中 華 大 學 碩 士 論 文
題目：以認知型態為基礎的適性化教學 系統之研究
A study of Adaptive Tutoring System based on cognitive styles
系 所 別：資訊管理學系碩士班 學號姓名：M09510008 詹雅珍
指導教授：羅 家 駿 博 士
中華民國 九十七 年 八 月
摘要
隨著網路科技的進步，線上教學已經成為一種新趨勢，而許多研究者發現，
在利用教學網站學習時，學習者的個人特質會影響到其學習的成效，若能夠提供 符合學習者特質的學習方式，可得到較佳的學習成效。因此適性化教學系統成為 近年來熱門的研究主題。而在發展適性化教學系統的重要問題之一，就是如何建 構一個有效的學習者模型。目前有許多的適性化系統是讓學習者先回答問題或填 寫問卷的方式，來確認個人型態，以達成適性化，但此種方式會造成學習者的不 便與困擾；或是儲存學習者上次的瀏覽資料，在同一學習者下次進站時提供適性 化的網站，但此種方式又容易牽涉到侵犯個人隱私權的問題。針對以上二個問 題，本研究試圖以不要求學習者回答任何問題與填寫任何問卷，而是僅收集學習 者的瀏覽行為，以利用類神經網路所建構之學習者模型來判斷其學習型態，所收 集的瀏覽行為包括資訊呈現元件的點選次數、點選比率、平均停留時間以及網頁 鏈結型態，並且在學習者關閉瀏覽器後，其瀏覽資料即消失，故不會有侵犯個人 隱私權的問題。
本研究主要共分為兩個部份，第一部份為以收集學習者的認知型態量表以及 在教學網站上對於資訊呈現元件及鏈結型態的瀏覽行為，利用類神經網路的分類 功能，建置一個以瀏覽行為來達到線上即時判斷學習者認知型態之學習者模型。
模型建置好後，再根據資訊呈現元件及鏈結型態的瀏覽行為來分析不同認知型態 所偏好之資訊呈現方式，分別設計出四種適合注重人際型、精熟型、理解型與自 我表達型等認知型態的適性化網頁介面，所利用的適性化技術為鏈結的適性化，
利用顯眼的顏色來凸顯學習者所偏好之資訊呈現元件，另外在教材內容方面則是 使用內容呈現的適性化，若學習者偏好圖片瀏覽，則在適性化網站中會直接顯示 出圖片，而不需學習者點選。第二部分則是再進行一次線上實驗，分別找三組學 習者做為實驗對像，讓三組學習者分別瀏覽線上即時判斷學習者認知型態並提供 適性化網頁、依照已知的認知型態提供適性化網頁及提供未適性化網頁三種方式 間對於學習者行為的影響，以及進一步分析利用類神經網路所建構之學習者模型 的有效性。
經過研究的兩個部份，可以歸納出以下的結論：
1. 不同認知型態間對於教學網站的瀏覽行為偏好有明顯之差異性。
2. 利用類神經網路所建構之學習者模型的確可以有效的進行認知型態的分類，
其判斷正確率平均可高達八成。而學習者的認知型態的正確判斷，將有助於 教學網站中的適性化功能。
3. 線上即時判斷學習者認知型態並提供適性化網頁、依照已知的認知型態提供 適性化網頁及提供未適性化網頁三種方式間對於學習者在網頁瀏覽的專注時 間方面有很大的影響。
關鍵字：適性化教學系統、認知型態、資訊呈現元件、鏈結型態、類神經網路
Abstract
E-learning has become a new trend as the Internet technology progresses. It has been investigated that learners’ individual characteristics would affect their learning outcome when they learn from learning websites, and they would achieve better learning outcome if they are provided matched learning style. Due to this result, adaptive learning system becomes a popular research topic these years. The most important question in developing adaptive learning system is how to construct a valid learner model. At present, there are many adaptive systems make the learners answer questions or fill in questionnaires first to confirm their cognitive style and then to achieve the adaptive outcome. However, this way would cause the inconvenience and trouble for learners. The system would memorize the information that the learner had browsed and provide adaptive web-sites when the learner get in next time; this would invade one’s privacy. Based on the problem, the study did not ask learners to answer any questions nor fill in any questionnaires, but only collected the browsers’ behavior to analyze their learning style via the learner model constructed by the neural network.
The colleted browser behaviors included the click times, click proportion, and average retention periods of information presentation objects as well as network linked types.
No privacy problems would exist for the reason that the browse information disappeared after the browser was closed.
The study would be presented in two parts. In the first part, learners’ cognitive style questionnaire and the information presentation objects and linked types of browser behaviors were collected. By using the classification function of neural network, a learner model was constructed to analyze learners’ cognitive styles through browsers’ behaviors immediately. Learners’ cognitive styles were then analyzed through the information objects and network linked types of browsers’ behaviors.
There were four information presentation modes classified according to the learners’
different cognitive styles: interpersonal, mastery, self-expressive, and understanding styles. The conspicuous colors were used to display the information presentation objects that learners prefer. For the materials, if learners prefer to browse pictures, the adaptive websites would show pictures directly without learners’ clicks. In the second part, three groups of students were involved in the experiment. They browsed
adaptive webpage with cognitive style on-line instant analysis, adaptive webpage with a known cognitive style, and non-adaptive webpage respectively and offered the influences on them, and the validity of learners model constructed by neural network were further analyzed.
Several conclusions of the research are as the following:
1. Learners of different cognitive styles have different preferred behaviors to browse the learning websites.
2. The learner model constructed by the neural network can effectively classify cognitive styles, and the average validity was 80 percent. Analyzing learners cognitive styles correctly would be helpful to the adaptive function in the learning websites.
3. It has great influences on learners when they browse adaptive webpage with cognitive style on-line instant analysis, adaptive webpage with a known cognitive style, and non-adaptive webpage.
Keyword: Adaptive instruction system、cognitive style, information presentation object, link type, neural network
致謝
本論文能夠順利完成，首先要感謝指導老師羅家駿老師，在這二年來耐心的 指導及包容，其嚴謹認真的治學態度及豐富的學識使我在學術研究方法的學習上 受益良多，在論文撰寫過程中，老師更是不厭其煩的從旁指導與陪伴，給予我許 多的啟發與寶貴的意見，，使我不但能夠順利完成碩士學業，對思考能力及表達 能力也都獲益匪淺。也感謝謝德鑫老師與應鳴雄老師擔任地口試委員，在颱風天 不辭辛勞的趕來，並且給予論文許多寶貴的建議，使本論文能更加完整。
感謝在我研究的過程中給予我幫助的每一位老師以及同學，如果沒有大家的 幫忙，這份論文不可能完成，也感謝學長姐們的指導與照顧，也感謝一起奮鬥的 同學們，真高興有你們互相扶持、鼓勵。最後以此論文獻給我的父母與家人，你 們是我的最大支柱!讓我隨時感受到無盡的溫暖，使我能安心地學習，同時將這 份喜悅與所有關心我的人分享。
在此向您們獻上我最誠摯的謝意。
目錄
摘要 ... i
Abstract ...iii
致謝 ... v
目錄 ... vi
圖
目錄 ... i
表
目錄 ...iii
第一章 緒論 ... 1
1.1、研究背景與動機...1
1.2、研究目的...2
1.3、論文架構與研究流程 ...3
1.4、研究範圍與限制...6
第二章 文獻探討 ... 7
2.1、適性化教學網頁呈現 ...7
2.2、認知型態...11
2.3、類神經網路...15
2.4、文獻探討總結...19
第三章 模型建置與介面設計 ... 20
3.1、系統環境設計...20
3.1.1、資訊呈現元件...22
3.1.2、網頁鏈結型態...23
3.2、實驗設計...26
3.3、以類神經網路建構學習者模型 ...27
3.3.1、訓練類神經網路...31
3.3.2、各種訓練輸入元訓練結果 ...34
3.3.2.1 輸入神經元分析...35
3.3.2.2 瀏覽時間分析...38
3.4、認知型態與瀏覽行為之相關性 ...40
3.4.1、以不同的認知型態分析點選平均次數 ...41
3.4.2、以不同的認知型態分析點選比率 ...42
3.4.3、以不同的認知型態分析元件平均停留時間 ...43
3.4.4、資料收集結果...44
3.4.5、認知型態與瀏覽專注力 ...45
3.6、總結...49
第四章 實驗設計與評估 ... 50
4.1、適性化教學網站介面設計 ...50
4.2、系統架構...54
4.3、研究步驟...55
4.4、實驗系統規格...57
4.5、實驗設計...58
4.5.1、樣本對象...59
4.5.2、實驗流程...60
4.3、實驗結果...61
4.3.1、判斷準確率...61
4.3.3、預測穩定率...64
4.3.4、瀏覽專注力分析...66
4.9、結論...68
第五章 結論與未來發展 ... 69
5.1、結論...69
5.1.1、研究結果...69
5.1.2、研究貢獻...70
5.2、未來發展...70
參考文獻 ... 72
附錄 A ... 75
附錄 B... 76
附錄 C ... 77
附錄 D ... 78
圖目錄
圖1.1、研究流程...5
圖2.1、適性化網站之架構(Brusilovsky,1996)...8
圖2.2、 適性化呈現技術(Brusilovsky,2001)...9
圖2.3、.四種學習型態(Silver et al,2002)...13
圖2.4、人工神經元之模型構造(葉怡成，民 88)...15
圖3.1、C 型路徑(劉明洲及林鴻龍，1999) ...24
圖3.2、E(X)型路徑(劉明洲及林鴻龍，1999)...24
圖3.3、J 型路徑(劉明洲及林鴻龍，1999) ...25
圖3.4、鏈結型態範例...25
圖3.5、類神經網路架構...28
圖3.6、基因演算法模式(周鵬程，2001)...32
圖3.7、基因結構圖...32
圖3.8、四種型態瀏覽停留時間...47
圖3.9、二種對立型態(感官與直覺)瀏覽停留時間...48
圖3.10、二種對立型態(思考與感受)瀏覽停留時間...49
圖4.1、適性化資訊呈現系統架構圖...55
圖4.2、實驗流程...56
圖4.3、教學網站首頁...21
圖4.4、課程內容資訊呈現...21
圖4.5、認知型態與資訊呈現元件之點選平均次數...42
圖4.6、認知型態與資訊呈現元件之點選比率...43
圖4.7、認知型態與資訊呈現元件之平均停留時間...44
圖4.8、適性化網站首頁畫面(注重人際型)...52
圖4.9、教材內容畫面(注重人際型)...52
圖4.10、適性化網站首頁畫面(精熟型)...52
圖4.11、教材內容畫面(精熟型) ...53
圖4.12、適性化網站首頁畫面(理解型)...53
圖4.13、教材內容畫面(理解型)...53
圖4.14、適性化網站首頁畫面(自我表達型)...54
圖4.15、教材內容畫面(自我表達型)...54
圖4.16、實驗組四種型態瀏覽停留時間...67
圖4.17、控制組 A 四種型態瀏覽停留時間...67
圖4.18、控制組 B 四種型態瀏覽停留時間...68
圖4.19、實驗組預測穩定率...65
圖4.20、控制組 A 預測穩定率...66
圖4.21、控制組 B 預測穩定率...65
表目錄
表3.1、資訊呈現元件...22
(續)表 3.1、資訊呈現元件...23
表3.2、學習者認知型態的偏好分佈...26
表3.3、訓練資料...34
表3.4、輸入神經元...35
表3.5、15 組類神經架構...36
表3.6、十五組架構的最佳評量結果...36
表3.8、測試資料預測結果...38
表3.9、六組組別的最佳評量結果...39
表3.10、各型態最佳瀏覽時間資料...40
表3.11 最佳瀏覽時間資料預測結果...40
表3.12、學習者認知型態與資訊呈現元件之對應表...44
(續)表 3.12、學習者認知型態與資訊呈現元件之對應表...45
表3.13、專注力的四個形式(Corno & Mandinach,1983)...47
表4.1、伺服器相關工具...57
表4.2、類神經網路訓練伺服器相關工具...57
表4.3、實驗組別...58
表4.4、實驗樣本說明...61
表4.5、實驗組測試學習者模型判斷結果...61
表4.6、控制組 A 測試學習者模型判斷結果...62
表4.7、控制組 B 測試學習者模型判斷結果...62
表4.8、不同點選步驟判斷準確率...63
表4.9、實際判斷準確率...64
表4.10、各組判斷準確率...64
第一章 緒論
1.1、研究背景與動機
隨著網際網路的快速發展，電腦的普及和上網人口也隨之增加，而電腦與網 路的發展對人類的生活帶來了衝擊與影響，教育型態因電腦及通訊網路技術日漸 進步等因素的影響有了很大的轉變，教學不再只侷限於教室中，而是可以隨時發 生在家庭、宿舍和工廠等有電腦和網路的地方，線上教學(e-Learning)已逐漸取代 傳統式的教學方法。
線上教學已經成為電腦網路時代的新趨勢，線上教學突破了傳統教學法對於 時間、空間的限制，使得無數的企業與學校都廣泛運用，而網頁超鏈結和多媒體 技術的發展，更讓線上教學的超媒體系統能夠提供學習者更多元、更豐富的資料。
許多相關研究顯示，應用電腦網路於教學時，經常未能達到預期的效果。探 討其中的原因，有可能是教師或課程及網站設計者往往只是將傳統的課程內容直 接移轉到教學媒體上，但並未考慮教學者本身的特性。然而，傳統的超媒體教學 系統大多數是以靜態的方式來呈現，所有的學習者所看見的教學內容以及超鏈結 都是相同的，忽略了不同的學習者具有不同的認知型態，有研究指出，教學者在 運用新科技來創造新的教學環境時，應當要結合適合的學習理論，才可獲得較好 的學習成效 (周文忠,1999)。另外，隨著超鏈結技術的發展，網頁結構也愈來愈 複雜，學習者在教學媒體學習也產生許多新的問題，包括過多的資料鏈結，造成 學習者的資訊負載(Information Load)，以及使學習者迷失在廣大的系統空間中，
因此，傳統的超媒體系統為因應不同的學習者特性以及改善資訊負載問題而逐漸 發展出適性化的超媒體系統。
適性化超媒體系統(Adaptive Hypermedia System)站在資料學習者(data user，簡稱 user)的觀點來說，適性化超媒體技術的發展，能夠幫助學習者迅速且 容易地得到真正想要的資訊，以避免造成資料過量或瀏覽迷失的負面效果；而站 在資料提供者（data supplier，簡稱 supplier）的角度來看，適性化超媒體的技術 能將資訊(information)及知識(knowledge)有效率且適當的傳達給學習者，以達到
資料提供者對學習者的知識教育、訊息傳授、商品行銷或概念推廣等目的。(黎 和欣，2001)
而適性化教學系統的相關研究近年來更是成為熱門的研究議題，它有別於傳 統教學系統的＂all things to all people＂及＂one-size-fits-all＂的網站內容，而是 讓不同的學習者鏈結適合其本身特性的課程內容。然而，教學媒體系統要達到適 性並非易事，要得知學習者的認知型態並不是只要透過訪談或面試就可以得知，
甚至有些學習者也不清楚自己的認知型態，因此必須經由填寫專門的人設計的心 理測驗問卷才可得知。在目前，大部份的適性化教學媒體是要目標學習者填寫問 卷後才可能提供適性化的教學媒體，然而，這種方式不但容易造成學習者的困擾 且在許多環境下不易執行，而許多的個人化線上教學系統則是利用記錄特定學習 者的私人特徵資料，但這是一個常被大家爭論的道德議題，而且隱私的暴露風險 也使得學習者不願輸入過多的資料，降低了學習者的意願。
1.2、研究目的
本研究希望發展一套以認知型態為基礎的匿名網路瀏覽行為線上分析與判 斷機制。不用學習者填寫任何的資料且在學習者瀏覽結束關閉瀏覽器後，瀏覽資 料即隨著Session 的結束而消失，故沒有個人瀏覽記錄隱私權的問題。系統在收 集學習者瀏覽行為記錄後，以認知型態為基礎，利用類神經網路，訓練出有效的 學習者模型後，透過線上收集學習者之瀏覽行為記錄，以學習者模型對學習者的 點選行為模式分析，網站系統能輕易的且即時的判斷目前學習者的認知型態，並 進而提供符合學習者特性的適性化界面，讓網站介面更能貼近學習者的學習需 求，進而提高學習者的學習成效。
本研究希望能利用認知型態來了解不同學習者間的特質，且收集學習者瀏覽 情況，依據不同的型態給予資訊呈現，並進而達到適性化的效果。
本研究期望達成下列兩項主要目標：
(1) 建立一套有效的可線上即時判斷學習者認知型態之學習者模型。
(2) 依據線上的即時判斷能提供真正符合學習者認知型態需求的適性化網站。
1.3、論文架構與研究流程
本論文的主要章節可分為：文獻探討、系統建置與設計、實驗設計與評估、
結論與未來發展，各章節內容槪述如下：
第二章 文獻探討
針對研究問題收集相關之文獻，整理以及提出其方法。
(一)適性化教學網頁呈現
研究現有適性化教學系統的相關文獻，分析現有相關的適性化教學技術 以及使用何種方法達成適性化。
(二)認知型態
收集有關認知型態應用於網路教學中的相關文獻，並討論學習者的哪些 行為可以有效區分其認知型態。
(三)類神經網路
研究有關類神經網路適用的領域與範圍，考量類神經網路於系統中如何 進行有效分類的問題。
第三章 系統建置與設計
介紹系統主要架構設計、各種類神經網路架構以及學習者模型訓練情況 等。
第四章 實驗設計與評估
描述發展適性化教學網頁系統呈現的技術和設備，說明其系統架構及操 作流程，並說明如何設計系統介面；另外針對實驗中的實驗樣本、環境因素 逐一定義；利用所得到之實驗數據來分析學習者模型與適性化教學網站的有 效性；彙整實驗結果資料，並敘述其發現的事實，最後對實驗設計和結果作 一個總結。
第五章 結論與未來發展
描述本研究經過實際建置適性化教學網頁呈現系統且透過實驗設計所
得到的最後結果，同時提出本研究在未來可改進或進一步發展的研究方向。
根據上述的動機和目的，本研究進行研究流程與步驟如圖1.1 所示。在研究 的初期，先根據研究的方向及領域找出目前可能存在的問題，進而擬定研究動 機，接著便實際蒐集與閱讀各種文獻，以了解目前實際與研究的現況，接著界定 出進行研究的可能目的為何，再根據研究目的蒐集與評論可能採用之文獻與資 料，其中包含系統的資料架構、適性化的模型、類神經網路、網頁結構等研究文 獻，在此過程中，不斷地去修改研究目標及蒐集更多不同的文獻，以便讓研究更 趨於完善。
接著，便是建立一套屬於自己的研究綱要與系統架構，並進行系統的實作，
然後，針對建構完成之系統，利用實驗室實驗的方法，進行相關的實驗，再根據 實驗過程與最後所得到的資料，進行各方面的分析，以分析出可能的狀況及因 素，接著擬定本研究之結論與貢獻，再提供些許未來研究的相關議題與建議。
圖1.1、研究流程 研究動機和研究目的
文獻探討
認知型態問卷資料收集
建立類神經網路模型
訓練使用者模型
設計假說與系統
建置適性化網站
收集瀏覽適性化網站資料
衡量瀏覽資料分析
研究發現與論文撰寫 學習者瀏覽資料收集
1.4、研究範圍與限制
一、研究範圍
本研究的目的是為了達成線上自動判斷適性化教學網站之功能，而在教學網 站的學習過程中，學習者本身的先備知識、能力、特質以及個人認知型態等，都 是影響學習成果的重要因素，在本研究中僅以學生的認知型態為主要考量。
二、研究限制
(一)研究樣本限制
本研究以中華大學學生資訊學院為研究樣本，樣本母群的範圍限制在中華 大學的資訊學院，故抽樣的樣本無法代表全部的學生，故研究結果也不宜推論 至全國的所有學生 。
(二)研究工具限制
本研究中所使用之工具「成人學習風格清單」(Silver et al., 2002)，是採最 高值的分數將學習者區分為某種型態，此種分類方法可能會將某些不易區分型 態之學習者強制分至某一型態，因此可能會有無法排除之偏誤。
(三)研究設計限制
由於抽樣方法是依照班級區分，而無法真正將學生隨機分派。而採用準實 驗設計研究法，以班級為單位，進行採樣。所以無法完全克服內在效度問題，
也無法完全排除實驗過程中其他變因的控制問題。
(四)實驗時間限制
由於是利用學生課堂上的時間來進行實驗，故二次實驗時間分別只有 30 分鐘與25 分鐘，而無法進行長時間的觀察。
第二章 文獻探討
在本章節中，主要針對與研究主題相關的文獻進行探討，了解前人的研究方 向與方法，並且針對所收集的文獻中彙整出本研究的研究方法。第一節，介紹適 性化超媒體系統的適性化方法，並指出適性化網站之優點以及列出數個利用適性 化來進行教學之相關研究；第二節，說明認知型態的類別以及認知型態應用在線 上教學中的相關研究；第三節，介紹類神經網路以及為何選擇使用類神經網路來 建構學習者模型。
2.1、適性化教學網頁呈現
現今的線上教學系統大多都包含了超媒體與多媒體的技術，網站設計內容也 隨著鏈結技術提昇而愈來愈多樣化與複雜化，所要呈現的內容與方式也令人眼花 撩亂，雖然有一些規則可追尋，但卻令初學者甚至資深的電腦人在某些時候，迷 失在網頁間；而過多的鏈結資訊，也會讓學習者在尋找所需資訊時感到煩躁，甚 至是資訊過載。為了解決這種問題，而要讓學習者輕鬆的取得網站資訊，並且以
「學習者為中心」的設計導向為主，因此發展出適性化教學。適性化教學的主要 是讓學習者在教學歷程中，能夠依據自己的需求，完成學習的目標，並改善學習 者資訊過載及瀏覽迷失的問題。其目前較常使用的方式是利用適性化技術來呈現 資訊。
適性化教學乃是從個別化教學中所演變而來的，且比個別化教學更能貼近其 因材施教、適性教學的本意，因此適性化教學是個別化教學的進一步發展，可以 稱為是「後個別化教學」。(林生傳,2000) 。有幾個原因使得網站需要做適性化的 動作（Perkowitz & Etzioni, 1997）：（1）不同的學習者有不同的目的。（2）同一 個學習者在不同時間也會有不同的需求。（3）網站經過一段時間後，可能不能符 合需求。（4）學習者不依照網站預設的目的使用。
由Brusilovsky(1996)主張的「適性化系統」之設計，可以了解「適性化系統」
應具備以下三大部分(圖 2.1)：
1.系統（System）：負責收集「使用者(學習者)資料」，並將轉換成「使用者(學 習者)模型」，產生適性化的效果。
2. 使用者(學習者)資料（Data about user）：可以透過各種方式(如隱性評比和顯 示評比)來取得使用者(學習者)資料，以提供建立使用者(學習者)模型之用。
3.使用者(學習者)模型（User model）：為使用者(學習者)特徵模型，系統適性化 之依據。
圖2.1、適性化網站之架構(Brusilovsky,1996)
適性化系統的主體結合了這三個部分，其中以兩個主要步驟：使用者(學習 者)模型化(User Modeling)、適性化(Adaptation)來貫穿整個系統的運作流程。
適性化必須考慮到學習者的可用性以及適用性的程度，目前所使用的適性化 技 術 主 要 可 分 為 適 性 化 呈 現(Adaptive presentation) 與 適 性 化 引 導 (Adaptive navigation Support）兩種(Brusilovsky,1996)，其詳細分類如下圖 2.2 所示：
系統
學習者模型 學習者資料
適性化效果
學習者模型化
適性化 收集
處理
處理
圖2.2、 適性化呈現技術(Brusilovsky,1996) 適性化呈現（Adaptive presentation）
適性化呈現技術的主要觀念是透過特定的學習者存取改編網頁內容與現行 學習者的知識、目標與特色一致。在多媒體系統中，一個網頁的內容不可能單純 只有文字組成，還有各種多媒體的呈現及可以選擇不同的媒體格式呈現資訊給學 習者。基於上述觀點，適性化呈現又可以區分成「適性化多媒體呈現（Adaptive multimedia presentation）」、「適性化文字呈現（Adaptive text presentation）」及「形 式的適性化（Adaptive of modality）」。
適性化導航支援（Adaptive navigation support）
適性化引導技術主要觀念是經由適性化鏈結呈現的方法去幫助學習者，發現 他們在超空間（Hyperspace）的路徑與個人學習者的目標、知識與其他特色一致。
適性化導航支援的技術又可以根據他們使用鏈結適性呈現的方法分成五種：直接 導引（Direct guidance）、適性化鏈結排序（Adaptive link sorting）、適性化鏈結隱 藏（Adaptive link hiding）、適性化鏈結註解（Adaptive link annotation）及導覽圖 調適（Map adaptation）。
(一)、直接導引(Direct Guidance)：
適性化 超媒體技術
適性化多媒體呈現
適性化呈現 適性化文字呈現 形式的適性化
直接引導
適性化鏈結排序
適性化鏈結註解 適性化鏈結隱藏 適性化引導
導覽圖調適
直接導覽是鏈結適性化中最簡單的的技術，此方式主要是給予學習者一個鏈 結(Link)，此鏈結是系統認為學習者最適合學習者觀看的下一個頁面。不過此方 式的問題是其提供了最少的協助，故Brusilovsky(1996)建議此方式可以與其他提 供較多協助的適性化技術一起搭配使用。
(二)、適性化鏈結排序(Adaptive sorting of links)：
適性化鏈結排序為依據學習者模型或其他評估準則，針對特定頁面的鏈結進 行排序。將最有相關的鏈結放在最頂端，讓學習者可以更容易地看到或取得所需 的資訊。而此方式最大的缺點是無法使用在有原本就有前後排序關係的鏈結上。
(三)、適性化鏈結隱藏(Adaptive hiding of links)：
適性化鏈結隱藏為最常被使用的鏈結適性化方式，此方式會隱藏與學習者較 不相關的鏈結，讓學習者不會連到較不適合的頁面或取得較不相關的資訊。此方 式對於學習者在減輕“資訊負載＂的問題上相當有幫助。
(四)、適性化鏈結註解(Adaptive annotation of links)：
適性化鏈結註解是提供鏈結相關的註解，讓學習者可以更容易地選擇所需的 鏈結，註解的形式可以包含文字、顏色、字體大小、與圖示等。此方式也是被認 為在鏈結適性化中較有效的技術。
(五)、導覽圖調適(Map adaptation)：
依照學習者的喜好程度或其它評估標準，提供不同的網站導覽地圖。導覽地 圖適性化也可以採用其他鏈結適性化方式(如鍊結適性化排序、隱藏等)，而目前 較少適性化系統採用此方式。
下面列出幾篇與適性化教學網站相關的文獻：
一、適性化教學課程半自動化產生之研究(王志浩，2005)
提出一套半自動產生課程的方法，稱為以[目標為導向的推薦模組]，除了考 慮配合不同學習風格的教材之外，並融入學習風格與教學策略，以產生適性的教 材推薦順序。這個方法的特色是採取二層式的課程架構，分為課程概念層與教材 實體層。所謂概念層是指一個完整的課程是由許多主題(Topics)以及其間的關係
所組成，組成的方式是樹狀階層式的。一個課程主題則可能由多個不同風格化的 教材所組成的，這些教材的組成就是實體層的範圍。研究透過此兩層式的課程組 織架構，發展出相關適性化的學習課程推薦模組，可作為未來網路教學適性功能 之用。
二、應用適性化技術與學習風格改善影片教學—以材料力學為例(陳志欣，2003) 研究導入網路適性化技術中的適性化呈現以及課程流程來改善影片式教學 的缺點。透過適性化呈現，根據學習者不同的學習風格，提供適合他的教學輔助 元件。教學輔助元件的呈現若能符合學習者的學習風格，便能賦予學習者更濃厚 的參與感與學習效果。而透過課程流程，根據學習者不同的學習目標，以及其背 景知識，而能安排不同的學習流程。經由了課程流程的安排，可以讓學習更加有 效率。
三、適性化學習網站之研究：以高中數學為例(林信男，2001)
研究的特色在於提出簡易的適性化教材發展機制，能夠整合內容導向與存取 導向的調適技術。在內容導向方面，學生可依據自己的學習狀況，選擇教材的瀏 覽模式，增加學習者的學習效率。在存取導向方面，研究從建構主義的觀點出發，
針對學生的學習狀況給予適性化的學習路徑。以觀念為中心的學習方式，可強化 學生觀念的建立，達到補救式教學的目標。
目前許多的適性化教學研究都還需要學習者填寫相關資料或保存個人的瀏 覽記錄讓學習者再次訪問時能達成適性化的目的，本研究則是利用網路內的學習 者模型來達成即時且匿名的線上認知型態判斷並提供適性化網頁，在學習者關閉 瀏覽器時資料即消失，因此沒有個人隱私權問題。許多的研究也提出了判斷學習 者型態的技術，包括使用貝式網路、二元樹、隱藏馬可夫模型等等，而本研究希 望能利用類神經建構一個有效且可正確判斷學習者型態的學習者模型。
2.2、認知型態
認知型態（Cognitive styles），乃是心理學者研究認知與人格之間所存在之關
係。認知型態是一種人格特質，對其認知功能之發揮有所影響，代表著一個人如 何運用心智功能來進行學習，故又稱為學習型態（吳裕益,1987）。然而學習型態 包含了生理、環境、情意、社會等層面的差異，因此，認知型態雖與學習型態雖 有相當程度的關連，在根本上仍有其不同（張春興，1997）。
根據Messick（1976）的定義，認知型態係指個人對資訊處理的習慣，意即 學習者知覺、思考、問題解決和記憶方面的典型表現，也就是在資訊處理的過程 中，個體在感覺偏好、資訊編組及記憶保留等方面，個人的特殊屬性與不易改變 的習慣性。
Jung（1971）將人的心理功能區分為感官（Sending）、直覺（Intuition）、思 考（Thinking）、感受（Feeling）四種，其中前二種是表示個體收集資訊的方式；
亦稱之為知覺（Perception），而後二種表示個體如何處理所吸收的資訊；亦稱為 判斷（Judgment）。
根據個體收集資訊(感官或直覺)與判斷資訊上(思考或感受)不同的偏好方式 分為知覺與判斷，其定義如下：
1.知覺：感官與直覺
感官是一種具體的功能，主要使用聽覺、視覺、味覺、嗅覺及觸覺來蒐集資 訊，經由這些感官收集世界上的事實與細節，可以利用感官來認清事實。感官型 的人喜歡看到結果，也重視為達到成功所付出的努力，並喜歡將各種事情分的很 清楚。
直覺是一種較抽象的功能，經由猜測、啟發及洞察，找出事實與細節背後的 規律、推論與意義，用來幫助事務的本質。可以利用直覺來得到宏觀的概念，以 賦予事實意義並預測此事實裡可能的改變。直覺型的人喜歡彈性、自由，讓他們 可以探索各種可能性的想法，不喜歡依據一套既定程序行事。
2.判斷：思考與感受
客觀是思考的主要特徵，會刻意與情境保持距離，運用邏輯、理性及證據來 分析該情境，思考可以讓我們做出理性的判斷。思考型的人受邏輯、組織、順序
及客觀等標準指引，不需要社會認同他們的決定，每件事都能夠以理性的方式處 理。
感受則較為主觀，允許個人發展出屬於自己的觀點，主要尋求與有意義的人 際接觸，而非邏輯關係，感受可以使做出的決定是有目的的。感受型的人決策時 傾向於用心來判斷，指導原則是主觀或是事物所帶來的感受，感受型的人社交性 強，喜歡與他人共同激盪想法，並尋求同儕的認同。
經由知覺偏好(感官或直覺)和判斷偏好(思考或感受)此兩種心理類型可組成 下列四種認知型態組合：精熟型(感官─思考型)、理解型(直覺─思考型)、自我 表達型(直覺─感受型)、注重人際型(感官─感受型)。 (見圖 2.3)(Silver et al., 2002)。
圖2.3、.四種學習型態(Silver et al,2002) 一、 注重人際型(Interpersonal)：感官─感受型
特徵為社交、友善及人際取向。對自己及他人的感覺很敏感，偏好學習可以 直接影響人們生活的事務。
學習取向方面，以個人的方式進行學習，當被要求學習某項是務實，若能夠 將個人情感投入其中，學習效果最好。並且對人有很大的興趣，喜歡傾聽或談論
直覺 精熟型
(感官-思考型)
注重人際型() (感官-感受型)
理解型 (直覺-思考型)
自我表達型 (直覺-感受型)
(判斷)
感官
思考 感受
(知覺)
人及相關的感受。此學習者特別喜歡得到他人的關懷與注意，並喜歡出聲思考，
與其他人一起工作或是分享想法，由朋友處回獲得回饋。對合作的好感遠大於競 爭，需要肯定及讚美，讓他們知道自己做的不錯。對人的喜怒對於此類型的學習 者影響很大。
二、 精熟型(Mastery)：感官─思考型
特徵為現實主義者，務實並且傾向於事務性。重視效率，目標導向，喜歡行 動甚於文字、理論。任何實際、符合邏輯、有用的事物都能吸引他們的投入。
學習取向方面，喜歡以高度組織的、有效率的方式完成工作，偏好動手操作 和學習技術性的事務，較不易被一些想法或人所吸引，喜歡工作並維持忙碌的狀 況，需要立即性的回饋。需要高度結構化、著重精熟技巧或事務的學習環境，以 及可將所學應用到一個實際情境或展現其精熟技巧的機會。
三、 理解型(Understanding)：直覺─思考型
特徵為屬於理論、知性及知識導向。喜歡知性的挑戰、獨立思考等。對想法 感到好奇、對理論很能接受、偏好複雜的問題情境以及關心的是長期效應。
學習取向方面，喜歡以邏輯的、有組織的、系統化的方式，將人及事物加以 組織、賦予結構。偏好獨自或是與其他同為思考型的人工作，並且喜歡思考、推 理，並尋求邏輯關係，偏好由抽象的符號、公式、書面資料或技術圖解中蒐集資 料，比較關心客觀的真理。
四、 自我表達型(Self-Expressive)：直覺─感受型
特徵為好奇、有洞察力及有想像力的。能接受不同的方式、經常尋找新穎而 不尋常的方式表達自己。
學習取向方面，最強的動機就是自己的興趣。對於自己感興趣的事情，會利 用創意的方式好好完成。此學習者比較傾向於獨立，不喜歡遵行一步一步的行事 步驟，讓自己的直覺帶領他們前進，信任自己直覺，喜歡允許自己使用想像力以 及用自己方式完成的活動。和其他類型的學習者相比，此類型的學習者最不會被 改變所困擾。
基於上述對於認知型態的定義可以得知，不同認知型態的學習者需用利用不 同的方式來呈現資訊，如有人偏好文字描述；有人則偏好利用圖片來呈現。認知 型態是由知覺與判斷二個維度所構成，分別代表學習者收集資訊與判斷資訊的方 式，相當符合學習者在線上學習時的情形，先吸收網站內所呈現的資訊後，經由 判斷後轉換為自己所需要的資訊，若能提供學習者所偏好的呈現資訊方式，則可 提昇學習者吸收及轉換資訊的成效。
2.3、類神經網路
類神經網路理論起源於1950 年代，是一種人工智慧的應用，是由醫學、生 物學、數學、資訊工程與電子工程等不同領域的知識集合而成。類神經網路是一 種計算系統，利用大量簡單相連的人工神經元來模仿生物神經網路的功能，它可 以由外在環境或其它的人工神經元處取得資訊，加以簡單的運算後產生結果，並 將結果輸出到外在環境或成為其它人工神經元的輸入(葉怡成，民 88)。
圖2.4、人工神經元之模型構造(葉怡成，民 88)
圖2.4 顯示出一個人工神經元之基本構造，其中每個處理單元皆有 n 個輸入 及一個輸出，其他每一個輸入端都先經過加權值（Weight）的加權，再輸入至處 理單元。它的輸入端相當於生物模型中的樹突，輸出端則相當於軸突，而加權值 又稱為神經鍵（Synaptic junction）或鍵值（Connection），相當於神經元的突觸。
一般其輸入與輸出的關係，可以用輸入值與加權值乘積和的函數來表示，即公式
2-1 所示：
) 1 ( )
( )
(
1
−
⎟+
⎠
⎜ ⎞
⎝
⎛ ⋅ −
=
∑
=
t y t
x w f t y
n
i
i
i θ
其中
w ：第 i 個神經細胞之神經節加權值。 i
θ ：神經細胞之細胞核偏權值（bias）。
(⋅)
f ：神經細胞之非線性作用函數。
t ：時間。
n：人工神經細胞之個數。
類神經網路的基本架構分為運算單元、層與網路三層次，以下依這三層次作 說明：
一、運算單元(Processing Element，PE)
運算單元是類神經網路的基本組成單位，又稱為神經元(Neuron)或處理單 元。運算元的結構如同生物神經元的神經核(Soma)一般，其功能在於處理輸入、
輸出訊號的動作。透過運算元的運算，將輸入至運算元的訊號加以處理轉換，輸 出轉換後之訊號，成為其他運算元的輸入訊號。
二、層(Layer)
由若干個具有相同作用的運算元集合成「層」，其中，輸入層的處理單元用 以接收外在環境的訊息，輸出層的處理單元則是將訊號輸出到外界環境或其他神 經元。類神經網路中還包含有隱藏層(Hidden Layer)，隱藏層的作用在於提供類 神經網路表現處理單元間的交互作用與問題內在結構的能力。
三、網路(Network)
網路是由若干個具有不同作用的層所集合而成的，類神經網路的總體運作模 式有學習過程與回想過程二種。
(一)學習過程(Learning)
類神經網路的學習過程中，當運算後所得到之網路實際值與正確值之間出現 偏差時，便會根據網路的學習演算法，調整網路的連結加權值，以降低實際值與
(2-1)
正確值之間的誤差。每類演算法都是由能量函數(Energy function)所推導得到，
能量函數是用來衡量網路學習的效果，所以網路之學習過程為使能量函數最小化 過程。
(二)回想過程(Recalling)
學習過程結束之後，網路依照回想演算法，以輸入資料決定網路輸出資料的 過程稱做「回想過程」。類神經網路在學習程序之後，會將學得的過程記憶在網 路的連結權數上，所以透過連結權數可以快速取得過去所學習知識，以處理輸入 資料並計算出網路的輸出資料。
類神經網路最吸引人之處在於其具有學習的能力，經過訓練後的網路有很多 特性跟人類智能相似，目前類神經網路有許多不同的訓練法則(Training
algorithms)，主要可分為監督式(Supervised learning)、非監督式(Unsupervised learning)與聯想式(Associate learning)，分述如下：(Jain & Maojianchang,1996)。
1. 監督式學習網路(Supervised learning)：該種網路須從問題領域中取得訓練 範例(輸入變數與輸出變數)，學習輸入變數與輸出變數的內在對映規則，以應用 於新的案例，如分類與預測等。該種網路有感知機網路、倒傳遞網路、機率神經 網路、學習向量量化網路、反傳遞網路等五種，茲說明如下：將收集到的資料分 為兩群，一群供類神經網路學習輸入變數與輸出變數間的內在對映規則，亦即進 行網路加權值的的修正，而該群資料被稱為訓練範例。另一群資料則是用來進行 測試判別分類的範例，而該群資料被稱為測試範例。
2.非監督式學習網路(Unsupervised learning)：該種網路亦須從問題領域中取 得訓練範例(只輸入變數值)，學習範例內在集群規則，以應用於新案例。該種網 路有自組織映射圖網路、自適應共振理論網路二種，茲說明如下: 由於訓練範例 只有輸入值，而沒有輸出值，所以網路必須自己由訓練範例自動推估出這些自變 數之間的群聚規則。另外，非監督式網路也可作為監督式網路的前置處理。
3.聯想式學習網路(Associate learning)：該種網路亦須從問題領域中取得訓練 範例(狀態變數值)，從範例中學習記憶規則，應用於新的案例。(如具有不完整的
狀態變數值，而需推論其完整的狀態變數值之應用)。有霍普菲爾網路、雙向聯 想記憶網路等二種。
本研究使用倒傳遞網路(BPN)來建立學習者模型，網路的基本組成包括了輸 入層(Input layer)、隱藏層(Hidden layer)與輸出層(Output layer)等三層的網路結構 相互連結(Linking)而成，其中隱藏層的層數與每一層之神經結點(Node)數均可視 實際之需要而增減。倒傳遞網路(BPN)之結構如圖 2.5 所示。
圖2.5、倒傳遞類神經網路
倒傳遞神經網路係屬於監督式的學習網路，其運作概念則植基於「坡降法」
(Gradient descent)。當一筆訓練資料輸入網路後，輸出層會同時產生目標輸出，
而目標輸出與實際輸出間的誤差乃成一函數，倒傳遞神經網路的目的即在使此誤 差函數最小化，而在最小化的過程中將會修正隱藏層與輸入層的加權值，透過不 斷地權值調整以達到學習的效果。
本研究採用倒傳遞類神經網路為分類學習者認知型態與建立學習者模型，乃 基於以下兩點：
一、類神經網路提供了一個解決問題的方法，當網路的輸出是連續值的時 候，它所進行的是預測的功能；當輸出值為離散值時，它進行的是分類的功能。
在本研究中，即使用類神經網路分類的功能，並且有明確的輸出入資料，適合使 用類神經網路，以期能達到研究目的。
W1,11
W1,nj
W2,11
W2,nj
H1
Hj
輸入訊號 輸出訊號
輸入層 加權層 隱藏層 加權層 輸出層
二、類神經網路可以在複雜的領域產生好的結果
由於類神經網路的辨識能力可以建立在不精確或不完全理解的資料上並產 生好的結果。目前在非常多的產業中受到重視，當資料是複雜不易分析的情況 下，類神經網路能提供有效的方法，此優點有助於達到本研究之目的。
2.4、文獻探討總結
由以上的文獻探討中經過整理後，可以了解以下幾點：
1、適性化教學網站是傳統教學網站的改革趨勢，不同認知型態的學習者給 予不同的教材網頁呈現，可以有效幫助學習者學習。
2、經由所收集的適性化教學網站研究相關文獻中可以看出，不同認知型態 的學習者會在瀏覽網站時有不同的瀏覽行為，故可利用其瀏覽記錄判斷 其認知型態。
3、利用類神經網路判斷學習者的個人特徵，例如判斷型態是可行的，從點 選的情形找出一些特點、特性來做分類，判斷出學習者認知型態是屬於 哪一類型。
第三章 模型建置與介面設計
透過觀察學習者在教學網站瀏覽行為，我們可以從中獲得一些關於學習者在 瀏覽的潛在心理行為。而本研究的主要目的，就是期望發展一套不需要學習者經 由事先填寫任何問卷或表單，而是線上透過收集學習者的瀏覽行為就可以預測學 習者認知型態並呈現適性化界面的適性化教學系統。
在本研究中，所收集的學習者瀏覽行為包括了學習者點選資訊呈現元件的點 選次數、點選比例、平均停留時間以及所瀏覽的網頁鏈結型態。在第一節中，將 介紹系統中所具有之資訊呈現元件與網頁鏈結型態的基本槪念及系統中所使用 的網頁鏈結型態；在第二節中，將介紹實驗樣本及設計；在第三節中，會介紹如 何將學習者的瀏覽資料以類神經網路的架構來表示，以及如何利用基因演算法結 合類神經網路找出類神經網路中最佳之隱藏層數目，說明如何訓練類神經網路以 及如何選取最佳的類神經網路架構，並且將訓練類神經網路的所得結果以及所選 取之最佳的類神經網路架構做呈現；在第四節中，將比較不同認知型態學習者間 其瀏覽行為的相關性；而在第五節中，將對於本章節做一個結論。
3.1、系統環境設計
網頁內容主要以資訊呈現元件來顯示網頁中所有的教材資訊，對於學習者瀏 覽行為的紀錄方式則是以觀察學習者點選元件及鏈結型態的方式，每位學習者經 由計算之後會得出在四個輸出元所得的結果值，經由判斷後可以清楚得知該位學 習者的認知型態。
在學習者瀏覽教學瀏覽網站時收集瀏覽行為歷程，瀏覽資料經由所建構之學 習者模型分析後判斷出學習者認知型態，再透過適性化網頁改變網站介面，特別 凸顯出學習者所偏好之元件，並改變主要課程內容，依據認知型態來決定是否直 接呈現圖片及關鍵字。
本研究中的線上教學網站依據3.1.1 節中所提到的資訊呈現元件以及主要課 程內容來呈現網頁，課程為資管系大學生必修課程「資管導論」中之章節，課程 名稱為「保護人與資訊—攻擊與安全防護」，圖 3.1 為教學網站之首頁呈現，在 主要的首頁內呈現出所有的資訊呈現元件之內容，學習者可以透過小圖預覽並點 選自己所想要觀看之資訊元件；而圖3.2 為教學網站之主要課程內容呈現，主要 的框架區內是課程內容，課程內容之圖片與關鍵字平時是隱藏的，由學習者自行 點選決定是否觀看，上方的框架區內是所有資訊呈現元件之快速鏈結。
圖 3.1、教學網站首頁
圖 3.2、課程內容資訊呈現
3.1.1、資訊呈現元件
本研究探討的範圍是適性化教學系統，因此設計了許多與課程內容相關之資 訊呈現元件，主要是讓學習者在瀏覽時可以便利的得到所需要的資訊，並且多樣 化的資訊呈現元件，可以幫助類神經網路系統得到學習者的瀏覽資料後可以更正 確的預測出學習者的學習型態。資訊呈現元件包括課前測驗、目錄、前言、課程 目標 課前案例、課後案例、目標回顧、專有名詞、參考資料、熱門時事、自我 評量、討論區、請教老師以及教材中的圖片、關鍵字等共15 種元件，教學系統 的內容就是利用結合以上15 種元件的方式呈現資訊，元件說明如表 3.1。
表3.1、資訊呈現元件
資訊呈現元件 說明
課前測驗 讓學習者了解自己在課程的一開始已具備了哪些課程知 識。
目錄 主要是讓學習者可以快速了解課程的整體內容。
前言 在主要課程開始之前，引導學習者的前序，有補充正文的 作用。
課程目標 提供給學習者一個學習目標，告訴學習者應該要學習些什 麼。
課前案例 與課程內容有部分關聯且較淺顯之案例，讓學習者以真實 情形來了解所要學習之課程。
課後案例 與課程內容有高度關聯之案例，讓學習者以真實情形來對 照所學習之課程內容。
目標回顧 利用歸納課程內容並用簡單的話語來表達，幫助學習者快 速的複習及了解該章節的主要重點在哪裡。
專有名詞 課程內容中關鍵字之集合。
參考資料 主要是提供學習者更多關於課程內容的額外資訊，這些額 外資訊包括與課文內容相關但更為進階的知識。
熱門時事 將課程內容的知識結合最新最熱門的話題來讓學習者了 解。
自我評量
完全與課文內容相關的測驗，題型包含是非、選擇、填充、
問答、思考及討論題六種題型，讓學習者瞭解學習成就作 為教學的回饋
(續)表 3.1、資訊呈現元件
資訊呈現元件 說明
討論區 讓學習者可以在學習的同時與同儕交換意見
請教老師 可以線上E-Mail 給老師，與老師討論課程中的相關問題。
圖片 出現在課程內容之圖片，會以超鏈結之形式呈現，供學習 者自行點選觀看。
關鍵字 出現在課程內容之專有名詞，會以超鏈結之形式呈現，供 學習者自行點選觀看。
3.1.2、網頁鏈結型態
超媒體系統的超鏈結技術可以幫助學習者輕易得到所需知識相關的延伸資 訊甚至是進階的資訊，但過多的超鏈結會造成網頁架構的複雜性，而網頁架構是 決定瀏覽效率的一個重要因素，過於複雜的結構可能會造成學習者的負擔。因此 有許多學者針對此一問題分別提出了槪念圖(Concept maps)、認知圖(Cognitive maps)、語意圖(Semantic maps)等解決方法。
如Novak(1990)所定義的槪念圖是以圖形的方式表現結點所具有的槪念之間 的關係；Pohl(1998)則提出利用槪念圖的方式來呈現超本文的結構，且從中了解 它們的關係。
劉明洲及林鴻龍(1999)提出了一個以網頁結構為基礎的槪念圖。網頁本身就 是一個槪念節點(Conecpt node)，也是整個適性學習流程的停留點（Learning station）這個停留點受到系統的充分監督，無論是此節點或其它節點的學習活 動，皆加以記錄。對某一學習者的某次活動，累積成一學習路徑記錄。
目前共定義了C、E、X、J 型態。C 型路徑是指學習歷程的主軸（Main stream）， 由課程軟體設計者所定義，在不同的單元間提供適當的路徑給學習者，引導學習 者進入下一個單元(見圖 3.3)
圖3.3、C 型路徑(劉明洲及林鴻龍，1999)
另外，針對某節點做更深入的闡釋，即解釋型態的路徑，我們稱它為E 型 路徑(Explanatory)。E 型路徑走向一下層的概念構圖，這個構圖是對路徑的來源 節點提供說明，或呈現更深入的內容。當然，如果需要，由此E 型路徑延伸出 來的構圖，可再往下一層延伸。E 型路徑所延伸出來的概念構圖內部仍然是 C 型 路徑。針對學習內容涵蓋面的補充，亦即更多擴張型的知識，我們定義另一種延 伸，稱它為X 型路徑（eXtensive），導向一用來補充單元內容之概念構圖，呈 現較進階的相關課題。
圖3.4、E(X)型路徑(劉明洲及林鴻龍，1999)
不同於上述的三種鏈結型態，J 型鏈結路徑是一種非預設的功能，由學習者
(s：開始節點；e：結束節點)
C 型路徑
E(X)型路徑
E(X)型路徑 C 型路徑
C 型路徑 s
e
決定之跳離機制（Escape mechanism），允許學習者跳脫目前的停留節點，依學 習者的需要，進入另一個節點(見圖 3.5)，這路徑仍然受到系統的監督與記錄。
圖3.5、J 型路徑(劉明洲及林鴻龍，1999)
在本研究中，只採用C、E、X 三種網頁鏈結型態，而暫不考慮 J 型的鏈結 型態。每一個網頁本身即為一個槪念節點。使用網頁鏈結型態的主要目的在於希 望能了解是否不同的認知型態學習者會對於鏈結型態有不同的瀏覽行為偏好。在 這裡利用系統中的一個學習單元“資訊安全與外部威脅＂來做為網頁結構的說 明，其單元結構如圖3.6 所示
資訊安全與外部威脅 - 漫談網路駭客
- 了解更多有關駭客的資料 -駭客的由來
-駭客？怪客？
-駭客攻擊步驟
圖3.6、鏈結型態範例
在圖 3.6 中，“漫談網路駭客＂的鏈結內容為針對「資訊安全與外部威 脅」此單元涵蓋面的補充，屬於擴張型知識的 X 型路徑；若學習者選擇“了解 更多有關駭客的資料＂這個鏈結，則會則供三個更深入的內容給學習者，包括「駭 客的由來」、「駭客？怪客」及「駭客攻擊步驟」，此屬於E 型路徑。
S
e
：C 型路徑
：J 型路徑
S：開始節點； e：結束節點
3.2、實驗設計
在第一階段收集學習者的瀏覽資訊的實驗中，我們分別邀請中華大學在 94、95 二個學年度中的資訊管理學系二年級之學生共 176 人參加本實驗，由於 此年級之大學生尚未修習與實驗課程相關之課程內容，因此不具備對於此實驗課 程內容之先備知識，我們認為實驗者會認真瀏覽課程內容。另外，所有實驗對象 皆為資訊管理系學生，因此對電腦、網路及網頁瀏覽的各項操作都非常熟悉。每 位接受實驗者都會先填寫由 Silver et. al (2002)所提出的認知型態量表來判別其 所偏好的認知型態。
先讓176 位學習者填寫認知型態量表後，利用課堂時實驗使用我們的線上教 學網站，學習時間為30 分鐘，學習結束後，會進行一次小考，以確保學習者能 認真瀏覽，最後收集其學習時的瀏覽行為資訊以供分析。
去除掉 14 筆瀏覽情形異常的資料後，各型態的人數分別為注重人際型 83 人、精熟型18 人、理解型 20 人及自我表達型 41 人，共 162 名實驗者，各認知 型態的偏好分佈如表3.2 所示。在人數比例方面，注重人際型者比例最高，達到 50%，而自我表達型者則次之，佔 25%，精熟型者與理解型者則分別佔 11%與 12%。此比例分配與其他的研究相同，在王勇傑(2005)所發表的以匿名新顧客、
認 知 型 態 為 基 礎 的 適 性 化 商 品 呈 現 之 研 究(A study of adaptive product recommendation system for anonymous new customers based on their cognitive styles) 一文中也同樣使用Silver et. al 所提出之認知型態量表，所計算出人數比例同樣為 注重人際型者比例最高，自我表達型者次之，精熟型者與理解型者比例較低，因 此我們認為此認知型態量表可穩定且準確的測量出學習者的認知型態。
表3.2、學習者認知型態的偏好分佈
注重人際 精熟 理解 自我表達 總人數
資料總人數 83 18 20 41 162
所佔比率 34.2% 15% 20.8% 30% 100%
本研究主要利用「成人學習風格清單」(Silver et al., 2002)給予學習者填寫，
此清單是利用Silver 等幾位學者所提出的量表作為問卷進行，如附錄 A。依據學 習者填寫完問卷後了解學習者的認知型態，再根據各種不同認知型態瀏覽網頁情 況分析，另外也搭配知覺及判斷中四個不同層面的認知來探討學習者瀏覽網頁的 情況是否會有所差異。
3.3、以類神經網路建構學習者模型
對於不同形態的學習者需要利用不同的方式來提供學習者訊息，在本研究中 需要利用一種不需要學習者的歷史瀏覽資料進行即時的判斷，因此所要辨認的問 題是判斷個人的特徵，而這個問題與(Castellano et al., 2001; Mullier, 1999)他們所 要辨別的問題是相類似的，都是在辨別個人的性格特徵。而相類似的原因就在於 兩者都是從輸入的一連串數字中找出一些特點、特性來做分類。有些研究者相信 在這種分類問題中，類神經網路的方法是比較適合的。
並且由適性化教學網站的文獻探討中可以得知，不同的認知型態的喜好是有 差異，因此如何建立一個適合的學習者模式來達到適性化的網頁呈現是相當重要 的，在此考量了數個可能判斷認知型態的因素，包含：資訊呈現元件點選比率、
點選次數、平均停留時間以及網頁鏈結型態等四種因素，本研究的類神經網路架 構圖如圖3.7 所示：
圖3.7、類神經網路架構 輸入神經元:
本研究以輸入神經元來表示學習者瀏覽行為，所有可收集、量化的瀏覽行為 都將納入，希望利用學習者對於網站的瀏覽行為間接的看出學習者的特性，並且 經由學習者與網站的交流過程(瀏覽行為)了解每個學習者的心理活動過程。因此 對於瀏覽行為考量了所有的資訊呈現元件點選次數、資訊呈現元件平均點選比 率、資訊呈現元件平均停留時間長短以及所點選鏈結型態，並且利用以上資訊去 判斷學習者的特徵。
然而由於輸入的長度並不清楚，而且也不可能且很困難的將所有的瀏覽步驟 全部放入到輸入神經元裡面。那是因為我們並不清楚每一個學習者的瀏覽行為節 點的連續長度及潛在長度。因此，我們只能使用這些特性的統計特徵，才能夠獲 得一個的數字來當作輸入神經元的值。
在本研究中，輸入神經元被分為五個群組(如圖 3.8)。
第一類的輸入神經元群組是表示學習者在資訊呈現元件點選的次數。每一個
｛
｛
｛
輸入層 隱藏層 輸出層
注重人際型
精熟型
理解型
自我表達型
｛
資訊呈現元件 平均點選次數
資訊呈現元件 平均點選比率
資訊呈現元件 平均停留時間
鏈結型態
Bias
輸入神經元都表示他們使用這15 種資訊呈現元件的點選次數。
第二類的輸入神經元群組是用來表示學習者在資訊呈現元件點選的比率。點 選比率主要可以了解在每個不同的資訊元件中，每個學習者點選該元件的次數在 總點選次數中所佔的百分比。每一個輸入神經元都表示他們使用這15 種資訊呈 現元件的平均比率。如公式(3-1)所示，第一類的神經元數值都在 0 與 1 之間。：
第三類的輸入神經元群組是用來表示時間的影響性，為學習者在資訊呈現元 件停留的平均時間。主要可以了解在每個不同的資訊元件中，每個學習者在該元 件的停留時間之平均時間，其公式如(3-2)所示：
第四類的輸入神經元群組是用來表示學習者的鏈結型態瀏覽行為。鏈結型態 根據 3.2 節定義可以分類為四種，本研究只採取 C、E、X 三種鏈結型態。每個 型態都是用一個浮點數來表示，例如：E=0.1，X=0.2，當一個課程內容節點被點 選時它可能會是任何一種鏈結型態。此類神經元表示點選該鏈結型態之比率。如 公式(3-3)所示，第四類的神經元數值都在 0 與 1 之間
資訊呈現元件 i 點選比率 ＝
資訊呈現元件 i 點選平均次數 ／資訊呈現元件總點選次數 i = 1,15 (3-1)
連結型態 j 點選比率 ＝ 連結型態 j 點選次數 ／連結型態總點選次數
j = 1,3 (3-3) 資訊呈現元件 i 平均停留時間 ＝
資訊呈現元件 i 總停留時間／資訊呈現元件 i 平均點選次數 i = 1,15 (3-2)
除了這四種輸入型態之外，還有一個輸入值，就是閥值(Bias node)。因此在 我們的類神經網路系統中，總共有49 個輸入神經元在我們的輸入層。
輸出神經元:
輸出神經元的數目是直接根據我們的問題來定義的。而我們使用的認知型態 總共分為四種類型，所以我們的輸出神經元總共有四個。
在本研究中，我們收集的輸出值是根據「成人學習風格清單」 (Silver et al., 2002)的問卷給予學習者者填寫，此清單是利用 Silver 等幾位學者所提出的量表 作為問卷進行，在本實驗中就是採用此問卷來得到本研究最原始的學習者個人認 知型態，用以提供類神經網路的輸出層使用。它總共分為25 個題目，並且將認 知型態分為精熟型(感官─思考型)、理解型(直覺─思考型)、自我表達型(直覺─感 受型)和注重人際型(感官─感受型)。我們使用它的主最要原因就在於它是一個可 以輕易計算出個人型態，以及適合使用於學習方面的認知型態之值。因此，在本 研究中的輸出層也是採取這四種學習型態，他們分別是精熟型、理解型、自我表 達型和注重人際型四種。因此本研究中，輸出層依照四種型態總共分別分為四個 神經元。
隱藏神經元:
隱藏層提供類神經網路表現處理單元間的交互作用，與問題的內在結構，隱 藏層的數目影響類神經網路的學習能力。基本上，越多的隱藏層神經元越可以讓 網路學習以及記憶(Master, 1993)。然而，如果過多的隱藏層處理單元會導致過當 的問題發生,是因為網路記憶每一筆訓練資料過於細節而非學習每筆資料的特徵, 故在測試時無法將其一般化，此種問題可能導致訓練誤差級小，但測試誤差卻很 大的問題(Gumey, 1997)。
通常隱藏層處理單元的數目越多收斂越慢，但可以達到更小的誤差值，但是 超過一定數目時，再增加則對於降低誤差幾乎沒有任何幫助，並且只會增加執行 時間。表示出隱藏層處理單元的數目太少，不足反應出輸入變數間的交互作用，
而使得誤差較大；數目太多雖然可以降低誤差，但是由於網路複雜導致收斂較
慢。因此在隱藏層數目的選擇一般來說會遵循幾項原則(葉怡成, 2001, P4-16)：
1、 公式1：隱藏層單元數目=(輸入層單元數+輸出層單元數)/2 或
公式2：隱藏層單元數目=(輸入層單元數+輸出層單元數)1/2 2、 問題雜訊高，隱藏層單元數目宜少。
3、 問題複雜性高，隱藏層單元數目宜多。
4、 測試範例誤差遠高於訓練範例誤差，隱藏層單元數目宜減少；反之，宜 增加。
本研究在訓練時由於是一般的分類問題，因此利用隱藏層數目選擇的第一項 原則中的公式1進行決定隱藏層的數目，所以在訓練時的隱藏層神經元數目初始 設定為：(輸入層單元數+輸出層單元數)/2。
雖然隱藏層數量可以遵循以上幾項原則，但目前還尚未有一個很好的理論可 以找出最佳的隱藏層數目。一般來說，大部分找出最佳隱藏層最佳的方法，都只 能靠著實驗過程中慢慢找出來的(Masters,1993;Micarelli and Sciarrone,1996)。所 以在本研究中，將隱藏層神經元數目利用公式一設定後，再採用基因演算法 (Genetic Algorithms)來找出最適合我們實驗模式的隱藏數目，將會於3.4節中做詳 細的介紹。
3.3.1、訓練類神經網路
本研究利用基因演算法去訓練類神經網路以及找出最適合的類神經網路架 構。基因演算法是一種有效率的廣域隨機搜尋法，它可以避免在搜尋的過程中陷 入局部最小值的問題，且搜尋速度快。因此本研究利用基因演算法的特性和優點 來對類神經網路進行最佳化的訓練。基因演算法的搜尋過程見圖3.8。
圖3.8、基因演算法模式(周鵬程，2001) a. 定義染色體數目與編碼:
第一步我們先定義基因染色體的數目及如何編碼。每一基因表示一個 bit，在本 研究中，我們主要的問題是類神經網路的架構，所以根據問題定義出基因數為 11bits(圖 3.9)。
轉換函數(1 bits) 隱藏神經元數目(5 bits) 學習速率(5 bits) 圖3.9、基因結構圖
第一個基因表示類神經網路所使用的轉換函數，第二至六個基因是用來表示 隱藏層的神經元數目，最後五個基因表示在訓練類神經網路的學習速率。
b. 決定最適配函數:
剛開始我們會隨機產生20組染色體。解碼每一個染色體並訓練相對應的類神 經網路。研究中的類神經網路架構已經於3.4節有詳細的說明了。公式3-4是所使 用的適性函數。
定義染色體數目 與編碼
決定最適配函數
選擇與複製
突變過程
最佳參數解
交配過程 是否滿足 終止條件
是
否
f RMSE1 ) (χ = c. 是否滿足終止條件:
如果當染色體的適應值低於10-4或是訓練次數超過20代基因時，我們的系統 就會停止；否則這個訓練將是會繼續下去直到達成條件。
d. 選擇與複製:
選擇與複製的目的是為了讓優秀的物種留下來而淘汰較劣等的物種。保持母 體個數不變，但新一代的適合度會比上一代更好，有較高的適合度基因會存活下 來，而較低者則會逐漸減少，提升整個群體的適合度。
e. 交配過程:
在 一 般 的 交 配 方 法 裡 面 有 三 種 是 最 常 使 用 的 ， 他 們 分 別 是 單 點 交 配 (One-point crossover)、雙點交配(Two-point crossover)以及均勻交配(Uniform crossover)。而在本研究中，我們採用均勻交配法，亦即在欲交配的兩染色體外，
產生一組隨機且相同長度的染色體出來，若染色體上的某些基因值為1，則表示 兩交配染色體要進行基因交換，即新產生的隨機染色體上基因為1 的位置代表交 配點。
e. 突變過程:
突變的目的是使物種的演化不侷限在某些特定族群上，其有助於物種的演 化。在本研究中，我們設定突變率為0.1。
在本研究中，我們利用基因演算法(Genetic algorithm)與類神經網路二者的結 合找出最適合的類神經網路架構。以下主要針對經由訓練之後的訓練結果進行說 明。
在訓練時主要利用收集學習者的點選紀錄與學習者所填寫之認知型態量表 經由類神經網路建立適性化的模型架構，經由篩選後擷取出有效資料總共 162 筆。在各類型中取出1/4 的資料當作測試資料，而剩餘的 3/4 部份的資料則是作 為訓練使用。
(3-4)
