这个维度上的预测通常比较困难，以前的预测准确率都只有50%-60%左右（样本数小于300），部分技术预测准确率只能达到40%。因此，实验结果是令人满意的。

为了更好地验证维度筛选服务和预测服务的有效性，利用朴素贝叶斯分类器（Naive Bayes Classifier，简称“NBC”）对50名学习者在不同维度上进行了分类，结果如表2所示。

通过上面的实验结果可以看出，通过NBC分类器在Vi-Ve维度上预测的结果准确率达到62.5%，可以确定当前环境下学习者群体主要偏向Vi-Ve维度，这与本文实验维度筛选结果一致，但是本文预测的优于NBC分类器的结果，准确率可以达到64%。

四、结语与展望

本文通过SOA架构技术设计了一个智能学习系统架构（SOALS）和学习风格判别组件（ SOALS_pre），并对外了一个学习风格服务（LstyleRMIService）。不同架构的系统通过绑定该服务接口，可以实现学习者在不同环境下多模型学习风格预测服务。本文通过一个学习系统对学习风格服务进行了绑定，并通过“Java JDK平台搭建”为主题（学习环境）对提供的服务功能进行验证，证明了学习风格服务的可重用性。最后，通过对比实验验证了学习风格预测的准确率优于NBC分类器。

本文设计的学习系统架构和学习风格判别组件（SOALS_pre）还存在以下问题：

第一，未能完全实现训练数据集自动动态更新；

第二，FS与FI-FD学习风格测试服务使用了同一个服务接口；

第三，学习风格用户模型太少，例如缺少Kolb等。

我们将会在未来工作中重点解决这些问题。

[参考文献]

[1] National Association of Secondary School Principals（US）. Student learning styles： Diagnosing and prescribing programs[M]. NatlAssn of Secondary School，1979.

[2] N. Barjraktarevic， W. Hall， and P. Fullick， Incorporating Learning Styles in Hypermedia Environment： Empirical Evaluation， Proceedings of the workshop on adaptive Hypermedia and Adaptive Web-Based Systems， Nottingham， UK， 2003， pp.41-52.

[3] S. Graf and Kinshuk， Providing Adaptive Courses in Learning Management Systems with Respect to Learning Styles， Proceedings of the World Conference on E-Learning in Corporate， Government， Healthcare， and Higher Education， AACE， 2007， pp. 2576-2583.

[4] Orriols-Puig， J. Casillas， and E. Bernado-Mansilla， Fuzzy-UCS： AMichigan-Style Learning Fuzzy-Classifier System for Supervised Learning， IEEE Transactions on Evolutionary Computation，13（2）， 2009.

[5] P. Garcia， A. Amandi， S. Schiaffino， and M. Campo. Evaluating Bayesian networks’precision for detecting students’learning styles[M]. Computers & Education， 2007，49：794-808.

[6] C. Carcia， G. Castillo and E. Millan. Designing a Dynamic Bayesian Network for Modeling Students’Learning Styles [M]. Proceedings of the 8th IEEE International Conference on Advanced Learning Techologies， 2008： pp.346-350.

[7] R. Zatarain-Cabada， M.L. Barron-Estrada， Viridiana Ponce Angulo， A.Jose Garcia and Carlos A. Reyes Garcia， A framework for Creating， Training， and Testing Self-Organizing Maps for Recognizing Learning Styles[M]. Proceedings of the 5th International Conference on E-learning and Games， 2010： pp. 53-64.

[8] Jeremi Z， Deved?i V. Design pattern its： Student model implementation[C]//Advanced Learning Technologies， IEEE International Conference on. IEEE Computer Society， 2004： 864-865.

[9] Paredes P， Rodriguez P. Considering Sensing-Intuitive Dimension to Exposition-Exemplification in Adaptive Sequencing[J]. Lecture Notes in Computer Science， 2002：556-559.

[10] Klasnja-Milicevic A， Vesin B， Ivanovic M， Budimac Z： E-Learning personalization based on hybrid recommendation strategy and learning style identification. Comput Educ 2011， 56：885-899.

[11] Brown E， Stewart C， Brailsford T. Adapting for Visual and Verbal Learning Styles in AEH[C]// Advanced Learning Technologies， 2006. Sixth International Conference on. IEEE， 2006：1145-1146.

[12] Carver C A， Howard R A， Lane W D. Enhancing student learning through hypermedia courseware and incorporation of student learning styles[J]. Education IEEE Transactions on， 1999， 42（1）：33-38.

[13] Triantafillou， E.， Pomportsis， A.， Georgiadou， E.： AES-CS： Adaptive Educational System based on Cognitive Styles. In： The Workshop on Adaptive System for Web-based Education， held in conjunction with AH 2002， Malaga， Spain （2002）.

[14] Papanikolaou K A， Grigoriadou M， Kornilakis H， et al. Personalizing The Interaction In A Web-Based Educational Hypermedia System： The Case Of Inspire. User Modeling And User-Adapted Interaction[J]. User Modeling and User-Adapted Interaction， 2003，13（3）：213-267.

[15] Dagger D， O'Connor A， Lawless S， et al. Service-oriented e-learning platforms： From monolithic systems to flexible services [J]. Internet Computing， IEEE， 2007，11（3）： 28-35.

[16] Jabr M A， Al-omari H K. e-Learning Management System Using Service Oriented Architecture 1[J]. 2010.

[17] Cheng Z， Huang T， NongJ.An extensible development platform for SOA-based e-learning system[C]//Computer Science and Software Engineering， 2008 International Conference on. IEEE， 2008， 5： 901-904.

[18] 李晓锋，吴产乐. 基于 SLO 与 SOA 技术构建新一代教学资源管理系统[J]. 中国电化教育， 2010，（1）：029.

[19] 孙艳，崔怀林. 面向服务的个性化 E-Learning 系统分析与设计[J]. 广东技术师范学院学报，2010，31（06）：19-22.

[20] Canales A， Pe?a A， Peredo R， et al. Adaptive and intelligent web based education system： Towards an integral architecture and framework[J]. Expert Systems with Applications， 2007， 33（4）： 1076-1089.

[21] Yaghmaie M， Bahreininejad A. A context-aware adaptive learning system using agents [J]. Expert Systems with Applications， 2011， 38（4）： 3280-3286.

[22] 姜强，赵蔚. 面向“服务”视角的自适应学习系统设计与实现[J]. 中国电化教育，2011，（2）：119-124.

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

[24] Felder R M. Matters of style [J]. ASEE prism， 1996， 6（4）： 18-23.

[25] Witkin H A， Goodenough D R. Field dependence and interpersonal behavior [J]. Psychological bulletin， 1977， 84（4）： 661.

[26] Witkin H A， Moore C A， Goodenough D R， et al. Field-dependent and field-independent cognitive styles and their educational implications[J]. Review of educational research， 1977.

[27] Maghsudi M. The Interaction Between Field Dependent/Independent Learning Styles and Learners’Linguality in Third Language Acquisition[J]. Language in India， 2007， 7（5）.

[28] Wyss R. Field independent/dependent learning styles and L2 acquisition [J].The weekly column article 102. Retrieved June 28， 2005

[29] Brown H D，吴一安. Principles of language learning and teaching[J]. 2000.

[30] 黄兴禄. 基于SOA学习风格判别组件的设计与实现[D]. 四川师范大学，2014.

[31][32] J. Yang， Z. X. Huang，Y. X. Gao， H. T. Liu， Dynamic Learning Style Prediction Method Based on a Pattern Recognition Technique， IEEE Transactions on Learning Technologies， vol. 7 no. 2， 2014， pp.165-177.

[33] Livesay， G.A.， Dee， K.C.， Nauman， E.A.， Hites， L.S.： Engineering student learning styles： a statistical analysis using Felder’s Index of Learning Styles. Presented at the Annual Conference of the American Society for Engineering Education， Montreal， Canada （June 2002）.

[34] Van Zwanenberg， N.， Wilkinson， L.J.， Anderson， A.： Felder and Silverman’s Index of Learning Styles and Honey and Mumford’s Learning Styles Questionnaire： how do they compare and do they predict academic performance？ Educational Psychology 20， 365-380 （2000）.

[35] Zywno， M.S.： A contribution to validation of score meaning for Felder-Soloman’s Index of Learning Styles. Presented at the Annual Conference of the American Society for Engineering Education， Nashville， USA （June 2003）.

[36] Felder， R.M.， Spurlin， J.： Applications， Reliability and Validity of the Index of Learning Styles. International Journal on Engineering Education 21（1）， 103-112 （2005）.

收稿日期：2015-06-01

定稿日期：2015-12-29