论文部分内容阅读
【摘 要】 针对目前网络学习系统中普遍存在的学习有效性监督等问题，提出建立基于模拟学生代理的智能化网络合作学习系统，并以电子商务专业为例，论述了如何实现网络学习过程中讨论主题相关性以及监督学生积极参与讨论等主要问题。通过智能学生代理的监督和干预，可以有效保证学生在系统中的学习效率，确保学生讨论的主题与预先设定的学习目标密切相关，并督促群组内每个学生积极参与讨论。
【关键词】 模拟学生；智能代理；学习系统
【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009—458x（2014）12—0067—05
引 言
计算机和网络技术的迅速发展给人们的生活、学习和工作产生了巨大的影响。网络教学有了极大的发展空间，计算机辅助教学系统模拟师生之间的教学活动，弥补了高校多校区办学模式下教学过程中师生交互不足的缺憾。本文以电子商务专业为例，研究以合作学习为主要特点的网络辅助学习系统。在电子商务专业学习过程中，合作学习是一种重要的学习方式，例如在学习B2B、B2C和C2C三种电子商务模式时，为了满足学生理解理论知识和应用型教学的需求，需要学生分别扮演商家、银行、厂家、物流企业、消费者、第三方支付平台等角色，体验各个角色在不同电子商务模式中的功能以及理论的实践应用；同样在《网上支付与结算》课程中同样需要学生模拟并体验银行、顾客、消费者、商家等不同角色，充分理解网上支付及结算过程中的理论应用以及需要注意的问题。这些均要求学生进行分组协同，才能更好地完成学习任务。虽然现有多种网络学习平台，一定程度上满足了上述需求，但在教学实践中发现尚存在两个方面的不足：首先，学生分组学习过程中参与程度差异较大，有的学生在系统中异常活跃，而有的学生基本不参与讨论或者参与很少，这使不同学生在系统中的学习效果有明显差异，不利于整体教学效果；其次，学生在学习过程中讨论内容容易偏离学习主题，使得学习效率低下。针对这两个主要问题，本文以模拟学生代理模型为基础，建立新的合作学习系统，通过模拟学生代理监督检查学生学习主题符合程度及个体学生参与程度，发现问题后采取有效的措施纠正偏差。
一、文献回顾
学者G Acampora（2011）利用多代理技术和计算技术相结合，建立了提供个性化的自适应学习模型，有效提高了系统的计算效率；Yann-Micha?l De Hauwere（2010）针对基于多代理学习系统中面临的状态空间增长后，代理面临的策略复杂性以及学习缓慢等问题，提出了利用通用学习算法（generalized learning automata，GLA）解决多代理学习系统中存在的问题；Jean-Pierre Fournier（2008）把自适应软件技术应用于电子学习系统中，以计算机应用技术专业为例说明了系统中学习代理的行为标准及动态平衡过程；Xiaoqing Li（2007）讨论了智能代理和其他相关技术解决诸如个性化、移动便利性、学习组的合作等问题，使得在线教育更加开放，更适合动态环境；Francisco Martinez-Gil（2008）针对大状态空间环境下代理策略的复杂性问题，提出使用非参数决策规则，将状态空间划分为不同的簇，并通过实验验证该方法具有较好的分类效果。我国学者也开展了相关研究。吴飞等（2009）结合目前智能代理、领域本体知识和个性化服务等，提出了网络教育平台突出问题的解决方案，如学习资源检索技术、个性化推荐技术、元数据信息提取和描述等方案；逄华等（2011）建立了一个新型的基于移动Agent技术的教学资源推荐系统，具有较好的正确率和查全率；黎孟雄（2012）基于模糊聚类的方法，结合协同过滤、智能分词等技术，对目标用户的检索要求进行预测和推荐，有效提高了推荐的质量和精度。
二、模拟学生行为模型（SSBM）
在网络学习平台实践过程中，如果简单地将学生分组，要求他们解决某个指定问题，很难保证合作学习的有效性。本文以Aurora Vizcaíno（2004）提出的模拟学生（Simulated Student，SS）为基础，利用学生代理监测学生行为，并纠正讨论与学习目标无关的话题、学生长时间不参与讨论等不利行为。
所谓模拟学生，即一个智能代理，其行为与普通学生类似，利用其智能行为主动监督检查学生学习过程中的行为，以阻止或减少不利于学习的行为发生。Aurora Vizcaíno（2004）提出模拟学生行为模型（Simulated Student Behaviour Model， SSBM）主要有问题探测器、会话日志、域知识、行为生成器和教学法模型五部分组成（如图1所示）。
域知识部件主要包含某个学习或实验单元的相关主题，域知识信息主要用于决定学生目前学习应该掌握的知识点及前期基础知识，同时也调整模拟学生代理的行为，更好地适应学生的学习监督及协调。
问题探测器通过学生模型信息、组模型和知识域，检查是否有不利的学习情况产生，共包含三个子部件：C表示会话处理器，分析学生讨论的内容是否偏离学习系统要求的目标；L表示学习问题探测器，监测组内学生的学习进度；P表示被动学生探测器，检查每个学生的参与程度，以判断是否处于被动参与学习及讨论的状态；在系统实施过程中，可以根据需要增加或者修改现有的子部件，以适应实际教学的需求，体现了系统的可扩展性和灵活性。
教学法模型是当问题探测器已经检测到某个不利于学习的状态时，模拟学生代理采取相应行为的策略，应该考虑学生个体和群组的个性特征和会话日志。会话日志不仅可以记忆学生讨论的内容，从而避免类似问题的重复解答，也可以用于分析学生的行为特征；图1中的教学法模型表示可以使用三个教学法模型，系统实施过程中也可以根据需要增加相应的教学模型。
行为生成器根据学生模型、群组模型以及域知识和会话部件的结果和记录，为模型学生选择适当的行为。如果问题探测器发现某个学生处于被动状态，那么模拟学生就会决定应该采用什么行为来提高学生学习积极性，如自动邀请学生参与某个讨论等。 三、电子商务专业网络合作学习系统研究
1. 电子商务专业网络学习平台的必要性和优势
本文以电子商务专业为例，建立以模拟学生（SS）代理为基础的网络合作学习系统。电子商务专业是一个与经济、管理、商务等都相关的交叉性专业，在理论学习和模拟实验中，按照实际的商务活动模式，模拟各个环节和经营过程，不仅可以加深对理论知识的理解，也可以使学生更好地模拟商务实践；另外，我校是典型的多校区办学模式，拥有四个校区，跨越两个城市， 这种办学模式使得传统的教学和课余辅导模式与实际需求不相适应，因此需要探讨新的学习辅助系统。本系统根据学习安排分组，主界面主要包括讨论的历史记录和输入窗口两部分（如图2所示）。
近年来兴起的网络教学主要从以下几个方面影响着现有的学习模式：首先，方便学生自主学习，并且能够让学生在定制学习进度和深度方面具有一定的自主权，对激发学生学习兴趣和主动性具有重要作用；其次，为教师的教学过程提供便利，如多校区办学模式下学生课余辅导、作业指导、实验检查等均可在教学平台上完成，节约了大量时间和物力，也可以一定程度上节约办学成本；第三，对教学质量的监控和评价等均具有重要作用；最后，有助于建立学校统一的校园文化氛围，减少由于地理空间距离引起的校园分割造成的不利影响。本研究试图解决以下问题：
（1）教学平台的智能化：教学平台不仅仅是一个电子化的教学平台，而是具有一定社会性的学习环境，可以判断学生是否努力、学习效率高低等。从学习的角度出发，研究如何构造学生模型来表示、识别和跟踪学生的学习特性和学习状态。
（2）学习过程的监督：主要从两个方面监督学生在网络平台上的学习过程：一是群组讨论过程中是否偏离本次探讨的主题，即学生在系统中是否探讨与学习无关的内容诸如足球、彩票、影视等；其次，监督学生个体是否按要求积极参与学习系统要求的内容，例如有的学生讨论很积极，而有的学生则处于被动状态，系统能够自动检测到每个学生的状态。
上述问题要求系统首先能够检测讨论的内容与学习主题的相关程度，其次是解决群组中学生的参与积极性。下面探讨如何利用智能学生代理实现学习主题相关性分析和学生参与程度分析。
2. 学习主题相关性分析及其干预
为了判断学生讨论过程中是否偏离主题，在模拟学生代理行为模型中的会话处理器以关键词为主要判断依据，即根据学生讨论内容中包含的关键词的类别、内容、频次分析判断目前学生讨论的主题。实现这个功能需要以三个数据库为基础，分别是一般数据库、特定数据库和其他数据库，其中一般数据库包括电子商务专业的关键词，例如商务、B2C、网络、支付等；特定数据库指针对某个学习单元或者单个具体实验的关键词，例如B2C实验中供应商、网店、消费者等；其他数据库主要包含学生目前感兴趣的话题相关的关键字，如甄环传、毒刺等。
系统运行过程中，会话处理器首先检查学生会话内容中是否包含特定数据库的关键词，如果没有则转向一般数据库，看讨论的是否电子商务专业的一般问题，如果在两个数据库中都没有找到相关的关键词，则模拟学生首先假定该组学生在讨论与学习无关的主题，如果系统中的模拟学生代理是第一次或第二次检测到这种状态，那么并不主动干预讨论，以给学生更多的自由，减少被人监督的感觉；如果模拟学生代理多次发现这个问题，则需要采取合理的动作以纠正学生讨论和学习状态，例如通过模拟学生代理的发言，把讨论的主题转向系统的学习目标，通常可以采取表1所示的几种方法。
3. 学生参与程度监督与干预
学生可能由于多种原因导致分组合作学习过程中处于被动状态，如有的学生觉得自己掌握的与目前讨论相关知识基础薄弱或者是觉得其他同学的知识技能要远优于自己，尽管这种感觉可能是一种错觉，但是很容易使学生在讨论中处于观望状态，不能积极参与到讨论中去。常用的方法包括表2所示的几种类型。
学生可能由于各种原因处于被动状态，测器必须探测学生被动的具体原因，根据不同原因模拟学生将采取不同行为，以达到更好的干预效果。
被动学生探测器的基本结构如图2所示。通过检测学生讨论的频率和交互的模式，比较个体学生与整个组的交互频率，判定该学生是否是“被动学生”。如果学生处于被动状态，模拟学生进一步判定该学生是由于缺乏相关知识不能够参与讨论，或者仅仅是由于含羞以及不愿意参与讨论，或者是由于群组中有一个过于活跃的学生存在而导致其他学生讨论积极性不高等的原因。这个步骤主要根据会话处理器中保存的讨论记录，如经常给出具体答案的学生往往代表拥有相应知识，而提出问题较多的学生可能基础比较薄弱。确定了学生处于被动状态的原因之后就可以触发行为生成器产生相关动作，以自动干预学生学习状态。
在网络环境中学生很容易由于自身惰性或学习进度和基础等原因不积极参与小组讨论，不仅不利于学生个体学习，也不利于学习平台效用的发挥。因此，有必要利用虚拟学生代理角色主动检测学生在网络系统中的表现。在算法中将学生分为三类：一是超级活跃学生，这类学生往往占据了小组中讨论的主要地位，并不顾其他成员的讨论内容；二是基础较好但不愿意或者羞于参与小组讨论，这类学生往往能回答其他成员的难题，但并不主动参与相关讨论；三是基础较差的学生，不能回答其他人问题，也不愿意参与讨论。相关算法如下：
四、结论及存在主要问题与不足
本文主要探讨了基于模拟学生代理的网络学习平台中讨论合作学习的关键问题解决方案。在合作学习模式下讨论，往往会面临主题偏离学习目标和群组中学生讨论不积极两个主要问题。本文以电子商务专业为背景，提出通过建立模拟学生代理，自动检测目前讨论主题相关程度以及是否存在学生不参与或者不积极参与组内讨论情况，检测到相关问题以后可以自动触发行为生成器，发出相应的干预动作，以纠正学习过程中的偏差行为。
本研究主要存在以下不足之处： 首先是相关主题词数据库建设问题。目前主要通过人工设定并定期动态调整的方式完成，这不仅增加了系统运行中人工干预的工作量，同时也给系统的动态运行和及时更新带来了一定困难，进一步研究可以增加主题词数据库自动提取功能；
其次，学生被动状态判断准则主要是根据参与讨论的频率等因素，虽然方法简单，但是智能化程度有所欠缺，通过人工智能等技术改进被动学生判断方法，可以进一步提高系统的智能化和灵活性；
第三，使用人数增多时，模拟学生代理运行资源需求增速很快，目前系统算法不适宜大量学生同时访问，在实践中可以满足一个专业的学生（约200人）使用，对于专业或专业基础课的相关学习，但对于全校的公共课程（如高等数学等）不太适合。
[参考文献]
[1] G Acampora， Matteo Gaeta， Vincenzo Loia.Combining Multi-Agent Paradigm and Memetic Computing for Personalized and Adaptive Learning Experiences[J].Computational Intelligence， 2011， 27（2）：141-165.
[2] Yann-Micha?l De Hauwere， Peter Vrancx， Ann Nowé.Generalized learning automata for multi-agent reinforcement learning[J].AI Communications ，2010， 23 ：311-324.
[3] Jean-Pierre Fournier，Jean-Paul Sansonnet.ActiveTutor： towards more adaptive features in an e-learning framework[J].Interactive Technology and Smart Education，2008，5（3）：189-204.
[4] Xiaoqing Li. Intelligent Agent-Supported Online Education Decision Sciences Journal of Innovative Education[J].2007，5（2）：311-330.
[5] Francisco Martinez-Gil.Agent’s actions as a classification criteria for the state space in a learning from rewards system[J].Journal of Experimental
【关键词】 模拟学生；智能代理；学习系统
【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009—458x（2014）12—0067—05
引 言
计算机和网络技术的迅速发展给人们的生活、学习和工作产生了巨大的影响。网络教学有了极大的发展空间，计算机辅助教学系统模拟师生之间的教学活动，弥补了高校多校区办学模式下教学过程中师生交互不足的缺憾。本文以电子商务专业为例，研究以合作学习为主要特点的网络辅助学习系统。在电子商务专业学习过程中，合作学习是一种重要的学习方式，例如在学习B2B、B2C和C2C三种电子商务模式时，为了满足学生理解理论知识和应用型教学的需求，需要学生分别扮演商家、银行、厂家、物流企业、消费者、第三方支付平台等角色，体验各个角色在不同电子商务模式中的功能以及理论的实践应用；同样在《网上支付与结算》课程中同样需要学生模拟并体验银行、顾客、消费者、商家等不同角色，充分理解网上支付及结算过程中的理论应用以及需要注意的问题。这些均要求学生进行分组协同，才能更好地完成学习任务。虽然现有多种网络学习平台，一定程度上满足了上述需求，但在教学实践中发现尚存在两个方面的不足：首先，学生分组学习过程中参与程度差异较大，有的学生在系统中异常活跃，而有的学生基本不参与讨论或者参与很少，这使不同学生在系统中的学习效果有明显差异，不利于整体教学效果；其次，学生在学习过程中讨论内容容易偏离学习主题，使得学习效率低下。针对这两个主要问题，本文以模拟学生代理模型为基础，建立新的合作学习系统，通过模拟学生代理监督检查学生学习主题符合程度及个体学生参与程度，发现问题后采取有效的措施纠正偏差。
一、文献回顾
学者G Acampora（2011）利用多代理技术和计算技术相结合，建立了提供个性化的自适应学习模型，有效提高了系统的计算效率；Yann-Micha?l De Hauwere（2010）针对基于多代理学习系统中面临的状态空间增长后，代理面临的策略复杂性以及学习缓慢等问题，提出了利用通用学习算法（generalized learning automata，GLA）解决多代理学习系统中存在的问题；Jean-Pierre Fournier（2008）把自适应软件技术应用于电子学习系统中，以计算机应用技术专业为例说明了系统中学习代理的行为标准及动态平衡过程；Xiaoqing Li（2007）讨论了智能代理和其他相关技术解决诸如个性化、移动便利性、学习组的合作等问题，使得在线教育更加开放，更适合动态环境；Francisco Martinez-Gil（2008）针对大状态空间环境下代理策略的复杂性问题，提出使用非参数决策规则，将状态空间划分为不同的簇，并通过实验验证该方法具有较好的分类效果。我国学者也开展了相关研究。吴飞等（2009）结合目前智能代理、领域本体知识和个性化服务等，提出了网络教育平台突出问题的解决方案，如学习资源检索技术、个性化推荐技术、元数据信息提取和描述等方案；逄华等（2011）建立了一个新型的基于移动Agent技术的教学资源推荐系统，具有较好的正确率和查全率；黎孟雄（2012）基于模糊聚类的方法，结合协同过滤、智能分词等技术，对目标用户的检索要求进行预测和推荐，有效提高了推荐的质量和精度。
二、模拟学生行为模型（SSBM）
在网络学习平台实践过程中，如果简单地将学生分组，要求他们解决某个指定问题，很难保证合作学习的有效性。本文以Aurora Vizcaíno（2004）提出的模拟学生（Simulated Student，SS）为基础，利用学生代理监测学生行为，并纠正讨论与学习目标无关的话题、学生长时间不参与讨论等不利行为。
所谓模拟学生，即一个智能代理，其行为与普通学生类似，利用其智能行为主动监督检查学生学习过程中的行为，以阻止或减少不利于学习的行为发生。Aurora Vizcaíno（2004）提出模拟学生行为模型（Simulated Student Behaviour Model， SSBM）主要有问题探测器、会话日志、域知识、行为生成器和教学法模型五部分组成（如图1所示）。
域知识部件主要包含某个学习或实验单元的相关主题，域知识信息主要用于决定学生目前学习应该掌握的知识点及前期基础知识，同时也调整模拟学生代理的行为，更好地适应学生的学习监督及协调。
问题探测器通过学生模型信息、组模型和知识域，检查是否有不利的学习情况产生，共包含三个子部件：C表示会话处理器，分析学生讨论的内容是否偏离学习系统要求的目标；L表示学习问题探测器，监测组内学生的学习进度；P表示被动学生探测器，检查每个学生的参与程度，以判断是否处于被动参与学习及讨论的状态；在系统实施过程中，可以根据需要增加或者修改现有的子部件，以适应实际教学的需求，体现了系统的可扩展性和灵活性。
教学法模型是当问题探测器已经检测到某个不利于学习的状态时，模拟学生代理采取相应行为的策略，应该考虑学生个体和群组的个性特征和会话日志。会话日志不仅可以记忆学生讨论的内容，从而避免类似问题的重复解答，也可以用于分析学生的行为特征；图1中的教学法模型表示可以使用三个教学法模型，系统实施过程中也可以根据需要增加相应的教学模型。
行为生成器根据学生模型、群组模型以及域知识和会话部件的结果和记录，为模型学生选择适当的行为。如果问题探测器发现某个学生处于被动状态，那么模拟学生就会决定应该采用什么行为来提高学生学习积极性，如自动邀请学生参与某个讨论等。 三、电子商务专业网络合作学习系统研究
1. 电子商务专业网络学习平台的必要性和优势
本文以电子商务专业为例，建立以模拟学生（SS）代理为基础的网络合作学习系统。电子商务专业是一个与经济、管理、商务等都相关的交叉性专业，在理论学习和模拟实验中，按照实际的商务活动模式，模拟各个环节和经营过程，不仅可以加深对理论知识的理解，也可以使学生更好地模拟商务实践；另外，我校是典型的多校区办学模式，拥有四个校区，跨越两个城市， 这种办学模式使得传统的教学和课余辅导模式与实际需求不相适应，因此需要探讨新的学习辅助系统。本系统根据学习安排分组，主界面主要包括讨论的历史记录和输入窗口两部分（如图2所示）。
近年来兴起的网络教学主要从以下几个方面影响着现有的学习模式：首先，方便学生自主学习，并且能够让学生在定制学习进度和深度方面具有一定的自主权，对激发学生学习兴趣和主动性具有重要作用；其次，为教师的教学过程提供便利，如多校区办学模式下学生课余辅导、作业指导、实验检查等均可在教学平台上完成，节约了大量时间和物力，也可以一定程度上节约办学成本；第三，对教学质量的监控和评价等均具有重要作用；最后，有助于建立学校统一的校园文化氛围，减少由于地理空间距离引起的校园分割造成的不利影响。本研究试图解决以下问题：
（1）教学平台的智能化：教学平台不仅仅是一个电子化的教学平台，而是具有一定社会性的学习环境，可以判断学生是否努力、学习效率高低等。从学习的角度出发，研究如何构造学生模型来表示、识别和跟踪学生的学习特性和学习状态。
（2）学习过程的监督：主要从两个方面监督学生在网络平台上的学习过程：一是群组讨论过程中是否偏离本次探讨的主题，即学生在系统中是否探讨与学习无关的内容诸如足球、彩票、影视等；其次，监督学生个体是否按要求积极参与学习系统要求的内容，例如有的学生讨论很积极，而有的学生则处于被动状态，系统能够自动检测到每个学生的状态。
上述问题要求系统首先能够检测讨论的内容与学习主题的相关程度，其次是解决群组中学生的参与积极性。下面探讨如何利用智能学生代理实现学习主题相关性分析和学生参与程度分析。
2. 学习主题相关性分析及其干预
为了判断学生讨论过程中是否偏离主题，在模拟学生代理行为模型中的会话处理器以关键词为主要判断依据，即根据学生讨论内容中包含的关键词的类别、内容、频次分析判断目前学生讨论的主题。实现这个功能需要以三个数据库为基础，分别是一般数据库、特定数据库和其他数据库，其中一般数据库包括电子商务专业的关键词，例如商务、B2C、网络、支付等；特定数据库指针对某个学习单元或者单个具体实验的关键词，例如B2C实验中供应商、网店、消费者等；其他数据库主要包含学生目前感兴趣的话题相关的关键字，如甄环传、毒刺等。
系统运行过程中，会话处理器首先检查学生会话内容中是否包含特定数据库的关键词，如果没有则转向一般数据库，看讨论的是否电子商务专业的一般问题，如果在两个数据库中都没有找到相关的关键词，则模拟学生首先假定该组学生在讨论与学习无关的主题，如果系统中的模拟学生代理是第一次或第二次检测到这种状态，那么并不主动干预讨论，以给学生更多的自由，减少被人监督的感觉；如果模拟学生代理多次发现这个问题，则需要采取合理的动作以纠正学生讨论和学习状态，例如通过模拟学生代理的发言，把讨论的主题转向系统的学习目标，通常可以采取表1所示的几种方法。
3. 学生参与程度监督与干预
学生可能由于多种原因导致分组合作学习过程中处于被动状态，如有的学生觉得自己掌握的与目前讨论相关知识基础薄弱或者是觉得其他同学的知识技能要远优于自己，尽管这种感觉可能是一种错觉，但是很容易使学生在讨论中处于观望状态，不能积极参与到讨论中去。常用的方法包括表2所示的几种类型。
学生可能由于各种原因处于被动状态，测器必须探测学生被动的具体原因，根据不同原因模拟学生将采取不同行为，以达到更好的干预效果。
被动学生探测器的基本结构如图2所示。通过检测学生讨论的频率和交互的模式，比较个体学生与整个组的交互频率，判定该学生是否是“被动学生”。如果学生处于被动状态，模拟学生进一步判定该学生是由于缺乏相关知识不能够参与讨论，或者仅仅是由于含羞以及不愿意参与讨论，或者是由于群组中有一个过于活跃的学生存在而导致其他学生讨论积极性不高等的原因。这个步骤主要根据会话处理器中保存的讨论记录，如经常给出具体答案的学生往往代表拥有相应知识，而提出问题较多的学生可能基础比较薄弱。确定了学生处于被动状态的原因之后就可以触发行为生成器产生相关动作，以自动干预学生学习状态。
在网络环境中学生很容易由于自身惰性或学习进度和基础等原因不积极参与小组讨论，不仅不利于学生个体学习，也不利于学习平台效用的发挥。因此，有必要利用虚拟学生代理角色主动检测学生在网络系统中的表现。在算法中将学生分为三类：一是超级活跃学生，这类学生往往占据了小组中讨论的主要地位，并不顾其他成员的讨论内容；二是基础较好但不愿意或者羞于参与小组讨论，这类学生往往能回答其他成员的难题，但并不主动参与相关讨论；三是基础较差的学生，不能回答其他人问题，也不愿意参与讨论。相关算法如下：
四、结论及存在主要问题与不足
本文主要探讨了基于模拟学生代理的网络学习平台中讨论合作学习的关键问题解决方案。在合作学习模式下讨论，往往会面临主题偏离学习目标和群组中学生讨论不积极两个主要问题。本文以电子商务专业为背景，提出通过建立模拟学生代理，自动检测目前讨论主题相关程度以及是否存在学生不参与或者不积极参与组内讨论情况，检测到相关问题以后可以自动触发行为生成器，发出相应的干预动作，以纠正学习过程中的偏差行为。
本研究主要存在以下不足之处： 首先是相关主题词数据库建设问题。目前主要通过人工设定并定期动态调整的方式完成，这不仅增加了系统运行中人工干预的工作量，同时也给系统的动态运行和及时更新带来了一定困难，进一步研究可以增加主题词数据库自动提取功能；
其次，学生被动状态判断准则主要是根据参与讨论的频率等因素，虽然方法简单，但是智能化程度有所欠缺，通过人工智能等技术改进被动学生判断方法，可以进一步提高系统的智能化和灵活性；
第三，使用人数增多时，模拟学生代理运行资源需求增速很快，目前系统算法不适宜大量学生同时访问，在实践中可以满足一个专业的学生（约200人）使用，对于专业或专业基础课的相关学习，但对于全校的公共课程（如高等数学等）不太适合。
[参考文献]
[1] G Acampora， Matteo Gaeta， Vincenzo Loia.Combining Multi-Agent Paradigm and Memetic Computing for Personalized and Adaptive Learning Experiences[J].Computational Intelligence， 2011， 27（2）：141-165.
[2] Yann-Micha?l De Hauwere， Peter Vrancx， Ann Nowé.Generalized learning automata for multi-agent reinforcement learning[J].AI Communications ，2010， 23 ：311-324.
[3] Jean-Pierre Fournier，Jean-Paul Sansonnet.ActiveTutor： towards more adaptive features in an e-learning framework[J].Interactive Technology and Smart Education，2008，5（3）：189-204.
[4] Xiaoqing Li. Intelligent Agent-Supported Online Education Decision Sciences Journal of Innovative Education[J].2007，5（2）：311-330.
[5] Francisco Martinez-Gil.Agent’s actions as a classification criteria for the state space in a learning from rewards system[J].Journal of Experimental