基于多Agent的智能教学模型研究
来源:用户上传
作者:
摘要 本文通过对现有网络教学系统进行分析,为实现个性化、智能化教学,设计了一种基于多Agent的智能化网络教学系统模型,利用树形结构的知识表示方法,设计了一种个性化的知识表示方法,探讨了个性化的选题策略,从而实现学生的按需学习和教师的因材施教,体现“以学习者为中心”的教学思想。
关键词 多Agent;个性化;智能教学系统;知识树
中图分类号 G424 文献标识码 A文章编号 1674-6708(2010)17-0048-02
0 引言
随着计算机和网络技术的发展,网络教学得到了越来越广泛的应用,它克服了传统教学受时空制约的缺点,使得广大师生可以异地异步完成交互式自主性教学活动。但目前大多数实际运作中的系统都是非智能化的,简单的将完全相同的课件呈现给参与学习的所有学生,无法实现“因人施教”和“因人施测”,因此将人工智能领域的Agent技术与网络教学结合起来,对在网上进行的自适应学习,自适应测试进行研究,为远程教学技术拓展了新的发展空间。
1 Agent技术
Agent技术是近几年人工智能(DAI)等领域研究的热点之一,并且已经在计算机应用领域得到了广泛的应用。Agent是指在分布式系统或协作系统中能持续自主发挥作用的计算实体, 它能作用于自身和环境,并能对环境做出适应性的反应。他具有这样的特性:
1)交互性:Agent和其他Agent(也可能是人)通过某种Agent语言进行交互;
2)自主性:能在无外界直接操纵的情况下,根据其内部状态和感知到的(外部)环境信息,决定和控制自身的行为;
3)反应性: Agent能够感知外部环境并做出适当的反应; 适应性是指Agent根据目标、环境等的要求和制约作出行动计划,并根据环境的变化,修改自己的目标和计划;
4)协作性:多个Agent可以通过规划和合作共同完成一个任务,在合作过程中,遇到冲突时能够相互通信和协商。
2 基于多Agent的智能化网络教学模型
在解决实际问题的过程中,单Agent受其知识、计算资源及其与其他Agent相互关系的限制常常不能解决一些大型、复杂的现实问题,因此多Agent的出现并成为研究的主流是必然的。在多Agent系统中,各Agent相互协商和协调以完成某一共同任务,其中每个Agent可以根据负载变化和其它Agent的情况,来协调自身的行为,对实现目标和资源的使用作合理的安排和调整,以避免冲突。在本系统中设计了多个Agent,用来实现网络教学系统的智能化、个性化。
本系统采用3层结构:
第1层是基于浏览器的表示层,主要指用户浏览器,是用户直接面对、交互的部分。登录教学系统的用户有3种身份:系统管理员、教师、和学生,不同身份的人对教学系统具有不同的权限。
第2层是中间代理层,主要包括了一个针对教学各个环节的多Agent系统。这些代理可以分为3类:
1)管理Agent:包括登录/注册Agent,协调Agent;
2)用户Agent:包括学生Agent,教师Agent,管理员Agent;
3)任务Agent:包括学习Agent,作业Agent,答疑Agent,考试Agent和个性分析Agent。
第3层是数据层,数据层用来存放所有的数据,通过服务器对数据进行查询、管理、维护、备份等常规操作。包括用户信息库、知识库、学习策略库、问题答疑库和试题库等数据。
3系统关键技术
3.1 基于知识树的教学策略的选择
本系统采用知识树来表示学生知识和领域知识,树中的每个叶子结点表示这课程的一个元知识点,学生在学习的过程中,创建一棵学习知识树,学生通过的知识点被添加到这棵学习知识树中。只有当学生知识树与专业知识树完全一致的时候,学生才算是完成了这门课程的学习。但对不同的学生,要求不一样,对这门课知识点的掌握程度也不相同。针对这一点,可以将专业知识树按照学习难度的不同生成相应的教学目标子树,简称教学知识树,不同的学生只要掌握了相应教学知识树中的所有知识点就算是完成了这门课程的学习。专业知识树根据确定的学习难度适当增加或减少教学知识树对应于具体知识内容的叶子结点,从而形成初始教学知识树。教学知识树展示了当前系统要求学生学习的内容,其叶子结点的增减是对教学策略调整的响应,也是对学生学习内容的动态规划。
本文分别采用学生知识树和教学知识树来记录学生知识和教学目标,为了记录学生对知识的掌握情况,为学生知识树中每个叶子节点设置一个属性MD反映该元知识点的掌握程度,取值分别为0、1、2。当MD=0时,表示没有掌握该知识点;当MD=1时,表示已经基本掌握该知识点;当MD=2时,表示对该知识点掌握得很好。
当学生主动向系统提出要学习某一个知识点,根据学生提出的目标知识点,在教学知识树中找出此知识点的预备知识点的集合,再在学生知识树中检查这些预备知识点的学习状况,若预备知识点集合中的知识点已基本掌握,则学生可以开始学习该知识点。
3.2个性化选题策略分析
系统的根本目的是要呈现给学生一个个性化的学习空间。接下来分析如何根据学生的能力选择合适的练习题目。
l)用户登录并验证身份;
2)若用户身份是学生,则选择本次将学习的知识点和难度;若不选择,系统将根据上次的学习进程为本次学习分配X个相应难度的知识点;
3)从学生个人资料库中读取用户以往的学习记录,如欠缺的知识点、对某一知识点的认知层次(用难度来标记)、应该达到的认知层次等;
4)将这些信息放入一维数组中,数组中元素是结构体类型,包含三部分:知识点、目前的认知层次、要达到的认知层次。如下所示:
StudyRecord{Knowledge:char[100];
L1:int;
L2:int:}
其中Knowledge表示欠缺的知识点或本次选择的要学习的新知识点,L1表示学生在欠缺知识点方面的认知层次,新知识点在这一项为空;L2表示这个知识点应达到的认知层次。
5)若数组中元素未读完,则按下标顺序读取数组的一个元素,否则转(10);
6)根据5)的读取结果从题库中选取一道合适的题目呈现给用户;
7)分析用户的做题结果;
8)如果己经达到一定的认知层次,则转5),练习下一个知识点;
9)如果未达到一定的认知层次,根据分析结果再从题库中选取一道合适的题目呈现给用户,直至达到某一认知层次为止,转5);
10)开始新知识点的学习,新的学习将不断重复7)、9)两步;
11)结束。
4 系统的特点
1)控制不再集中本系统中所提供的学习过程以及学习的规则虽然也由系统设计者预先制定,但教学过程相比上一代更有弹性。整个过程由师生双方其至是更多方共同完成,学生可以通过Agent表达自己的意见。通过把控制权力从教师手上分流到学生以及所有参与者手上使系统更具协同性。
2)系统具有一定的智能性比如系统能够根据对学习过程的评估,对不同能力的学生或者不同级别的学生采取不同的学习策略,对应的教学资源也就相应改变。
3)强调因材施教利用Agent的智能性,记录分析学生的学习情况,根据他们的认知水平,调整课程难度。水平高者,课程难度适当增加或者加快课程进度;水平低者,则适当降低难度或减慢进度。这样能最大限度地挖掘每个学生的潜力,改变传统教育的“一视同仁”,实现个性化教育。
4)系统的可维护性和可扩充性好系统中的多个Agent是相互独立而又彼此联系的实体,易于维护和扩充,从而提高了整个系统的可维护性和可扩充性。而且,系统是在J2EE技术基础上完成的,J2EE本身与平台无关,具有可移植性,所以本系统适用于不同的平台。
5 结论
与传统的网络教学系统相比,基于多Agent的网络教学平台为个性化学习提供了一个良好的学习环境,它可以充分调动学生的学习兴趣,提高学生的创新能力,改善教学效果,真正实现网络教学的个性化、智能化。智能性的多Agent技术的应用,为学习过程提供人性化指导和导航,大大提高了学生的学习效率。
参考文献
[1]何炎祥,陈莘萌.Agent与多Agent系统的设计与应用[M].武汉:武汉大学出版社,2001.
[2][英]Michael Wooldridge.多Agent系统引论[M].北京:电子工业出版社,2003.
[3]刘树刚,刘弘.多Agent系统在网上协同教学中的应用.计算机系统应用,1999(11):16-18.
[4]陈乙雄.基于Agent的网络个性化教学系统研究与实现[D].重庆大学,2006.
[5]陈坤,邓贵仕.智能教学系统的多Agent模型体系构建.2006中国控制与决策学术年会论文集,2006:557-560.
[6] M Viroli,A Ricci,A Omicini.Operating instructions for intelligent agent coordination. Knowledge Engineering Review,2006,21(l):49-69.
转载注明来源:https://www.xzbu.com/8/view-8814338.htm
