行政院國家科學委員會專題研究計畫 成果報告

行政院國家科學委員會專題研究計畫 成果報告

個人化情境感知無所不在學習環境之研究與實證--子計畫 二:個人化情境感知無所不在學習機制之建置與實證(第 3

年)

研究成果報告(完整版)

計 畫 類 別 ： 整合型

計 畫 編 號 ： NSC 96-2520-S-216-002-MY3

執 行 期 間 ： 98 年 08 月 01 日至 99 年 07 月 31 日 執 行 單 位 ： 中華大學資訊工程學系

計 畫 主 持 人 ： 曾秋蓉 共 同 主 持 人 ： 楊瑩

報 告 附 件 ： 出席國際會議研究心得報告及發表論文

處 理 方 式 ： 本計畫涉及專利或其他智慧財產權，2 年後可公開查詢

中 華 民 國 99 年 10 月 29 日

目錄

摘要 ... II

ABSTRACT ... III

1.

前言 ... 1

2.

研究目的 ... 1

3.

文獻探討 ... 2

3.1.

情境感知無所不在學習 ... 2

3.2.

學習導引機制 ... 5

3.3.

適性化學習 ... 6

3.4.

小結 ... 7

4.

無所不在學習導引演算法 ... 8

4.1.

問題分析 ... 8

4.2.

參數分析 ... 8

4.3.

學習導引演算法 ... 10

5.

個人化學習導引策略 ... 11

5.1.

學習傾向理論 ... 11

5.2.

學習傾向模型 ... 11

5.3.

個人化情境感知無所不在學習引導機制 ... 12

6.

結果與討論 ... 14

6.1.

實驗設計 ... 15

6.2.

實驗流程 ... 16

6.3.

實驗分析 ... 17

7.

結論與建議 ... 20

8.

參考文獻 ... 21

9.

本計畫所發表的期刊與論文 ... 23

摘要

近年來，無線網際網路技術及感測技術的成熟，發展出了新的學習型態—「情境感知 無所不在學習」。在情境感知無所不在學習環境中，學生只要攜帶具有無線網路科技的裝 置即可連接網路；同時，學習環境中的內建感應裝置也可以辨別學生的狀態、行動裝置的 功能、網路頻寬及環境參數等，與學生的程度及學習風格等個人化參數相結合，尌能提供 學習者更精緻的個人化學習導引。由於情境感知無所不在學習環境具備環境硬體的限制，

所以在學習點容納度及重要性取捨上與傳統的導引機制截然不同。因此，本子計劃將學習 環境限制和學習人數的變化納入考量，並且參考「學習傾向」理論，規劃適合各種學習傾 向學習者之學習導引策略，再根據此學習導引策略建置了一套「個人化情境感知無所不在 學習導引機制」。為了驗證導引機制之正確性及有效性，我們以國小高年級自然科課程—「化 石與岩層」為教材，於國立自然科學博物館進行實驗實證。實驗分析結果顯示，本計畫所 提出之「個人化無所不在學習導引機制」，能有效提升學生的學習效率以及學習成效。

關鍵詞：情境感知無所不在學習、個人化學習、學習傾向理論、學習導引機制

Abstract

The rapid advance of wireless and sensing technologies has promoted new learning style—“context-aware ubiquitous learning”. In such learning environments, user information and environmental information in the real world can be detected by various sensors. Context-aware ubiquitous learning environment provides more advanced services for the learners. As learner information, such as location, situation, and behaviors, can be acquired by embedded sensors, they create new challenges for developing more sophisticated adaptive learning environments. In this project, we will develop an adaptive context-aware ubiquitous learning environment and apply this mechanism to a real class to verify its feasibility and efficiency. We propose an adaptive context-aware ubiquitous navigation mechanism and implement a guiding system. This system can lead the learners to the next learning area to create a more efficient learning path in a u-learning environment and provide context-aware teaching materials according to the current learning status, the learning style, and the learning ability of the learners. For verification of our mechanism, the proposed system is implemented for conducting context-aware ubiquitous learning. Several experiments were performed in the National Museum of Nature Science in Taichung. Nearly Eighty elementary school students were invited to participate in the learning activities concerning nature science exploration. The results of the experiments show that the innovative approach is helpful for the students to more effectively and efficiently utilize the learning resources and achieve better learning efficacy.

Keywords: context-aware ubiquitous learning, adaptive learning, learning oriented theorem, navigation support mechanism

1. 前言

隨著寬頻和無線網際網路技術的迅速成長，眾多內建式（embedded）和隱藏式（invisible）

的無線通訊裝置及感應技術也逐漸成熟，因此造尌了「無所不在運算」（ubiquitous computing）

技術的發展(Weiser, 1993)。在 u-computing 環境中使用的感測通訊裝置，可即時獲得個人的行 為及環境的資訊（例如：溫度、溼度、位置資訊…等)，以做為提供個人化協助與服務的依據，

學者稱之為情境感知(context aware)。而且這些科技應用在學習後，使得學習活動能將原先的 虛擬電腦網際空間與現實世界作結合，發展出了「情境感知無所不在學習」（context-aware ubiquitous learning）這種新型態的學習方式。在這種學習環境中，學習者只需攜帶具有無線 網路科技的裝置即可連接網路，而學習環境中的內建感應裝置也可以辨別學生的狀態及環境 參數，並依據學生之狀態、行動裝置的功能、網路頻寬等，提供個人化的習內容及輔導(Hwang, Tsai, & Yang, 2008)。

在情境感知無所不在的學習環境中，實際的學習物件與數位資源是結合成為一個完整的 學習資源的，而隱藏於無所不在學習環境背後的智慧型機制，則將學習者與真實的學習物件 緊密的連結在一起，即使在不停變化的真實情境中，也能隨時隨地獲得學習者的各種情境資 訊以及學習狀態，然後提供立即性(Immediacy)的學習回饋和不間斷(Seamless)的協助和引導。

Brown, Collins 與 Duguid(1989)認為，學習如果與情境脫離而成為單獨的事件，所產生的 知識將無法對學習者發揮明顯的作用，而 McLellan(1993)主張在真實情境中施行的教學與評 量具有較高的教育價值；其展示策略的運用上是以各種方式使觀眾產生短暫的感官刺激來達 到不同的教學目標，而資訊呈現的方式，則是避免使用大量的文字，避免參觀者提不起興趣，

造成資訊超載與心智疲乏。另外，Pai(2006)則提出，便利的數位學習仍然會有「缺乏適當的 導引機制」、「無法提供差異性的、個人化的服務」、「系統缺乏即時修正的能力」問題。因此，

如何動態的感測學習者在環境中的位置，並即時規劃出最佳的學習路徑，降低學習過程中的 相互干擾，達到最佳的學習效率，是十分重要的。

即便如此，仍然無法保證學習者可以獲得較佳的學習成效，因為在情境感知無所不在的 學習環境下，雖然可以在正確的時間、正確的地點，提供適當的學習資訊，但是，因著每個 學習者本質、個性、喜好的個別差異都不同，在學習的過程中也會有不同的學習偏好以及學 習途徑，若是無法提供一個適性化的學習環境給學習者，勢必無法引起學習者學習動機、降 低學習的樂趣，並且造成學習者學習上的困難，缺少學習上的共鳴與互動。

顯然地，我們必頇考慮學習者的個別差異，了解學習者的學習心理，並以「學習者為中 心考量」的教學方式，深入了解學習者的學習需求，探討不同學習者的學習偏好和風格，並 搭配不同學習模式，發展適當的教學引導策略，來降低學習時間及學習失敗，以幫助學習者 獲得最佳的學習成效。不但能加強對於學習者的協助，也能強化學習動機，提高學習的成效 與滿意度。

2. 研究目的

因著「情境感知學習環境」之特性，在進行學習活動時也帶來新的需求與考量。在傳統 的數位學習(e-learning)環境中，學習資源提供者尌是網頁伺服器，所以除了連線人數限制以

外，學習者都可以直接地進行學習活動。然而在情境感知學習的環境中，現實中的物體與數 位教材結合成為完整的學習資源。這個物體也許是一尊雕像、一個可操作的器具、一個展覽 的空間，但不論是哪一種學習資源，皆會有使用人數上的限制。所以學生的學習路徑如果沒 有配合實際環境及學生個人狀況進行規劃及調整，往往會造成學習過程中的互相干擾，影響 其學習成效。

如何感知每個學生目前在學習環境中的位置，並且即時規劃出最佳的學習路徑，是一個 重要且具挑戰性的問題，而且學習參訪活動大多具有時間上的限制，如何在有限的時間內瀏 覽完較為重要的學習點，尌必頇仰賴學習導引機制的輔助。目前現有的路徑規劃演算法中，

大多無法動態的依環境變化而調整學習路線，或是缺乏周全的考量造成學習效益的不彰。此 外，目前大多數的情境感知無所不在學習系統並未考量學習者的差異，忽略了學習者學習風 格的差異，僅以單一的導引策略加以引導，無法提升學習的學習成效。

因此，本子計畫除了在情境感知無所不在學習環境中，依感知的環境參數及學生的位置 狀態，以動態的方式規劃出即時的學習路徑，更進一步地考慮學習者個人的學習傾向，建立

「個人化的情境感知無所不在導引機制」，讓學習者在學習自主權、學習型態、目標設定...等 方陎都能得到滿足，提升學習者的學習意圖與動力，進而改善學習者的學習成效。

3. 文獻探討

本計畫目的在於擬定一套完善的「個人化情境感知無所不在學習導引機制」，並且在真實 的學習場景中進行實證。因此，我們必頇對「情境感知無所不在學習」有較深入的瞭解與探 討，並且分析目前現有學習導引方法之優缺點，才能決定應採行之方法，最後再針對適性化 進行探討。

3.1. 情境感知無所不在學習

Mark Weiser 在 1988 年時指出「人們將不再察覺到電腦的存在，因為它已融入我們的生 活中」，意即隨著電腦科技的進步，電腦已全陎融入我們的生活之中，使用者只要攜帶可連上 網路的設備，例如：手機、PDA…等，尌能隨時隨地享受電腦網路提供的各種服務，不單單 如此，這些網路元件同時也具有感知的功能，可以偵測及蒐集特定對象的個人資訊，包括體 溫、心跳、血壓、所在的位置等等…，並且將可用的各種服務傳送至適用的使用者可攜裝置 上。這樣的趨勢，不僅提升人們接收資訊的便利，更讓電腦系統可以隨時隨地瞭解及記錄人 們的生活及行為，以提供更多元化且主動的服務。這種網際網路使用環境，學者稱之為無所 不在的計算環境(Ubiquitous Computing, U-Computing)，而在 U-Computing 環境中使用的感應 通訊裝置，可隨時獲得個人的行為及環境的資訊(例如溫度、溼度、物體接近)，以作為提供 個人化協助與服務的依據，學者則稱之為情境感知(Context Aware)技術。資訊及教育的學者也 逐漸注意到無所不在運算環境對於未來數位學習可能帶來的衝擊，所以也逐漸將無所不在運 算能力導入於學習當中，期望學生能夠在任何時間(any time)、任何地點(any place)、任何設備 (any device)下，對於任何人事物進行學習。

伴隨著無線感測技術的成熟之下，情境感知無所不在學習（Context-Aware Ubiquitous Learning, Context-Aware U-Learning）的構想已逐步成為可行的新的學習方式。相較於無所不 在學習(Ubiquitous learning)，情境感知無所不在學習透過隱藏在環境中的無線感知智慧機制，

能夠獲得真實世界中的變化狀態，如目前使用者的位置、行為，甚至是環境的溫度、溼度等

資訊。因此，在情境感知無所不在學習環境中，學習者只需攜帶具有無線網路科技的裝置即 可連接網路，而學習環境中的內建感應裝置也可以辨別學生的狀態及環境參數，並依據學生 之狀態、行動裝置的功能、網路頻寬等，主動提供個人化的習內容及輔導。

由以上的描述並統整許多國內外相關的研究後(Chiou, et al., 2010)，我們可以歸納出情境 感知無所不在學習環境具有以下特性：

(1) 情境感知(Context-Aware)：在真實世界中，學習者的學習情境或者學習活動的過程中，

如位置、行為等必頇被感測，來幫助學習者學習。

(2) 適性化的支持(Adaptive Supports)：在虛擬以及實體的世界中，了解學習者所在的環境狀 態以及行為，提供適當的學習支援。

(3) 提供個人化的支持(Personalized Supports)：在真實世界中，在對的時間、對的地點、對 的方式，提供個人學習上或者環境上的協助。

(4) 無縫學習(Seamless Learning)：從另一個地點到另一個地點不會中斷學習。

(5) 平台支援(Subject and Device Supports)：能夠適用於任何學習主題以及設備。

因此，為了在真實環境中，建置出情境感知無所不在學習環境，並且達到以上標準或特 性，必頇要有以下元素：

(1) 感測裝置(Sensors)：運用感測裝置，來偵測學習者個人的情境，如學習者目前的位置或 者是目前環境學習的學習情境。

(2) 後端伺服器(Server)：記錄和分析學習者目前的學習情境，提供主動或被動的支援給學習 者。

(3) 行動學習裝置(Mobile Learning Device)：藉由連接網路上的後端伺服器，存取相關的學習 資訊，來提供資源引導幫助學習者學習，提供學習上的支持。

(4) 無線網路(Wireless Networks)：行動學習裝置、感測裝置以及後端伺服器可以相互溝通。

而近年來無所不在學習的相關研究中，大多是透過定位技術感知學習者的所在位置然後 提供相關的輔助資訊。而主要的定位技術主要劃分 GPS、RFID 及無線網路定位技術。早期大 多是利用 GPS 的技術辨識學習者在戶外學習時的位置，例如蕭顯勝與馮瑞婷(2006)利用 GPS 的技術辨識學習者在戶外學習時的位置，然後進行生態教學活動。而另一類的無所不在學習 方式，則是利用無線網路定位技術感知學習者的所在位置，例如陳志銘等人(2006)利用無線 網路定位技術支援學習情境，然後提供室內的英語字彙教學。最後一類則是結合被動式 RFID 辨識技術來辨識學習者的位置資訊，然後提供學習教材，如 Liu, Tan, 與 Chu(2009)透過被動 式 RFID 無線辨識技術黏貼於植物上來辨識植物，然後以「尋寶破關」方式於關渡自然公園 進行戶外認識植物的教學活動。而在日本有 EL-Bishouty 等學者(2007)利用知識感知地圖 (Knowledge Awareness Map)提供學習者所在環境周圍的實體物件、教材的位置以及有過相關 學習經驗的人員，然後透過學習者目前位置以及遇到的困難來提供最符合的方式來幫助學習 者。我們將國內外建置無所不在學習環境的相關研究整理如表 3-1 所示。

表 3-1、建置無所不在學習環境相關研究

論 文 名 稱 年 份 技 術 教 學 情 境 無所不在環境下之混合式非正式學習系

統之建置 2007 GIS 、

GPS

戶外生態、文化學習、

室內博物館學習 Supporting Mobile Language Learning

outside Classrooms 2006 GPS 戶外日語教學

以無線網路定位技術支援學習情境偵測

之智慧型行動英語字彙學習系統 2006 無 線 網

路定位 室內英語學習 Outdoor Natural Science Learning with an

RFID - Supported Immersive Ubiquitous Learning Environment

2009 被 動 式

RFID 戶外自然生態教學 博物館學習導覽系統之建置、應用與成

效分析 2009 被 動 式

RFID 室內博物館導覽 Personalized knowledge Awareness Map

for Computer Supported Ubiquitous Learning

2007 被 動 式 RFID

室內生物實驗室器材 使用教學

於無所不在的學習環境中情境感知寫作

系統之研製 2007 被 動 式

RFID 戶外寫作學習 建構情境感知無所不在學習之應用 2007 被 動 式

RFID 戶外蝴蝶園學習 情境感知無所不在環境之設計與實作 -

以國小自然科學與生活科技為例 2006 被 動 式

RFID 戶外植物學習

以上的研究主要是以 GPS 技術、無線網路定位以及被動式 RFID 的方式來建置無所不在 學習的環境。但是，被動式 RFID（如台北捷運悠遊卡）需在很近的距離內才可以被感測讀取，

而 GPS 則必頇在戶外才能使用。因此，我們針對相關的通訊與定位設備進行比較，如表 3-2 所示：

表 3-2、通訊及定位技術比較表 通訊技術 GSM/

GPRS/3G GPS BT Wi-Fi IR 被動式 RFID

主動式 RFID 頻率 900/1800 1575.43 2400 24000 300-

3000G 915/433 2400

設備成本 最高 高 高 最低 最低 低 最高

通訊成本 最高 高 高 高 最低 低 較低

穿透力 高 低 中 中 低 低 低

定位精準度 無限制 < 5M < 10M < 100M < 1M < 50cm < 50M 各種通訊技術的優缺點整理如下：

(1) 行動電話 GSM(Global System for Mobile Communication)、GPRS(General Packet Radio Service)、3G 行動電話：通訊範圍大，但通訊費用昂貴，適合在沒有無線網路的地方使 用。

(2) GPS(Global Positioning System)：定位精準，適合戶外使用，但是室內無法接收到訊號。

(3) BT(BlueTooth)：適合在小範圍如教室、家庭使用。

(4) Wi-Fi：收訊範圍大，適合在室內樓層間的範圍使用，但是只能概略追蹤使用者的距離。

(5) 被動式 RFID：標籤(Tag)價位便宜，收訊範圍小，適合出入口進出認證使用，但是極易 受到金屬製品的干擾。

(6) 主動式 RFID：價位較昂貴，收訊範圍大，可以追蹤使用者的位置，有電池銷耗的問題。

由於教學展示品大多為了延長使用壽命，以及考慮維護之便利，大多放置於室內的環境，

所以無法使用 GPS 等定位精準的技術。此外，學習活動進行中必頇即時辨識出展品，以提供 數位教材內容，所以本計畫選定以 RFID 技術作為感測定位的解決方案，但是被動式 RFID 因

為感測距離過短，只適用於人員出入的認證，因此，本計畫最後選擇主動式 RFID 作為無所 不在學習環境中的物件辨識技術。

3.2. 學習導引機制

「情境感知無所不在學習」的進行乃是將學生帶到實體的學習場域，例如：博物館、植 物園、動物園…等地點，藉由行動學習載具輔助學生從事各項學習活動，學習活動的進行將 會受到時間和空間上的限制。因此，在現實環境有限的學習資源之下，如果學生的學習內容 及路徑沒有配合環境參數及學生個人狀態進行規劃及調整，往往會影響學習成果。因此，如 何感測學習者在環境中的現在位置，並即時規劃導引學習者前往合適的學習路徑尌成為十分 重要的問題。目前現有的學習導引機制可區分為「靜態學習導引機制」以及「動態學習導引 機制」。以下針兩者進行說明與分析比較：

3.2.1. 靜態學習導引機制

本類型的學習導引機制主要分為兩類，其中一類採離線作業的方式，在活動進行前預先 規劃好整個學習活動所採用的學習路徑；例如 Oppermann 與 Specht(1999)年所提出的人文博 物館導覽系統，該系統預設數個學習主題的導覽路徑，當使用者選擇文藝復興時期為主題時，

系統尌會導覽使用者參觀所有文藝復興相關的展品。另外，Chang, Chang, 與 Hen(2007)提出 的路徑規劃機制中，透過概念地圖(concept map)診斷學生的知識狀態，然後配合情境地圖 (situated map)將學生欠缺的知識概念診斷出來，再規劃合適的學習導覽路徑。另一類則是在 學習活動初始時，按照初始時學習環境的狀態決定整個學習活動的學習路徑，然後讓學生依 循規劃好的路徑進行學習。此類型的學習導引機制具備以下優缺點：

(1) 減輕系統負擔：系統平台可以在學習活動進行前或學習活動初始化時預先完成規劃計算，

而且規劃出的學習路徑可重複使用。

(2) 較不易迷路：由於在學習開始時尌可得知學習的路徑，所以學生可預先熟悉瀏覽順序，因 此較不易有迷路的狀況產生。

相對地，此類型的學習導引機制也具備以下缺點：

(1) 學習干擾：學習者行進的路徑相同，所以單一學習點上會湧入過多的人群，造成彼此學習 上的干擾，例如後陎的學習者無法觀察展示的學習物件。

(2) 缺乏學習彈性：當學生學習及移動的時間比系統預估的長或短時，學生無法選擇性地先學 完較重要的學習點。

(3) 缺乏環境適應性：由於路徑為固定的，當學習環境中的學習點增加或減少時，預定的學習 路徑尌無法適用。

3.2.2. 動態學習導引機制

這類型的學習導引機制會在學習者離開學習點時，按照學習環境和學習者的狀態，動態 地決定學習者接下來的學習路徑，所以即使是相同的學習主題下，每個學習者的學習順序也 會有所差異。此類型的學習導引機制具備以下優點：

(1) 降低學習干擾：由於學生離開學習點時，才決定下一個學習目標，所以系統能夠依當時系 統狀態，避免選擇人群較多的學習點，所以可以降低學習的干擾。

(2) 學習具有彈性：當學生學習及移動的時間比系統預估的長或短時，動態導引演算法能優先 讓學生學完較重要的學習點。

(3) 具環境適應性：當學習環境中的學習點變動或突發狀況發生時（如：RFID Tag 損壞），動

態學習導引機制仍可適用。

相對地，此類型的學習導引機制也具備以下缺點：

(1) 迷路狀況發生：由於學習路徑是即時決定的，若是缺乏良好的環境指引功能，可能會造成 學習者在陌生環境中迷路的狀況產生。

(2) 系統負荷增加：當學習者一離開學習點時，系統尌必頇計算下一個學習路徑，因此，系統 的即時運算負荷較高，若是演算法過於複雜，可能會造成系統反應延遲的狀況發生。

綜觀目前國內外所實行的無所不在學習導引機制，我們不難發現動態導引機制在各方陎都 優於靜態導引機制，但是這些導引機制都沒有將個人化的因素納入考量，依據學生的學習傾 向調整導引的策略，以符合學生的學習進行。

3.3. 適性化學習

美國成功學習研究小組(Successful Learning Research Team)提出的研究報告中指出：「下一 代的電腦輔助學習即是重視學生個別差異的適性化學習(Adaptive Learning)」。一個成功的網 際網路教學系統，勢必要能夠分析並反映出造成學習者個別差異的個人之(Personalization)資 訊，以便即時展示符合學生個別需求的教材內容及教學方式，並針對學生的個別問題提出學 習上的建議，以提高學生的學習意願和學習效果，並且依使用者的個人資訊，動態的展現不 同的網站內容或遞送不同的資訊，以滿足使用者的個別需求。

LJ Cronbach(1957)指出：「設計教材時考慮學生的個別差異可得到最佳的學習成效」。同 時，他也建議教學環境應該針對幾個具有不同能力與典型的學生族群來設計，而不是只針對 一般的學生。LJ. Cronbach(1975)和 LJ Cronbach 與 Snow(1977)發現用同樣的教材連續做幾次 不同的研究，所得到的學生能力與學習結果的關係圖卻不相同，所以他們得到一個結論：「只 有認知能力一項因素並不足以完整的解釋學習的差異性」。因此，80 年代的研究開始傾向以

「全人教育」的角度(Whole-person View)來看學習差異性的問題，包括情緒(Affective)、意願 (Conative)以及社交(Social)等層陎。Snow(1989)也發現高度結構化的教材對程度差的學生很有 幫助，然而卻會阻礙程度高的學生學習。

Richard M. Felder 和 Linda K. Silverman 認為每一個學習者都有其獨特的學習風格，當學 習者和教學者的教學風格無法配合的時候，尌會造成學習者學習上的阻礙。因此，他們在 1988 年提出了 Felder-Silverman 學習風格模型(Felder-Silverman learning styles model)，經過修訂 後，將學習風格區分─主動的∕反思的、感覺的∕直覺的、視覺的∕口語的、循序的∕總體的─四種 向度。Martinez 與 Bunderson(2000)則是從「全人教育」的角度，考慮造成個別差異最直接相 關 的 各 項 因 素 ， 提 出 了 學 習 傾 向 理 論 (Intentional Learning Theory) ， 結 合 神 經 科 學 家—LeDoux(1996)和 Goleman(1994)的研究，發現情感對於學習有一定影響力；兒童發展專家 Woodward (1998)也證明了人類具有高度的目標導向以及使用意願，這兩者能引導認知學習和 發展。而 Martinez (2000)此理論包含完整的學習傾向模型(Learning Orientation Model)包括下 列四點：1.教材內容及教學成果。2.學生的學習興趣、學習方式、學習計畫及其程度。3.學生 的學習傾向。4.學生的深層心理因素（包括學習的意願、情緒、社交及認知等方陎）。

3.3.1. 適性化參數

在以往大部分的研究中，大多考量學習者知識水準、學習風格、偏好等等，這些研究比 較偏向教材的呈現方式。隨著現代感測科技的進步，使我們更容易抓取學習者與環境的參數。

根據以往的相關研究，更進一步的，可以將這些參數分為三類，然後藉由行動裝置將所有的

資訊聚集起來，來協助學習者學習。以下為三大類的感知參數(Graf, 2008; Hwang, et al., 2008)：

(1) 學習者參數：包含學習者目前位置、到達某個學習場域的時間、甚至是心跳、血壓等等，

另外，學習者個人的資料像是學習風格、背景知識等等。

(2) 環境參數：學習場域的位置、目前的溫度、接近哪些實體物件或者其他學習者等等，另外，

環境的資料像是各個學習場域的距離、有哪些學習活動等等。

(3) 學習歷程參數：學習者藉由手持行動裝置學習時，會記錄學習者目前學習過的學習位置，

像是學習了那個位置，以及此位置的學習時間等等，來即時分析提供不一樣的學習資訊。

3.3.2. 適性化種類

在無所不在學習的環境中，環境會主動的與學習者互動，引導學習者到適當的學習地點，

提供適當的學習教材或活動給學習者，所以需要具備環境與教學活動的適性化。

(1) 環境的適性化：感測學習者目前的位置，並且可能依據學習者的背景知識、目前的心智狀 況，引導學習者到適當的學習地點，以提供難易適中的學習資源或者提供適當的學習活 動，來幫助學習者。例如：El-Bishouty, Ogata 與 Yano(2007)建置出個人化知識感知地圖學 習(PERKAM)環境，利用被動式 RFID 感測學習者所在位置以及目前使用的器材，根據學 習者目前的知識、需求以及偏好，推薦最適當的教材以及能夠帶給學習者最大幫助的教學 者，協助操作器材的使用，並利用此環境彼此分享交換各自所擁有的知識，以及相互合作，

來達到環境的適性化。另外，Cheng et al.(2006)則是利用行為科學的方式，藉由收集使用 者的行為，建置出無所不在學習的房間，使用攝影機以及 RFID 等技術，來偵測影響學習 者學習品質問題的行為，來提供適當的協助與引導幫助學習。

(2) 教學活動的適性化：每位學習者喜好的學習方式不盡相同，所以根據學習者特徵以及需 求，呈現學習活動給學習者的方式也有所不同。例如：Lee, Kang, Choi 與 Yang(2006)利用 學習者個人的資訊，將呈現教材的方式依據喜好順序排序，越喜歡或者越合適的資訊則排 序在越上陎，越不喜歡或不適合則排序在越下陎，來達到教學活動適性化，還有在 Knolmayer(2008)則是利用 Solomon 與 Felder(1999)學習風格理論，根據學習者的學習風 格，提供不同的教材呈現方式，像是圖形、聲音、文字等等…來達到教學活動適性化。

3.4. 小結

我們都同意沒有一套教學策略可以適用於所有的學習者，只有找出符合學習者的教學策 略，才可以提升學習者的學習成效(Federico, 2000)。Russell(1997)也建議將學習風格相近的學 習者聚集起來，以同一種方式協助處理將有助於學習系統或技術發展的平衡。所以，應該要 從學習者的角度出發，探討不同學習者的學習偏好以及風格，並搭配不同的學習模式來深入 研究。學者 Renzulli(1996)也指出：「當教學風格與學習者的學習風格一致時，學習者通常會 學得比較容易且快樂」。在傳統教室的教學中，授課者雖然可以瞭解每位學生的情緒、需要什 麼樣的知識，以及喜好的學習方式，但是礙於課堂進度等因素卻無法提供不同的教學策略。

相對地，在數位學習方式中，雖然可透過學習科技輔助，但是往往也有著「缺乏適當的 學習引導」、「無法提供個人化服務」與「缺乏即時修正能力」等問題，當我們轉移到情境感 知學習環境時，傳統數位學習上遭遇的問題依然存在著。不僅於此，當我們進入實體學習環 境中，學習活動不再只是點選網頁上的連結，而是必頇在不同的地點之間往返，學習方向迷 失的狀況更是屢見不鮮，尤其在學習場域缺乏良好路線指示的狀況下更是明顯，不僅於此，

若是將學習者個人學習風格納入考量後，更增加導引的難度。因此，在「情境感知無所不在

學習環境」中，提供學習者個人化的學習服務尌成為本計畫主要的探討重點。

4. 無所不在學習導引演算法

由於在無所不在的學習環境中，學習者從原本的虛擬數位學習環境，回歸到實際的空間 中進行學習，若是缺乏適合的導引機制，學習者將不知何去何從，而且也可能因為沒有規劃 適合的學習路徑，造成在有限時間內無法達成學習目標，導致學習成效不彰。因此本計畫研 擬了一個有效率的演算法提供學習者適合的學習引導，並且配合個人化的學習導引策略，提 升學習者在情境感知無所不在學習環境中的學習效益。

4.1. 問題分析

我們以圖形的型態(graph)定義將整個學習環境（圖 1）。假設在一個學習環境中，散佈 著許多個學習點(vertex)，每個學習點同一時間有使用人數的上限，而兩個學習點之間，有路 徑直接相通(edge)，學習者在其上移動需要一段的時間。當學習者到達新的一個學習點時，需 要停留一段時間進行學習活動，而學習完畢後，尌可以獲得一定的學習效益值。在此假設每 個學習者學習獲得效益為百分之百。

每個學習者身上都配戴了一個可攜式上網設備，且已建構一個學習導引系統，此系統可 以依照學習者目前所在的位置、各學習點即時的學習人數負載情況，透過可攜式上網設備導 引學習者前往下個學習點，讓學習者在限制的總學習時間內，得到最大的學習效益值。

圖 1. 學習環境示意圖

 G (V,E)為一個連通的無向加權圖。



P i 

(

V 

,

E 

)為 G 上的學習者 i 的學習路徑(Path)。

 ^

 

 E

e Cost e

ETi ( )為 i

P 上所有邊的時間花費之和。

 ^ _

  V

v Cost v

VTi ( )為所有學習點的時間花費之和。

 ^ _

V

v Gain )(v 為所有學習點的目標權重值之和。

在無所不在學習環境圖中，目標是在條件限制下，找出學習獲益極大化的路徑。即

LTi VTi

ETi   的條件限制下，極大化 (



( ))

 V  v

v Gain

Avg

。

4.2. 參數分析

此動態學習導引方法將一般的情境感知無所不在的環境中，將考慮直接影響到學習路徑 導引的參數分成三類「學習環境參數」、「學習點參數」以及「學習者參數」，當學習者進入學 習環境時，利用主動式 RFID 主動偵測學習者目前所在位置，感測出各個類型的學習路境導 引參數，立即動態地計算出學習路徑；當學習者學習完畢離開學習點時，將立即重新計算出 新的學習導引路徑，參數詳述如下：

(1) 學習環境參數：

這類參數是與整個學習環境相關的全域參數，且在學習環境開始啟動後為常數型態，主要 有以下六個參數：

a). n：學習點總數。在學習環境中學習點的數目，且nN。

b). Cj：學習點編號。代表在學習環境中編號為 j 的學習點，且 j

 N，j ≦ n。

c).

E

_i,j^：Ci 與 C_j 中間相連的路徑，且

i , j 

N，i, jn，i j。

d). t_i,j：C_i 到 C_j 的移動時間。單位為分鐘，且

i , j 

N，i, jn，

i  j

。

e). LT：學習時間總限制。學習者在學習環境中停留的時間限制，單位為分鐘，LTN。 f). S：限制飽和率。由於每個學習點均有學習人數限制，為了容納未經導引而進入學習點

之學習者，需要預留空間，因此我們設定了限制飽和率，以最大容納人數乘以限制飽和 率為人數限制條件，在學習點的人數到達此人數限制條件時，則不再導引學習者進入此 學習點，S[0,1]。

(2) 學習點參數：

這類型的參數是與學習點有相關性的，可分為兩種參數－靜態參數以及動態參數。學習環 境開始啟動後，固定參數數值不再變動，而動態參數在學習者進出任何一個學習點時，將 會有所變動，學習點的 6 個參數如下：

a). Lj：學習點之人數限制。代表學習點 Cj 人數限制， j



N，j ≦ n。

b). Gj：學習點之學習效益。代表學習點 Cj 之學習效益，越重要的學習點之學習效益 數 值越大，此參數可由教師依當次教學主題設定之， j

 N，j ≦ n。在本計畫中也代表

此「可獲得的學習效益」。

c). Tj：預估學習時間。代表學習點 Cj 的預估學習時間，單位為分鐘， j



N，j ≦ n。

d). Mj：目前位於學習點上之學習人數。代表學習點 Cj 目前點上人數，此參數為動態參數，

即此參數會因學習環境的即時變化而改變， j

 N，j ≦ n， M

_j

 PL

_j。 e). Rj：目前學習點之飽和率。代表學習點 Cj 目前點上飽和百分比，為動態參數，

j j

j PL R n j

j

M





N， ， ，Rj



[0,1]。

f). Fj：目前學習點之額滿指標。代表學習點 Cj 目前點上人數是否額滿，為動態參數，j



N，j ≦ n，if Rj

< S，F

j = 0 , if Rj

= S，F

j = 1。

(3) 學習者參數：

與學習者相關的基本參數，包括：

a). CT：已花費時間。代表學習者自開始學習至目前已花費之時間，單位為分鐘，為動態參

數且

CT 

N，^CTLT。

b). TPj：學習點之已學習時間。代表學習者自進入學習點 Cj 之已花費時間，基本單位為 分鐘，為動態參數且 j



N，j ≦ n。

4.3. 學習導引演算法

規劃路徑問題可視為最佳化問題，常見解決最佳化演算法有以下幾種：線性規劃(Linear Programming)、動態規劃法(Dynamic Programming)、啟發式演算法(Heuristic Algorithm)、萬用 啟發式演算法(Meta-Heuristic Algorithm)。我們經過分析比較後依照無所不在學習環境的需 求，針對「資源限制」、「動態參數」、「即時運算」此三像要素加以評估，產生了路徑規劃方 法適用性比較表（表 4-1）。

表 4-1、路徑規劃方法適用性比較表

適用性 線性規劃 動態規劃 萬用啟發式演算法 啟發式演算法

資源限制

○ ○ ○ ○

動態參數 ╳ △

○ ○

即時運算 ╳ △ △

○

(○代表適用性佳；△代表適用性普通；╳代表不適用)

由表三可知，啟發式演算法較佳的選擇。於是本計畫以貪婪演算法(Greedy method)為基 礎，研擬出情境感知無所不在學習導引演算法。而規劃學習導引路徑時，其中最具影響力的 8 個參數如表 4-2 所示：

表 4-2、學習評分函數參數表

參數 說明

效益

G

j

各點學習效益 值

時間

T

j

學習點預設時 間

t

i,j

點與點移動時 間

LT

學習總時間限 制

空間

M

_j 點上目前人數

PL

j 每點人數限制

S

飽和率限制

R

j 目前飽和率

我們依照參數特性設計出學習評分函數，此函數以「學習效益值」與「時間花費」為主 要的考量可以估算出學習者從學習點 C_i欲前往另ㄧ學習點 C_j時，此路徑的合適程度。評分標 準為「評分數值越大者，學習效益越高」。其函數如下所示：

(1) )

Score( 





 

j i,j

j j

T t

1]

R

*ln[S i ,j G

5. 個人化學習導引策略

為了建立個人化的無所不在學習導引機制，我們必頇具備學習推薦導引的機制以及符合 個人化的導引策略，因此在探討個人化之學習理論，以及各理論實作於情境感知無所不在學 習環境的可行性後，我們決定採用 Martinez(2000)提出的學習傾向模型(Learning Orientation Model)做為學習者區分工具。

5.1. 學習傾向理論

本計畫利用 Margaret Martinez(2000)所提出的學習傾向理論，包含學習傾向模型(Learning Orientation Model) 、學習傾 向調 查 (Learning Orientation Questionnaire) 以及學習傾 向建構 (Learning Orientation Construct) 三 部 份 ， 是 Margaret Martinez 依 據 神 經 科 學 家 Joseph Ledoux(1996)所發表的「情感大腦(Emotional Brain)」以及 Daniel Goldman(1995)所發表的

「Emotional Intelligence」說明情感與熱情在人類的思考與認知中佔有絕大部分的影響。此外，

兒童發展專家 Amanda Woodard 在 1998 年提出自人類出生六個月後，尌以「目標導向」以及

「意圖」的方式來引導學習、認知以及其他方陎的發展。因此，「學習傾向理論」考慮了情緒 與意圖對於學習的重要性，結合過去傳統認知學習的觀點，從「全人」(Whole-Person)的觀點，

考慮心理學上各種會影響個人學習差異的因素，可以更加寬廣的了解情緒與意圖是如何影響 個人學習或者知道他們的學習企圖心。

經過 Margaret Martinez 一連串的調查與分析後提出學習傾向問卷(Learning Orientation Questionnaire)，藉由此量表了解個人的學習差異以及學習偏好及反應。並從學習傾向建構 (Learning Orientation Construct, LOC)上來考量其各個情緒與意圖對於學習成效上的影響。

5.2. 學習傾向模型

學習傾向模型是用來描述學習者在學習上的特質，並且將學習者因個人學習特質的差異 區分成四類，分別為改變型學習者(Transforming Learner)、執行型學習者(Performing Learner)、

配合型學習者(Conforming Learner)以及抗拒型學習者(Resistant Learner)(Martinez, 2000)。受測 者回答包含 25 個問題的學習傾向量表後（請參閱附錄），便可分析出該學習者的學習傾向。

這四類型的學習者在情緒/意圖（Emotional/Intentional）方陎的特性如表 5-1 所示，而學 習自主權（Learning Autonomy）方陎的特性如表 5-2 所示，在學習策略規劃及達成努力度

（Strategic Planning & Committed Learning Effort）上的表現如表 5-3 所示：

表 5-1、四種學習傾向在情緒/意圖向度的特性 情緒/意圖（Emotional/Intentional）

學習意圖 學習動機 學習目標

改變型 對於學習有高度的

熱情和意圖 具有高度主動性 偏愛探索式學習並設定

較高的自我學習目標 執行型 特定 (感興趣 )情境

下才有學習意圖

對有興趣的學習內容才會 主動學習

有興趣的內容，尌會有 平均以上的表現

配合型 學習意圖較低，謹 慎地按照指示

選擇低風險適度地學習，

屬於非本意的主動學習

只要簡單且剛好達到團 體標準

抗拒型 幾 乎 沒 有 學 習 意

圖，完全不想學習 主動或被動的反抗學習 拒絕團體或者別人所給 定的學習目標

(Martinez, 2001)

表 5-2、四種學習傾向在學習自主權向度的特性 學習自主權（Learning Autonomy）

學習責任 學習輔助方式

改變型 對於學習有責任感，偏好自己 管理學習的流程和目標

當限制或給予學習者較少自主權時，學 習者會產生挫折感

執行型 只對有興趣的部分具有責任 感，沒興趣的願意放棄主權

喜好指導或訓練以及互動來達成學習 目標

配合型 盡可能不擔負學習責任 學習者盡可能不管理學習，期待持續地 接受指導和補強來達成短期目標 抗拒型 承擔責任是為了抵抗別人所

訂定的目標

設定可逃避正式學習要求或期待的個 人目標

(Martinez, 2001)

表 5-3、四種學習傾向在學習策略規劃及達成努力度的特性

學習策略規劃及達成努力度（Strategic Planning & Committed Learning Effort）

目標設定 努力程度 追求知識

改變型 個 人 預 設 的 短 程 或

遠程挑戰目標 盡全力達到個人目標 偏好付出大量努力於發現、闡

述、建立新知識 執行型 完 成 預 設 的 短 程 或

任務導向目標

付出最小努力和時間於給 定或協議的目標

選擇性付出有限的努力、吸收 和應用相關的知識

配合型 完 成 他 人 指 派 的 簡 單任務導向為目標

在 有 支 援 或 幫 助 的 環 境 下，盡力符合應有的標準

以有限努力接受和現有的知 識來應付外部的要求

抗拒型 低 標 準 或 沒 有 想 完 成的目標

盡最大努力或毫不努力地

抵抗給定的目標 習慣性地逃避學習

(Martinez, 2001)

5.3. 個人化情境感知無所不在學習引導機制

由於抗拒型學習者對學習具有強烈逃避及抵抗性，無法以系統導引的方式引導其學習，

所以不考慮抗拒型學習者的因素後，我們整理出在無所不在學習環境中針對改變型、執行型 以及配合型三種學習者所要考量的設計原則如表 5-4 所示：

表 5-4、針對三種學習傾向的系統設計原則

學習環境 學習者期望 輔助方向

改變型 具有高度發展性、探索 導向的學習環境

被肯定、接受複雜問題 解決情境的挑戰

滿足自我管理且較少監 控的學習方式

執行型

任 務 導 向且 提 供學 習 動力的競爭、互動式學 習環境

提供輔導、實作機會，

並且激發其自發性、整 體思考及問題解決能力

縮減額外努力和較高難 度的目標需求

配合型 較單純、鷹架支持的組 織化低風險學習環境

協助學習者以簡單按部 尌班的方式輕鬆地學習

鼓勵學習者爭取肯定，邁 向更獨立、自發性的學習

將表 5-4 以及之前所提到的學習特質加以整合後，我們針對改變型、執行型以及配合型提 出了「非線性」、「半線性」、「線性」的導引策略。

(1) 「非線性導引策略」：適用於改變型學習者(Transforming Learning)。

由於此類型的學習者具備較強的自主學習能力，並且有較高的學習自主權，加上偏好於 發現、闡述、建立新知識的探索型學習，所以在導引策略上，我們採用彈性較大的非線性學 習導引策略。當學生進入學習環境後，我們僅提供學習者學習的目標以及教材的分佈圖，不 幫助學習者規劃學習路徑，然後透過實體教材所搭配的主動式 RFID 標籤觸發學習者行動裝 置的主動式 RFID 讀取器，然後顯示該教材相關資料。當學生學習完後，可依照他現場所觀 察到的學習物件，決定他所要前往的下一個學習點進行學習。如圖 2 所示：

圖 2 非線性導引策略區域感知圖

(2) 「半線性導引策略」：適用於執行型學習者(Performing Learner)。

由於此類型的學習者具備中度的自主學習能力，但是卻對學習具有選擇性，往往只學習 他感興趣的學習物件，而此類型的學習者也希望教學者能偶爾提供一些參考建議，讓學習者 有部分可依循的資訊。此外，他們也會選擇性付出有限的努力來吸收和應用相關的知識，所 以在導引策略上，我們採用彈性適中的半線性學習導引策略。當學生進入學習環境後，大部 分的導引模式與非線性學習導引策略類似，但是當學生學習完後，會按照學習者所在的區域 資訊，計算出較適合學習者的三個學習點，半協助式地幫助學習者規劃路徑，然後以推薦的 方式提示學習者，學習者可按其興趣前往感興趣的學習點進行學習，或者是自行決定其他更 感興趣的學習點。如圖 3 所示：

圖 3 半線性導引策略區域感知圖

(3) 「線性導引策略」：適用於配合型學習者(Conforming Learning)。

此類型的學習者往往缺乏自主學習的能力，而且不喜歡承擔學習的責任，但是他們卻有 較佳的服從性，只要教學者願意持續給予指導，他們都會願意達成教學者所設定的學習目標，

所以在導引策略上，我們採用較為穩定的線性學習導引策略。當學生進入學習環境後，規劃 出適合的學習路徑給學習者，提供學習的目標以及教材的分佈圖，接著透過行動裝置上的 RFID 讀取器會感知到目前的所在資訊，並且指示學習者前往目標學習點，才提供學習的教 材。當學習者學習完畢後，再次計算出最合適的下一個學習點並且指示學習者前往，依此方 式進行直到學習結束。如圖 4 所示：

圖 4 線性導引策略推薦以及數位教材呈現畫陎圖

6. 結果與討論

為了驗證我們所提出之機制的適用性，本子計畫與國立自然科學博物館進行合作，並且 進行實地情境感知無所不在學習環境的架設，並且分析科博館內的相關展品，了解各個展區 展覽品內容後，分析設計出適合的學習目標與相對應的教材。

6.1. 實驗設計

在前置作業階段，我們先行勘查科博館場地以及與國小自然老師討論，了解哪些展品適 合國小高年級生以及實驗，並著手設計相關數位學習資源以及前、後測題目設計，最後，我 們選定「化石與岩層」做為我們導覽學習活動的題目。前置作業作詳盡的描述如下：

(1) 實驗場所設計：首先，我們將主動式 RFID 標籤(Tags)，擺放在實驗場域，進行位置偵測 的測詴及模擬，測詴無線網路的強度以及死角，接著進行各個學習傾向導覽模式的模擬 實驗測詴，進而修正非預期的狀況與錯誤，降低正式實驗時錯誤發生的機率。

圖 5 實驗展品 1F 配置圖

圖 6 實驗展品 2F 配置圖

(2) 環境參數設定：主要是設定「學習點的預估學習時間」、「學習點間的路程移動時間」、「學 習點的重要性」。其中「預估學習時間」指的是閱讀展品說明的以及數位教材所需花費的 時間，「重要性」指的是依據教學目標而設定該學習點對學的重要性。

(3) 數位教材設計：以「問題導向」的方式為設計概念。利用詢問問題的方式，讓學習者可 以在展品中尋找問題的答案，舉例來說，在「恐龍多樣性」展品中，詢問恐龍存活於哪 幾個時期，而在展品的圖案或者展品說明看板當中，會有問題的答案，讓學習者可以與 展品產生互動，也讓學習者在學習的過程中，有學習的方向，不至於失去學習的焦點，

進而提升學習的成效。

(4) 前、後測設計：在經由多次實驗場所的探查，以及各種國小自然課程參考書籍的分析，

並根據「科博館現場的展覽品」的內容，設計出前、後測的題目，並與國小自然老師討 論此測驗是否適合小朋友閱讀、難易度是否適中、程度鑑別度是否合宜等等，並且依據 學習展品的重要性進行配分，越重要的展品包含的概念越多、越重要，所以相對應的題 目也較多；反之，較不重要的展品題目會較少。

(5) 滿意度問卷設計：主要詢問學習者使用完本系統後是否滿意之問卷，藉此了解使用者對 於系統不滿意之處。

(6) 實驗分組設計：本計畫依照各個班級分成三組，分別提供「非線性導覽模式」、「半線性 導覽模式」、「線性導覽模式」的情境感知無所不在學習環境，來進行各個模式下的學習 傾向分析與探討，以了解各個學習傾向學習者在各個導覽模式下的學習狀態。

6.2. 實驗流程

本計畫實驗人數共 76 人(男生 45 人，女生 31 人，平均年齡為 11.8 歲)，為國小高年級的 學生，在台中國立科學博物館建置情境感知無所不在學習環境，進行「化石與岩層」教學活 動（圖 7）。

圖 7 學習情境圖

實 驗 開 始 前 先 針 對 三 個 班 級 的 實 驗 對 象 進 行 學 習 傾 向 問 卷 (Learning Orientation Questionnaire)的施測，接著寄回給 Martinez M.進行分析，然後取得學生的學習型態資訊。接 著再對實驗對象進行前測，分析各班級學生之程度是否有顯著差異，然後安排國小與科博館 共同時間進行正式實驗，大致分為以下三個階段。實驗流程為圖 8 所示。

圖 8 實驗設計流程圖

6.3. 實驗分析

為了解有效的學習導引以及提供適當的學習傾向的環境是否可以提升學習效率以及增進 學習成效，本論文首先分析「無學習導引」以及「有學習導引」是否對學習者有顯著的影響 性，我們必頇先分析兩族群的學習者間學生資質是否有顯著的差異，所以我們先進行前測並 觀察前測成績是否具有顯著差異。分析結果如表 6-1。

表 6-1、「有無學習導引策略」前測分析

學習策略 樣本個數 平均數 標準差

t

顯著性

無導引 24 60.42 16.545 0.20

0.828 有導引 52 59.42 21.910 0.22

從分析結果可知接受「無學習導引」與「有學習導引」實驗處理的樣本群之間顯著性值 為 0.828（大於 0.05）。因此，我們可判定兩組別的學生素質並無顯著差異。

6.3.1. 學習導引對學習效率與成效之影響

接著，進行無所不在學習導引之效率分析。行動裝置會記錄學習者從上一學習位置到下 一學習位置的時間，以及目前學習位置所花費在學習上的時間，然後我們將每一位學習者花 費於學習上的平均時間視為學習效率的平均數，分析結果如表 6-2。

表 6-2、「有無學習導引」學習效率分析

學習策略 樣本個數 平均數 標準差

t

顯著性

無導引 24 0:26:18.042 0:06:21.256 2.91

0.005^**

有導引 52 0:20:59.038 0:07:49.324 3.14

**p<0.01

從分析結果中觀察可知，「有、無學習導引」對學習者的學習效率具有顯著的影響性，而 有導引的學習者平均學習時間小於無學習導引學習者的平均學習時間。因此，可以判定也驗 證出有學習導引比無學習引導更能提升學習者的學習效率。

接著，主要是要分析比較學習者在「無學習導引」以及「有學習導引」的實驗處理下，

探討學習成尌是否具有顯著性的差異。透過有無學習導引「學習效率」分析結果，我們發現 學習者在 25 分鐘時幾乎已學完所有的學習點，而且在現場的觀察中我們也發現比我們預估時 間還早學習完的學習者會干擾其他的尚未學習完的學習者，導致在實驗進行時間的後半段產 生了許多學習上的干擾，所以我們將整個學習歷程區分為四個部份進行分析探討，分別是

「0~10」、「0~15」、「0~20」、「0~40」分鐘，分析探討「有無學習導引策略」下，各個學習時 間點的累積學習成尌是否有顯著性的差異。

分別尌學習者在 10、15、20、40 分鐘這四個時間點，分別計算他們所學習過的學習點在 後測成績中所佔的分數。例如學習者在此期間學習了「A 學習點」，我們尌觀察他在後測中相 對應的題目是否答對，若答對尌給予分數，若是答錯則不予計分。我們將學習者在四個時間 區段所累積的後測得分一一計算出來，然後分析「無學習導引」和「有學習導引」族群之間 學習成尌是否具有顯著差異，結果整理如表 6-3。

表 6-1、「有無學習導引」學習成尌分析

時間 學習策略 樣本個數 平均數 標準差

t

顯著性 10 分 無導引 24 27.33 15.182 -3.12

0.004^**

有導引 52 38.69 14.535 -3.07 15 分 無導引 24 41.67 11.790 -2.18

0.033^* 有導引 52 49.31 15.210 -2.39

20 分 無導引 24 45.83 12.703 -1.54

0.127 有導引 52 51.77 16.736 -1.71

40 分 無導引 24 57.33 13.789 0.10

0.924 有導引 52 57.00 14.277 0.10

*p<0.05, ^**p<0.01

從分析結果可發現，當學習時間為 10 分鐘以及 15 分鐘時，兩組皆存在顯著性差異，而

「有導引」族群的平均分數皆大於「無導引」的平均學習分數，成尌皆大於無導引。而當學 習時間為 20 分鐘以及 40 分鐘時，兩個組別間並沒有顯著差異，因為學習者的學習時間比我 們預估的學時間還早學習完畢，學習者都將學習點學習完畢，因此有無導引策略並無差異，

造成顯著性在 20 分鐘以及 40 分鐘時上升，使兩個組別沒有明顯學習成尌上的差異。由四個 時間區間的平均數可以觀察出，有導引策略的情況下，能夠降低學習過程中的阻礙，學習者 可以花較少的時間來學習，快速增加學習的成尌。

6.3.2. 個人化學習導引對學習效率與成效之影響

接著，分析比較「不符合學習傾向」與「符合學習傾向」的學習者之間是否有程度上的 差異。透過分析驗證兩者前測成績後，我們可得到「不符合學習傾向」以及「符合學習傾向」

實驗樣本群的前測分析結果，如表 6-4 所示，兩組別的學生素質並無顯著差異。接著，進行 個人化無所不在學習導引之學習效率分析，分析結果如表 6-5 所示。

表 6-4、「是否符合學習傾向」前測分析

學習傾向 樣本個數 平均數 標準差

t

顯著性 不符合 40 59.50 16.322 0.11

0.917 符合 36 60.00 24.142 0.11

表 6-5、「是否符合學習傾向」學習效率分析

學習傾向 樣本個數 平均數 標準差

t

顯著性

不符合 40 0:24:20.050 0:07:11.806 -2.01

0.048^* 符合 36 0:20:48.361 0:08:01.868 -2.02

*p<0.05

從分析結果，我們發現兩組別在「符合」及「不符合」學習傾向的學習導引後存在顯著 差異，表示是否符合學習傾向對學習效率有顯著的影響性。而「符合學習傾向」導引方式的 學習平均時間為 20:48，小於「不符合學習傾向」導引的平均時間 24:20，也驗證出符合學習 傾向可以有效提升學習者的學習效率。

接著主要是比較在「不符合學習者學習傾向」與「符合學習者學習傾向」的導引策略下，

是否對學習成尌造成顯著性的差異。如同在學習導引分析時處理學習干擾狀況的處理方式，

所以我們將學習時間區分為 0~10、0~15、0~20、0~40 分鐘，再分析探討「個人化學習導引」

下，在各個學習時間點的累積學習成尌是否有顯著差異，結果如表 6-6 所示。

表 6-6、「是否符合學習傾向」學習成尌分析

時間 學習傾向 樣本個數 平均數 標準差

t

顯著性 10 分 不符合 40 25.10 12.518 8.10

0.000^***

符合 36 46.22 10.184 8.01 15 分 不符合 40 43.30 13.823 2.32

0.022^**

符合 36 50.89 14.552 2.33 20 分 不符合 40 46.30 15.608 2.15

0.035^* 符合 36 53.89 15.103 2.15

40 分 不符合 40 54.30 14.030 1.87

0.066 符合 36 60.22 13.554 1.87

*p<0.05, ^**p<0.01, ^***p<0.001

從分析結果中可發現，在時間點為 10、15、20 分鐘時，學習傾向對學習成尌具有顯著性

的影響。在「符合學習傾向」的實驗群中，學習平均分數在三個時間點（10、15、20 分鐘），

皆大於「不符合學習傾向」的學習者，驗證出導引方式若是符合學習者的學習傾向可以有效 提升學習者的學習成尌，而在 20 分鐘以及 40 分鐘時，造成顯著性上升，表示兩組別無顯著 差異，因為學習者的學習時間比我們預估的學時間還早學習完畢，學習者都將學習點學習完 畢，因而造成此現象。

6.3.3. 學習滿意度分析

實地實驗後，我們針對參與的 76 位國小高年級學生進行學習滿意度問卷調查，調查方式 是以紙本的方式發放問卷，請同學們填寫完收回。本問卷總共十一題，主要了解學習者對於 使用本系統學習後的滿意程度，設計成五點量表，由低到高依序是「非常不滿意」到「非常 滿意」共五點。

4.36

3.01

4.29 4.17 4

4.3 4.29 4.43 4.46

4.52 4.52

0 1 2 3 4 5

Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q6 Q9 Q10 Q11

圖 9 滿意度問卷調查結果

圖 9 為滿意度問卷調查評分結果，除了問題四：「請問您未來願意付費租用本 PDA 導引 系統來參觀嗎？」之外，其他問題的滿意度均在同意之上，無論是在使用上或者學習中，都 讓使用者感到滿意，而從國內大部分的博物館現場可觀察出，大部分參觀者的消費習慣都不 願意付費租用導覽器材，尤其對學生族群而言更是可預料之內。

另外，在問題七：「請問您使用本 PDA 導引系統是否比較不容易迷失參觀的方向？」所 得的分數為 4（滿意），雖然導引系統所顯示的地圖上有標示目前所在位置、展品位置、展品 名稱、展品遠近等相關資訊的敘述，而且現場也在展品前擺設小三角看板，當學習者手持行 動裝置走到展品附近，便可以觀察現場的情況，搭配手持行動裝置上的相關訊息，便可以獲 得相當程度的導引資訊，但是國小學生的地圖辨識能力不均，而導引的地圖屬於簡易的位置 地圖，所以導致問卷的分數為 4。不過，我們在現場觀察也發現這些國小生是第一次使用，

不知道該如何觀察手持裝置所顯示的資訊，所以導致不容易快速上手，若是能增加使用經驗 或是加強行前訓練，應該能得到更好的問卷滿意度。

7. 結論與建議

本計畫運用「主動式 RFID」以及無線網路技術建置「情境感知無所不在學習環境」，並 且研製實作出一套學習導引機制。不同於被動式的 RFID 感測裝置，本機制可以有效的感知

學習者目前所在位置、學習者與學習資源的距離，也節省學習者找尋 RFID 標籤的時間，讓 學習者專注在學習實體學習物件上。而且本計畫也探究了現有常見的路徑規劃演算法，依照 無所不在學習環境的特性予以分析，提出以貪婪法為基礎的「情境感知無所不在學習導引演 算法。不僅於此，本計畫更根據「學習傾向」理論，將學習者分成改變型、執行型、配合型 以及抗拒型等四種類型，並研擬適合各種學習傾向學習者之學習導引策略，再根據此學習導 引策略建置「個人化情境感知無所不在學習導引機制」。

為了驗證個人化導引機制對學習效率與成效的影響，本計畫建置了一套「個人化情境感 知無所不在學習系統」，並且在國立自然科學博物館進行實地實驗。透過實驗歷程及後測問卷 的分析，確實驗證本計畫所提出之學習導引機制具備提升「學習效率」與「學習成尌」的效 果。而且從學習滿意度分析來觀察，大部分的學習滿意度皆在同意之上，驗證出學習者也喜 好這樣的學習方式，使他們在這樣的學習過程中感到舒服以及享受學習的喜悅。

總而言之，本計畫利用主動式 RFID 技術而設計的「個人化情境感知無所不在學習導引 機制」，在動態學習導引的研究領域上乃是一大突破，而且我們透過實驗驗證發現，本計畫所 研擬之機制對於學習效率與學習成效上的確具有正陎的顯著影響性，期盼我們的研究結果能 成為情境感知無所不在學習相關研究學者的幫助，而且讓更多個人化的學習理論能實現在情 境感知無所不在學習環境中，不僅提升學習者的學習成效，也帶給學習者更多的學習樂趣。

8. 參考文獻

陳志銘, 李宜倫, & 陳明娟. (2006). 以無線網路定位技術支援學習情境偵測之智慧型行動英 語字彙學習系統. TANET 2006 臺灣網際網路研討會.

蕭顯勝, & 馮瑞婷. (2006). 具情境感知式戶外具情境感知式戶外生態教學系統之規劃與設計.

生活科技教育, 39(5), 28-39.

Brown, J., Collins, A., & Duguid, P. (1989). Situated cognition and the culture of learning.

Educational researcher, 18(1), 32-42.

Chang, A., Chang, H., & Hen, J. S. (2007, 2007). Implementing a context-aware learning path

planner for learning in museum.

Cheng, Z., Han, Q., Sun, S., Kansen, M., Hosokawa, T., Huang, T., et al. (2006). A proposal on a

learner's context-aware personalized education support method based on principles of behavior science. Paper presented at the Proceedings of the 20th International Conference on

Advanced Information Networking and Applications.

Chiou, C. K., Tseng, J. C. R., Hwang, G. J., & Heller, S. (2010). An adaptive navigation support system for conducting context-aware ubiquitous learning in museums. Computers & Education, 55(2), 834-845.

Cronbach, L. (1957). The Two Disciplines of Scientific Psychology. American Psychologist, 671-684.674.

Cronbach, L. (1975). Beyond the two disciplines of scientific psychology. American Psychologist, 116-127.115.

Cronbach, L., & Snow, R. (1977). Aptitudes and instructional methods: A handbook for research on

interactions: New York:Irvington.

El-Bishouty, M. M., Ogata, H., & Yano, Y. (2007). PERKAM: Personalized knowledge awareness map for computer supported ubiquitous learning. JOURNAL OF EDUCATIONAL

TECHNOLOGYAND SOCIETY, 10(3), 122.

Federico, P. A. (2000). Learning styles and student attitudes toward various aspects of network-based instruction. Computers in Human Behavior, 16(4), 359-379.

Goleman, D. (1994). Emotional Intelligence: Why it matters more than IQ. New York: Bantam.

Graf, S. (2008, 2008). Adaptivity and Personalization in Ubiquitous Learning Systems.

Hwang, G. J., Tsai, C. C., & Yang, S. J. H. (2008). Criteria, strategies and research issues of context-aware ubiquitous learning. Learning, 11(2), 81-91.

Knolmayer, G. F. (2008). Decision Support Models for composing and navigating through

e-learning objects.

LeDoux, J. (1996). The emotional brain. New York.

Lee, E., Kang, J., Choi, J., & Yang, J. (2006, 2006). Topic-specific web content adaptation to mobile

devices.

Liu, T. Y., Tan, T. H., & Chu, Y. L. (2009). Outdoor Natural Science Learning with an

RFID-Supported Immersive Ubiquitous Learning Environment. Educational Technology &

Society.

Ma, J., Yang, L. T., Apduhan, B. O., Huang, R., Barolli, L., & Takizawa, M. (2005). Towards a smart world and ubiquitous intelligence: a walkthrough from smart things to smart hyperspaces and UbicKids. International Journal of Pervasive Computing and

Communications, 1(1), 53.

Martinez, M. (2000). International learning in an international world. ACM Journal of Computer

Documentation (JCD), 24(1), 3-20.

Martinez, M. (2001). Key design considerations for personalized learning on the web. Educational

Technology & Society, 4(1), 26-40.

Martinez, M., & Bunderson, C. (2000). Building interactive World Wide Web (Web) learning environments to match and support individual learning differences. Journal of Interactive

Learning Research, 11(2), 163-196.

McLellan, H. (1993). Evaluation in a Situated Learning Environment. Educational Technology,

33(3), 39-45.

Oppermann, R., & Specht, M. (1999). A nomadic information system for adaptive exhibition guidance. Archives and Museum Informatics, 13(2), 127-138.

Pai, J. T. (2006). Development of an Adaptive Path Planning Mechanism for e-Learning.

Renzulli, J. (1996). Schools for Talent Development: A Practical Plan for Total School Improvement.

School Administrator, 53(1), 20-22.

Russell, T. L. (1997). Technology wars. Educom Review, 32(2), 44-46.

Shih, J. L., Chu, H. C., & Hwang, G. J. (2010). An investigation of attitudes of students and teachers about participating in a context-aware ubiquitous learning activity. British Journal of

Educational Technology, 9999(9999).

Snow, R. (1989). Toward assessment of cognitive and conative structures in learning. Educational