【摘 要】 为了解决伴随远程学习而产生的“学习偏离”和“认知过负”问题，基于学习风格偏向性的个性化学习路径推荐是一个解决方案。但现有智能学习系统，因其底层缺乏可自组织的资源组织结构，导致学习对象无法动态选择。为了解决这一问题，本文提出基于3向可演化的语义链网络（SLN）资源组织结构，并在此基础上开发了原型系统Smap。具有不同学习风格偏向性的学习者，可以根据SLN中的语义关系获得符合其学习风格的学习路径引导。 全文查看链接 　　ILS是由R.M.Felder开发的一个在线测试Felder-Silverman学习风格[27]偏向性的工具，因其具有较高的准确性而得到同行的普遍认可。在Felder-Silverman学习风格模型中，我们选择“活跃/沉思”、“感知/直觉”、“图片/文字”、以及“顺序/全局”4个维度作为关键维度来组织学习资源和建立学习者学习风格的模型。而各个维度的学习风格偏向性对学习资源的组织产生的影响如下： 全文查看链接 　　4. 三向SLN必须的新特性 全文查看链接 　　在“感知/直觉”维度上，学习路径对于学习者来说没有太大区别，基础知识伴随着相应的学习实例总是会提升学习者的效率。因此，对应在3向SLN中，如果一个节点与另一个节点通过语义关系“ins/bas”连接，那么只要一个节点已出现在学习路径中，就将另一个节点也添加在学习路径中。 全文查看链接 　　试验所设置的参数为[S1]=0.01，[S2]=0.6，[θ]=2。图7-a中所示的有向线代表语义关系“seq”（顺序），而语义关系“exp”（扩展）则由系统生成，如图7-b中用虚线框起来的点。图7-a和7-b右下角被圈起来的有向虚线则表示语义关系“ins/bas”（实例或基础知识）。在这个3向SLN图中，右上角的7个孤立节点表示这7个学习对象没有与图中任意一个知识点有相似或相近的关联。换言之，它们无法在3向SLN图中找到自己适合的位置。在这种情况下，这些孤立节点需要学科领域专家进行审查，要么将其添加到已有SLN图中适当的位置上，要么将其从图中删除。图7-b所反映的另一个有趣的现象是关于节点N15、N35和N36，它们被认为是节点“Degree”的重叠节点（其中一个节点的“title”值为“Degrees of tree”），因为这些节点相互之间具有很高的相似度。根据自组织规则，这些重叠的节点在演化过程中继承了节点“Degree”的所有语义关系。 全文查看链接 　　[2] M. J. Eppler and J. Mwnfia， Concept of information overload： a review of literature from organization science， accounting， marketing， MIS， and related disciplines. The information society， vol. 20， no. 5， pp. 325-344， 2004. 全文查看链接 　　[14] H. Pashler， M. McDaniel， D. Rohrer， and R. Bjork， Learning styles： concepts and evidence， Journal of Psychological Science in the Public Interest， vol. 9， no. 3， pp.105-119， 2009. 全文查看链接