用九型类型分组：数字化学习中的学生分组策略

文章基本信息

本文原载 2014 年 IEEE 会议论文集（ISBN 978-1-4799-3732-5/14）。作者 Mircea-Florin Vaida 与 Petre G. Pop，罗马尼亚克卢日-纳波卡技术大学（Technical University of Cluj-Napoca）通信系。原文标题 Grouping Strategy using Enneagram Typologies。原文含 5 幅图（图 1—图 5），无编号数据表格。本站据原文译出：全部图形依原文描述重绘为矢量示意图，图中英文标签译为中文；原图 1b 的类型名称、正文中「九型类型与荣格心理功能对应」一表，均整理为表格呈现。供学术研究参考。

编者按：这是一篇把九型人格「用」起来的工程论文。作者来自罗马尼亚克卢日-纳波卡技术大学通信系，他们要给「数字化学习」的学生分组——不是按成绩、也不是按技能，而是按人格类型。做法是：用九型人格的 RHETI 测验测出每个学生的类型，用一台普通网络摄像头加眼动追踪系统测出他（她）的 NLP 画像（视觉型、听觉型、感觉型、动觉型），再按九型图的「整合／解离」方向与「三中心（腹／心／脑）」规则配组，让每组在三个中心里各有一人、且各 NLP 结构各有代表。三年的案例研究表明：这样分出来的组，沟通更多、成果更原创、也更可靠。本文与其姊妹篇《利用九型人格方法与眼动追踪在数字化学习中对学生进行分组的一种替代策略》（2010 年 IEEE，本卷另有译文）一脉相承，可对照阅读。

摘要

学生常常被鼓励以小组合作的方式去解决复杂任务、培养协作技能。然而，经典的分组策略并不考虑学生的性格，也不考虑小组成员之间的相容性。本文提出一种替代性的分组方法，它同时依据学生的类型学（typology）与其神经语言程序学（NLP）画像。类型依据九型人格方法论、借助 RHETI 测验来确定，测验结果是某个「核心特质（chief feature，即基础类型）」。小组由核心特质彼此相容的成员组成，相容性依九型人格原理判定。文中还基于 MBTI 类型引入了新的分组关联。NLP 画像则由一套眼动追踪系统基于眼球运动模式来评估。所提出的分组方法在一个数字化学习环境中得到检验，该环境由一个内容管理系统（CMS）与一个眼动追踪组件构成，眼动追踪基于一套仅用普通网络摄像头的低成本方案。用本方法所创建的小组，成员之间的沟通有所增加，实践成果也更好。测试对象包括不同教学与实践环节中的本科（Bachelor）与理学硕士（Master of Science）学生。

关键词：数字化学习；分组策略；眼动追踪；九型类型；MBTI；NLP 画像。

一、引言

当今教育的一大趋势，是把基于计算机的任务与实践活动结合起来。教师在课程纲要的边界内，依学生的兴趣把他们导向相应的信息，于是学生在界定课堂结构上扮演了重要角色。学校制度的引入，让学习过程对每个人、在每个地方都成为可能。随着时间推移，这一制度经历了许多改革，其中有少数激进的试验，也有一些涉及教育学、心理学方法与高科技的新路径。这些改革大多常被否决（Barton, Meigham & Walker, 1980）[3]；而传统结构却带着它那些不尽如人意的方面，在各个学段延续下来——许多社会与教育分析者都指出了这一点。

本文通篇聚焦于发生在大学这类机构中的「以学生为中心的学习」，主要目的是提升学生的实践能力。这种基于师生关系的学习被称为「正式学习（formal learning）」。「以学生为中心的学习」（student-centered learning，SCL）一词在教育文献中被广泛使用，并被赋予过不同含义，其用法可上溯至 1905 年（O'Sullivan, 2004）[18]。据（Kember, 1997）[14]，教学有两大取向：

• 以教师为中心／以内容为导向的取向：专注于教师把知识从专家传递给学生；
• 以学生为中心／以学习为导向的取向：知识由学生自行建构，讲师是学习的促进者，而非信息的呈现者。

学术课程通常以内容为导向，而实践活动则力图遵循以学生为中心的取向。在一门课程中，教师成为促进者与资源提供者，负责传递课程纲要的内容；学生则对自己的学习负全部责任，应当投入并参与课堂。

数字化学习这类协作环境，便于开展合作式学习：学生合力同心、交换知识。当学生为达成共同目标而协同工作、并且有积极正向的结构来支持这一过程时，合作式学习才是有效的（Johnson & Johnson, 1975）[13]。在经典的教学过程中，一套高效的分组策略依赖于给小组成员指派预定的角色。例如，一名学生负责设计，另一名负责任务管理，还有一名实际执行活动。角色能让学生发现、锻炼并发展各自的技能，而整个小组则从其各类专才的协作中受益。

角色是一种常见的社会心理学因素，对群体有着显著影响。但其他分组策略还会考虑关系、权力或依赖性等因素（Thibaut & Kelley, 1986）[24]。

本文所处理的问题可表述如下：把一班学生划分为若干小组并分配角色，依据一套恰当的分组策略，以最大化基于团队的项目效率。

我们采用的是一种兼顾小组成员之间性格相容性、以及他们对特定角色倾向的分组策略。我们的目标不只是创建能在学习实践活动中取得最佳成绩的小组，还要帮助学生成长为专业人才，使他们日后能轻松融入真实的工作环境。

我们的方案面向一班学生。第一步，借由我们的数字化学习环境，在个人实践活动中对学生进行观察。该环境由一个内容管理系统（CMS）与一套眼动追踪系统构成（Pop & Vaida, 2009）[19]。

眼动追踪系统会检测学生何时难以跟上课程的视觉呈现。一旦出现这种情况，学生会被展示补充解释；若多名学生遇到同样的困难，教师会收到通知，从而可以着重讲解。教师自动收到的这种反馈，意在弥补学生方面直接反馈的缺失。除了帮助学生，该系统还能探测学生性格的某些侧面（例如对视觉元素、听觉元素的偏好，是否喜欢口头交流等）。这些侧面界定了学生的 NLP（神经语言程序学）画像。

下一步，我们用 RHETI（赖斯-赫德森九型人格类型指标，Riso-Hudson Enneagram Type Indicator；Hudson & Hudson, 1999）[12] 测验，来确定学生的九型类型。

最后，我们综合九型类型与 NLP 画像，把班级划分成小组。

所用的分组策略基于类型学相容性，而相容性是九型人格之心理学诠释的产物。某些类型若能与其心理学上的互补者相连，会表现出更好的进展。这样组队的成员，成绩优于那些不考虑性格因素、也不考虑性格之间相容性的小组（Vaida & Pop, 2011）[25]。

二、人格九型

九型图符号（图 1a）的起源来自苏菲传统（Sufi Tradition），并融汇了诸多过往传统的智慧，如毕达哥拉斯、柏拉图、犹太教、基督教、印度教、佛教、道教、琐罗亚斯德教等（Hudson & Hudson, 1999）[12]。苏菲传统承袭了一套以九点系统为基础的神圣心理学传统，其源头可追溯到 13 世纪的伊斯兰学者纳西尔丁·图西（Nasir al-din Tusi）。

「九型（Enneagram）」一词源自两个希腊词：ennea（九）与 grammos（被写下或绘出的东西）。九型图是一个九点图形，通常置于一个圆圈之内。

人格九型（通称「九型人格」，the Enneagram of Personality）被用于多种情境，包括商业、心理治疗、灵性发展工作、艺术与教育。它是把九型图应用于人格议题的一个分支，包含九种类型（图 1）。人格九型大多被作为一种「心理-灵性类型学」来教授和理解，其呈现方式意在发现并发展更高的存在状态、本质与开悟。每一种九型人格类型，都表达着一种独特且习惯性的思维与情感模式。人若认出自己的人格模式，便可能把九型人格用作自我理解与自我发展的方法。

九型图上的各点，指示了九种主要的「自我-原型」形态——即称为「九型类型（Enneatypes）」的人格类型——在心理上彼此关联的若干方式。九型类型可冠以不同名称，或更通用地以数字称呼。以下是若干变体名（图 1b，见表 1）：

注：九型图由三部分构成——圆、内三角（3、6、9）与六边形（1、4、2、8、5、7）。依灵性传统，圆象征「合一」，内三角象征「三律（law of three）」，六边形代表「七律（law of seven）」。

表 1　九型类型名称（原图 1b）

唐·理查德·里索（Don Richard Riso）与拉斯·赫德森（Russ Hudson）在《九型人格的智慧》（Hudson & Hudson, 1999）[12] 中，给出了九型类型与荣格心理功能之间如下一些可能的对应：

表 2　九型类型与荣格心理功能的对应

另有一些不同的类型对应表（Myers Briggs & Myers Briggs, 1995）[17]。但这些对应其实并不成立：每一种九型类型都可能带有若干荣格类型的特点，而每一种荣格类型也可能带有多于一种九型类型的特点。它们只能为九型类型与荣格功能提供某些可能的指向。

赖斯-赫德森九型人格类型指标（RHETI）是一项经过科学验证的迫选式人格测验，含 144 对陈述句，可用于判定一种类型。9 种类型可能会带来一些成见，从而引入基于以下机制的冲突：激进化、过度概括、选择性变形、自我贬低、推断、情绪化、窄化自由、贴标签、个人化。我们可以认出并理解：是头脑中错误的过滤，引入了这些状态。

我们的目标是创建一个和谐、能够协作并取得有价值成果的小组。

三、数字化学习中的眼动追踪

移动计算的深度普及，体现在如今几乎每个学生都拥有一台笔记本电脑和／或一台智能设备。此外，由于通信需求不断演进，大多数笔记本都配备了内置网络摄像头。我们正是利用这项广为可得的技术，来实现一套以学生为中心的数字化学习方案。

学生用自己的笔记本跟随课程材料的演示。上课过程中，每张幻灯片的某些区域会吸引特定学生的注意。这通过分析他们的眼球运动来测量，而眼球运动由内置网络摄像头捕获。当检测到困难（表现为对视觉场景中某些元素的兴趣增强）时，它会被记录下来，并自动向该学生展示补充解释。若有更多学生遇到同一问题，教师会收到通知，从而可以着重向学生讲解。下课时，系统会依据记录下来的困难段落生成一份报告，供日后回顾。衡量学生在跟随教师演示时的困难程度，靠的是分析他（她）对视觉场景的反应，依据的参数包括注视次数、再注视次数、注意水平等。这些视觉信息由眼动追踪系统采集。

当场景呈现在计算机显示器上时，需要眼球运动才能把注视点从被观察场景的一处移向另一处。捕获这些运动并评估上述参数，为教师提供了关键反馈，教师由此可以客观地评估学生对其材料的理解。由于仅基于普通网络摄像头，系统只能达到令人满意的性能，但对学习用途而言，这已被证明是足够的。

A. 眼动模式与人格的关联

借助 NLP，可以根据不同结构中眼动模式的某些具体特征，对人进行分类（Knight, 2002）[15]。如果我们能确定一个人占主导的模式，就能给他发送与之适配、贴合其人的信息。借由 NLP，我们能够确定视觉型（visual）、听觉型（auditory）、感觉型（sensitive）与动觉型（kinesthesia）这几种结构（Vaida & Pop, 2011）[25]。

基于这一分类，眼动追踪系统把学生归入相应的结构。我们利用学生性格的这一侧面，来分配其在小组中扮演的角色。

B. 基于类型学的分组策略

我们用数字化学习来教授与软件相关的学科：面向对象程序设计、软件工程，以及电信高级软件。每门课程之后都跟随实践学习活动。

每个模块的第一部分，专门用来让学生熟悉实践活动所使用的技术。我们利用这段适应期来观察学生。这种观察，一方面由学生用来跟随理论内容时所用的眼动追踪系统完成，另一方面由主持实践活动的教师完成。

到学期中段，需要把学生分配到各个工作组。每个工作组获得一个项目，在学期末评估。在组内，每名学生扮演一个界定明确的角色。作为一个软件项目，我们支持的角色有：管理者、设计者、分析师、程序员、测试者与技术文档撰写者。由于成员数量有限，并非每个组都能让每种角色都有人承担。

给定这一情境，我们现在可以表述所要解决的问题：要最大化学生解决既定任务的潜能，把初始学生集合 {S} 分配到各小组 {G} 与各角色 {R} 的最佳分组策略是什么？

处理这一问题分两步（图 2）：

• 用眼动追踪系统确定学生的 NLP 画像 N。
• 用 RHETI 九型测验确定学生的类型 T。

到这两个阶段结束时，{S} 中的每名学生都被赋予一个二元组（T, N）。分组策略，就是从（T, N）到（G, R）的一种变换。这一过程在本节末尾详述。

注：（T, N）→（G, R）表示由「类型＋NLP 画像」变换为「小组＋角色」。

C. 数字化学习平台

数字化学习平台有两个组件，分别对应学习过程中的两方（图 3）：

• 学习助手（Learning assistant）：用于帮助课程参与者，跟踪其进度并提供计算机辅助；
• 教学助手（Teaching assistant）：由课程负责人使用，用以监督学习过程。

学习助手依靠网络摄像头来评估受试者对视觉场景的反应。要评估受试者对视觉场景的反应，就需要对学生在阅读课程材料时的行为进行建模。

大体上，视觉场景由文字区域与图像构成。这些元素被称为「感兴趣区域」（Regions of Interest，ROI）。对文字区域的典型反应，是通读全文，并把注意力放在对学生而言是新的、或被有意标记为重要的元素上（例如某些加粗的词）。可与学习困难相关联的行为，则表现为对视觉场景某些区域的注视时间更长，或形成不规则的阅读模式。

学习助手的眼动追踪组件基于「机器感知工具箱」（Machine Perception Toolbox，MPT）框架（Fasel & Dahl, 2004）[7]，该框架提供跨平台的实时感知原语库，包括人脸检测、眼睛检测、眨眼检测与颜色追踪。MPT 提供了对眼睛检测的支持，我们用它来实现实时眼动追踪。由此得到的数值被送往场景追踪组件进行分析。

受试者的注意常被那些并不提供重要信息、但在他看来可能重要的元素所吸引。观察者往往会把注意力集中在特定情境下不寻常、不熟悉、难以理解之类的元素上。在变换注视点时，观察者的眼睛会反复回到场景中的同一批元素上。额外的注视时间并非用于查看次要元素，而是用于重新审视最重要的元素（Yarbus, 1967）[26]。

识别对受试者而言重要的元素，称为「场景追踪（scene tracking）」。在场景追踪过程中，受试者的视线需要被换算成一个 ROI。

首先，我们评估场景中每个元素的注视次数，然后选出高于某一阈值的元素。这一空间分析的结果即为「注视模式」：视觉场景中某一特定区域的注视次数被转换为「热点（hot spots）」，其中红色或更深的区域，表示注视次数更多（Vaida & Pop, 2011）[25]。

每张课程幻灯片都预先由知识处理器标注，ROI 在屏幕上的位置是已知的。因此，我们只考虑落在这些元素之上的注视，忽略其余部分。这会比普通眼动追踪方案生成一幅更准确的视觉场景「热点」图。场景追踪往往识别出多于一个元素。由于学生面对一个场景的时间有限，我们需要挑出场景中最重要的元素。我们把这种对元素的挑选称为「兴趣追踪（interest tracking）」。

为简化起见，我们选取受试者最先、也最集中注视的那个元素。这就是学生对该视觉场景的主要兴趣所在。感兴趣的元素随后被送往教学助手进行统计处理。依据送来的兴趣点，会收到以「新知识」形式返回的响应——即与场景中被观察最多的元素相关的附加信息。

教学助手是一个 CMS，用于承载并管理学习过程中传递给学生信息。首先，教师创建课程材料。课程流程类似一场典型的演示，一页一页地进行。

知识处理器是执行 ROI 识别与标注的自动化过程。它分析内容，并把它切分为各个「知识单元」。每个知识单元可以是一个文本块或一幅图像。

文本块被拆分为文本片段，并去除停用词。每个文本片段都链接到与其语义相近的词条。语义分析使用一个名为 WordNet 的词典（Fellbaum, 1998）[8]、（Alboaie, 2008）[1] 来搜寻同义词。图像则被附加一段语义描述。关于视觉场景的语义信息，被「交互式知识模块」用作搜索模式。我们以 Wikipedia 作为新知识的来源。当某个搜索模式链接到某个 Wikipedia 页面时，该页面便作为基于受试者兴趣的新知识，被送往学习助手。当学生以补充信息的形式看到这一新知识时，我们就认为他在跟随课程某一方面时遇到了困难。所有这些困难都会从全体课程参与者那里实时汇集，并由统计处理器绘制在一张图上。如此一来，教师便能在讲授过程中监控进度，并通过着重讲解那些易出问题的主题来调整学习过程。

D. 学生分组

在创建学生小组时，我们希望最大化组员之间的正向互动。若把小组成员之间的相容性纳入考虑，这一点便可达成。所有类型的显现，都可以在成员数量有限（少于九人）但彼此有特定互动的情况下实现。一个小组至少需要三名成员，才能形成最优结构。有一种策略认为：九型图由三个「三元组（triads）」组成，每个三元组内的九型类型据信共享相似特征。罗尔（Rohr）把它们称为「腹中心（Gut）」「心中心（Heart）」与「脑中心（Head）」三元组（Rohr & Ebert, 1992）[21]。

从理论上说，我们每个人身上都有其中一个中心占主导。一个最优的小组结构，至少需要三个三元组各有一名代表——但不是任意一名代表。

分组过程始于识别「核心特质」和／或「翼（wings）」。（第三型与第一型是第二型的翼。）就亚型（subtype）而言，两条翼中较弱的那条类型，参与构成该亚型。

每一种九型类型都与另外两种类型相连，而这两种类型分处不同三元组。这些连接显示了一种九型类型在「整合（成长）」或「解离（压力）」条件下如何表现（Vaida & Pop, 2011）[25]，见图 4。

在我们的研究中，我们考虑一种基础类型、一种处于整合方向的类型，以及一种处于解离方向的类型。如此，借由一次通用的九型测验与恰当的诠释，就有可能界定出高效的小组。这样的小组，三个三元组各有一名代表，彼此互补。

用九型类型来构成小组结构，保证了类型的多样性。但若想最大化一个小组的成功，这还不够。为此，我们把九型规则与由眼动追踪系统确定的 NLP 画像结合起来，以得到在每个 NLP 结构——视觉型、听觉型、感觉型、动觉型——上都有代表的成员的小组。

我们提出的分组策略遵循图 5 的算法：它从初始学生集合 {S} 出发，创建一组理想的小组 {G}。到最后，并非所有学生都会被分配到完整的小组中。处于这种情况的学生会被再分配，使所有小组都至少有 3 名成员，并至少部分满足以下两个条件：要么小组结构遵循九型规则，要么小组在每个 NLP 结构上都有代表。

注：据罗尔（Rohr & Ebert, 1992）[21]，九型图分腹、心、脑三个三元组；整合／解离方向沿同一六边形（1-4-2-8-5-7）往返。

注：算法先按九型规则配组，若某组不足 3 人或不能同时满足两个条件，则对剩余学生再分配。

四、结果

案例研究在数年时间里持续开展，对象包括理学学士班级的学生，以及理学硕士第一年的学生。针对基于九型类型与 MBTI 的小组选择，逐年引入了改进。学生在本科的「面向对象程序设计」与「软件工程」课程、以及硕士的「电信高级软件」课程的实践活动中被观察。每学期的第一部分专门用来观察学生。这种观察，一方面由学生用来跟随理论内容时所用的眼动追踪系统完成，另一方面由主持实践活动的教师完成。到学期中段，学生参加 RHETI 测验，并按所提出的策略被分配到各工作组。每个工作组获得一个项目，在学期末评估。

每年，我们在半数学生身上应用这一方法，另一半则按「基于技能」的策略分组（每组安排一名专家）。这些学生被用作参照，以比较结果。

小组项目的第一部分，是依据规格说明创建一份「任务手册（Task notebook）」。随后，小组把主要任务分派给每名成员，并在「外部／内部团聚会（External/Internal Reunion meetings）」中，把各种缺陷清楚地加以说明与分析。任何新提出的方案都不会因受到批评而被否决；如有可能，会在会上选定一个新方案。这种做法鼓励创造力与原创性。内部团聚只包含小组成员，而外部团聚则要求教师在场。最终成果是一份「规格手册（Specification Notebook）」以及产品的实现。

那些能催生新技术方案的思维连接，并不局限于经典的标准解法。小组聚会意在激发头脑风暴。当个别成员对一个想法用尽自己的思路时，另一位成员的创造力与经验可以把这一想法推进到下一阶段。因此，小组头脑风暴往往比个人头脑风暴更能把想法引向深处。

在实验结束时，有三个方面值得注意：

• 使用头脑风暴的小组成员，进步更为明显——不在于特别获得了多少知识，而在于学会了如何把知识与创造力结合起来。在约 25% 的头脑风暴小组中，进步相当可观。
• 按本文所提出的、基于九型类型与 NLP 画像的策略所分配的小组，其成员被证明比经典小组的成员沟通得更多。沟通以头脑风暴为特征，这一切都使小组变得更高效。
• 所开发出的产品具有原创性、充满创造力，而且更可靠。

另有一项实验，是在一年级学生于丹麦软件公司 Wirtek 的克卢日-纳波卡分公司进行暑期实习期间开展的（Vaida & Pop, 2011）[25]。这项实验也得到了类似的结果。

五、结论与展望

我们的方案，把一套面向实践活动的分组策略与一个数字化学习平台整合起来。分组时同时考虑学生的类型学与其 NLP 画像。类型依据九型人格方法论、借由 RHETI 测验来确定。小组由至少 3 名类型相容的成员组成；相容性依据九型图上整合与解离的方向判定。这同时确保每个小组在三个九型三元组中各有一名成员。

NLP 画像由一套眼动追踪系统、基于眼球运动模式来评估。该项测验的结果也在小组结构中发挥作用，因为每个小组都需要有一位各既定画像的代表。

我们用自己的数字化学习平台来实现这一分组方法，因为数字化学习便于开展合作式学习。当学生为达成共同目标而协同工作、并且分组得当时，有效的合作式学习便会出现——良好的分组能促成更好的小组沟通、避免争权夺利等。

我们在较长的一段时期里，针对具有不同小组合作经验水平的学生开展案例研究，以检验我们的方案。我们在既往研究（Vaida & Pop, 2011）[25] 中详述的结果表明：用本方法创建的小组，在自我发展与小组沟通方面，表现优于那些不考虑人格因素的小组。

为进一步改进分组策略，我们引入了一个新要素——迈尔斯-布里格斯类型指标（MBTI）模型；它在成功企业中也常被用来组建高效工作组。一种名为「Footprints（足迹）」的新分组算法——它是一种半机会主义（semi-opportunistic）的分组机制——将被整合进来，用以创建工作组。

参考文献

1. Alboaie, L. (2008) PRES - Personalized Evaluation System in a Web Community, ICE-B International Conference on e-Business, Portugal, pp. 64-69
2. Amato, C. H., Amato, L. H. (2005) Enhancing Student Team Effectiveness: Application of Myers-Briggs Personality Assessment in Business Courses. Journal of Marketing Education, Vol. 27, No. 1, 41-51.
3. Barton, L., Meigham, R. & Walker, S. (1980) (Eds.) Schooling, Ideology and the Curriculum. Lewes, Falmer Press.
4. Broer, E., McCarley, N.G. (1999) Using and validating the Myers-Briggs Type Indicator in mainland China. Journal of Psychological Type, 51, 5-21.
5. Calvi, C., Porta, M., and Sacchi, D. (2008a) e5Learning, an E-Learning Environment Based on Eye Tracking. In Proceedings of the 2008 Eighth IEEE international Conference on Advanced Learning Technologies (July 01 - 05, 2008). ICALT. IEEE Computer Society, Washington, DC, 376-380.
6. Cattell, R. B. (1946) The description and measurement of personality. New York: Harcourt, Brace, & World.
7. Fasel, I., Dahl, R., Hershey, J., Fortenberry, B., Susskind, J. and Movellan, J. (2004) The machine perception toolbox, http://mplab.ucsd.edu/grants/project1/free-software/mptwebsite/API/index.html
8. Fellbaum, C. (1998) WordNet: An Electronic Lexical Database. MIT Press, Cambridge, MA.
9. Gütl, C., Pivec, M., Trummer, C., García-Barrios, V. M., et al. (2004a) AdeLE: Framework for Adaptive E-Learning through Eye Tracking. In proceedings of the I-KNOW '04, Graz, Austria.
10. Gütl, C., Victor, M., García-Barrios, V. M., Mödritscher, F. (2004b) Adaptation in E-Learning Environments through the Service-Based Framework and its Application for AdeLE. Proceedings of E-Learn 2004 Conference, Washington DC.
11. Hanson, R., Tacy, A., GWT in Action: Easy Ajax with the Google Web Toolkit. Manning Publications, 2007.
12. Hudson, D. R., Hudson, R. (1999) The wisdom of Enneagram, The Bantam Dell Publishing, Random House.
13. Johnson, D. W., Johnson, R. (1975) Learning together and alone: Cooperative, competitive, and individualistic learning. Boston: Allyn & Bacon. First edition.
14. Kember, D. (1997) A reconceptualisation of the research into university academics conceptions of teaching. Learning and Instruction 7(3), 255-275.
15. Knight, S. (2002) NLP at work. The Difference that Makes a Difference in Business, Sue Knight Books & Talks.
16. McAffer, J. and Lemieux, J. (2005) Eclipse Rich Client Platform: Designing, Coding, and Packaging Java(Tm) Applications. Addison-Wesley Professional.
17. Myers Briggs, I., Myers Briggs, P. (1995) Gifts Differing: Understanding Personality Type. Mountain View, CA: Davies-Black Publishing.
18. O'Sullivan, M. (2004) The reconceptualisation of learner-centred approaches: A Nambian case study. International Journal of Educational Development, 24:585-602.
19. Pop, F.-C., Vaida, M.-F. (2009) Adaptable learning using eye tracking. Digital Learning India 2009, the 5th annual conference, Hyderabad, India.
20. Porta, M. (2008) Implementing Eye-Based User-Aware E-Learning. In proceedings of the CHI 2008, April 5 – 10, Florence, Italy.
21. Rohr, R., Ebert, R. (1992) Discovering the Enneagram: An Ancient Tool a New Spiritual Journey, Crossroad Publishing Company, New York.
22. Shen, S.-T., Prior, S. D., White, A. S., Karamanoglu, M. (2007) Using personality type differences to form engineering design teams. Journal of the Higher Education Academy Engineering Subject Centre, Vol 2, No 2, 2007.
23. Tian, F., Wang, S., Zheng, C., Zheng, Q. (2008) Research on E-learner Personality Grouping Based on Fuzzy Clustering Analysis. Computer Supported Cooperative Work in Design, 2008. CSCWD, pp. 1035 – 1040. April 2008.
24. Thibaut, J., Kelley, H. (1986) The social psychology of groups. Transaction Publishers.
25. Vaida, M.-F, Pop F.-C., Cremene M., Alboaie L., (2011), Creating Optimal Groups of Students in E-learning using Alternative Methodologies, CATE2011, Cambridge, July 11 – 13, pp. 30-37
26. Yarbus, A.L. (1967) Eye movements during perception of complex objects. In Riggs, L. A. (Ed.), Eye Movements and Vision, chap. VII, pp. 171-196, Plenum Press, New York.

原文出处：Mircea-Florin Vaida & Petre G. Pop, «Grouping Strategy using Enneagram Typologies», 2014 IEEE（ISBN 978-1-4799-3732-5/14）。中文译文由易境据原文译出，供九型学苑研究卷学术参考；原文图 1—图 5 依其描述重绘为矢量示意图，图中英文标签译为中文；参考文献按原文照录。