论文部分内容阅读
摘要：传统的智能学习环境由于只有一个学习者模型难以满足用户个性化学习的需要。为此本文提出了一个基于Multi-Agent的智能学习环境，并对该学习环境的体系结构、客户端学习者模型与服务器端学习者模型及其之间的交互作了具体的阐述。
关键词：Agent；Web Service；学习环境；学习者模型
中图分类号：G434文献标识码：A文章编号：1009-3044(2008)24-1327-03
A Design and Implementationof the Intelligent Learning Environment Based on Multi-agent
YIN Hui
(Jiangsu Yunhe Junior College, Yunhe 223100, China)
Abstract: Traditional intelligent learning environment as only one learner model to meet user personalized learning needs, For this reason this paper,puts up a Multi-Agent-based intelligent learning environment, the learning environment and makes a discussion on the architecture, and the client leaner model, the server learner model and their interaction between the models are also specifically described.
Key words: Agent; Web service;learning environment;learner model
1 引言
随着网络的日益普及和网络可以为教育带来许多优点，使计算机辅助学习朝着基于网络的学习方向发展。现在我们可以随时随地通过网络利用计算机进行学习。但是，决大多数基于网络的教育应用软件是用静态的、一般的方法对学习者进行辅导，并没有考虑到使用该应用软件时学习者个性化需要。另一方面，有的教育软件技术在个性化辅导方面取得了显著的效益。如作为教育技术的智能学习环境和智能辅导系统，根据学习者模型在履行着个性化的教学任务[1]。传统的智能学习环境作为独立的应用程序在每个用户计算机上进行运行，而且这些智能学习环境是基于存储在本地用户计算机上的学习者模型工作的。为此，我们也开发了基于Multi-Agent的智能学习环境。它的操作方法是基于Web Services，需要明确的是Web Services是一个自含式的、有标准组件的应用程序，它可以提供任何人要求的一系列功能。Web Services的主要特征是它可以使用诸如WSDL (Web Service Definition Language), SOAP (Simple Object Access Protocol) and UDDI (Universal Description, Discovery and Integration)等网络标准与应用程序进行交互，并且可以调用它们[2]。
2 体系结构
基于Multi-Agent的智能学习环境是一个基于Multi-Agent的体系结构，它由一组能够自治或半自治的Agent组成，他们可以共同相互作用或工作来从事某项任务或达到某个目标。其体系结构由短期学习者模型Agent、长期学习者模型Agent、建议Agent、辅导Agent和语音驱动Agent等五个Agent组成。具体的体系结构如图1所示。这些Agent共同监视学习者，并且在认为必要的时候提供个性化的建议和辅导。所有的这些Agent在本地用户计算机上工作，仅仅长期学习者模型Agent负责与Web 服务器交互。
图1基于Multi-Agent的智能学习环境的体系结构
1) 短期学习者模型Agent：每次学习者发出一个命令，客户端短期学习模型Agent就会推理学习者目标所期望的要求、获取学习者的认知状态与特点、鉴别可能的误解。这个分析机是基于一个有限制目标的识别机制和人类模糊推理理论。短期学习者模型Agent应用人们模糊推理理论的原理去搜索类似的可供选择的行为去代替学习者已经发布的有问题的行为。一旦可供选择的行为产生，就会被发给建议Agent，建议Agent就会负责选择学习者倾向的行为。
2) 辅导Agent与建议Agent：如果短期学习者模型Agent认为学习者的误解是由于学习者知识缺乏引起的，它就会把这个信息通知辅导Agent。辅导Agent负责编制适应性课程对学习者进行辅导。这时建议Agent和辅导Agent就会从短期学习者模型得到关于学习者的信息，这样做的目的是使建议或课程能够适应每个学习者的需要和兴趣。
3) 语音驱动Agent：建议Agent和辅导Agent向位于客户端的语音驱动Agent发送他们的结果。语音驱动Agent负责使用统一并且易于访问的方式去呈现信息。为了使人机间交互更加自然和愉快，语音驱动Agent还会把把系统的建议呈现给学习者。这些特征提供了一个令人愉快的和有情感的功能，这对于使用计算机应用程序的新手来说降低了门槛。此外这些特征通过激发学习者还改善了系统的效率。语音驱动Agent全权负责与学习者之间的通信，包括学习者疑问的收集以及当学习者被诊断处于一个有问题的情境时，系统对学习者建议的陈述等等。
4) 长期学习者模型Agent：只要短期学习者模型Agent获取了学习者与系统交互的信息，就会把这个信息发送给长期学习者模型Agent。一般的，长期学习者模型Agent维持和管理学习者概况、在认为必要的时候给短期学习者模型提供相关的信息。此外，为了维持和更新存储在学习者模型上的信息，长期学习者模型Agent负责与Web Service端学习者模型服务器进行交互。
3 客户端与服务器端学习者模型之间的交互
基于Multi-Agent的智能学习环境为每个学习者建立两个分开的学习者模型，一个位于本地计算机上，一个位于服务器上。每次用户使用该学习环境，系统就会检查用户计算机是否与internet相连接，如果没有连接，系统就会以独立的应用程序在本地学习者模型上运行。长期学习者模型Agent就负责查找学习者与系统交互的学习者模型。如果长期学习者模型找到了学习者模型，人机交互开始正常运行。每次学习者发布了一个新的命令本地学习者模型就会更新。如果学习者模型并不存在于Web Service端学习者模型服务器上，长期学习者模型负责查找是否学习者在离线的情况下使用某一计算机与系统进行交互。如果长期学习者模型不能够找到关于这个学习者的任何信息。它就会在本地初始化学习者模型。无论如何，长期学习者模型Agent都将把学习者信息发送给Web Service。Web Service将利用本地学习者模型的信息创建一个新的学习者模型。
如果学习者与应用程序进行在线交互，并且学习者模型存在于服务器上，长期学习者模型Agent就负责查找是否存在一个本地学习者模型。如果在本地计算机上没有任何可以利用学习者信息，长期学习者模型Agent负责从服务器上复制一个学习者模型到学习者计算机的硬盘上。否则，长期学习者模型Agent就承担着用最新的信息更新学习者模型的任务。
只要学习者模型数据更新完成，用户与系统的交互就正常开始。这个过程在学习者退出时候就重复（假设学习者一直在线），这样便于服务器用最新获得的信息更新学习者模型。
4 客户端学习者模型
每次学习者与基于Multi-Agent的智能学习环境交互，短期学习者模型Agent就收集用户新信息进而更新本地计算机上的学习者模型。如果短期学习者模型Agent不能查找到某个学习者学习模型，它就会用固定的模式初始化学习者模型。
在基于Multi-Agent的智能学习环境中，系统根据用户的知识水平、姓名、是否为新手或专家等信息将把用户分为三类中的一类。这样的分类由于能使系统对属于某一组的用户通常的错误、误解等有一个最初的观点，因而被认为是十分重要的。例如：新手通常倾向于由于不正确的命令选择或不正确的命令执行而犯错误，而专家由于通常由于粗心出现错误。
固定的模式作为一种工具去模仿系统的用户可能有的信息与参数选择。使用固定模式的主要理由是他们能够提供一套对用户非常有用的默认假设。默认假设的出现对于模仿许多用户方面被证实是非常有效的。但是这种方法同时也有问题，例如：没有考虑到同一组学习者可能有相同的行为，每一个人是一个个体，其在许多方面都有别于其他人。因此固定模式应该仅仅用于初始化学习者模型，这样基于Multi-Agent的智能学习环境保留着每组用户模型的一个库，每次只要一个新的用户与系统交互，长期用户模型就鉴别这个用户属于哪一类。
对于每一次新的交互，短期学习者模型Agent就会使用时间戳在学习者模型上创建一个新的记录，这样每一次记录都有交互的数据与时间。通过这种方式可以使每一次交互有别于所有其他的交互。短期学习者模型和Web 服务器能够很容易地鉴别哪些本地学习者模型没有包括在服务器的学习者模型内。而且学习者模型的每一次注册都保留着一个标记去通知短期学习者模型Agent是否这次交互包括在服务器上学习者模型内。只要学习者完成了与系统的交互，短期学习者模型Agent就负责与网络服务器交互，从而更新服务器上学习者模型。
5 服务器端学习者模型
客户端与Web Service上的学习者模型之间的通信通过Web Services协议进行，图2总结了Web Services的操作以及其与客户端Agent之间的交互。
长期学习者模型Agent发出一个包含某个学习者模型的命令给Web Service上的学习者模型。为了鉴别用户，这个命令通常包含用户姓名、口令（用户与客户端应用程序在以前交互时使用的）。通信模块每次都要重新获取与处理这样的命令。通常通信模块处理所有Web Services信息（包括鉴别请求、更新请求、创建请求、删除请求）并且负责用XML格式化响应，然后发送给客户端应用程序。
图2 服务器端学习者模型的体系结构
此外，学习者模型模块评价发送给Web Service上的学习者模型的信息。例如：服务器端的长期学习者模型有关于学习者充足信息，但是发送给Web Service上的学习者模型的信息是属于学习者固定模式的信息，那么这个信息就会被拒绝。这是因为固定模式的信息仅仅用于初始化学习者模型。这样当固定模式的信息来自本地的学习者模型，而在服务器上有充分的学习者信息，这将意味着计算机与服务器之间通讯失败，基于Multi-Agent的智能学习环境作为一个独立的应用程序已经运行。在这个操作过程中，因为系统在本地没有发现学习者模型，很可能创建了一个新的初始的学习者模型。
这一点上面已经提到，客户端长期学习者模型Agent负责学习者模型维护、创建用户与学习环境交互时学习者模型新记录。然而这样一个如此详细的学习者模型对于Web Service与长期学习者模型来说需要相当大的存储空间与时间。为了克服这个困难，学习者模型被分为两个部分：第一部分包含着学习者的概括性信息（三个月前的信息），第二部分包含着学习者与学习环境交互时具体的信息（最近三个月的信息）。数据库模块负责学习者模型记录之间的连接。每天数据库模块从学习者模型的第二部分上删除三个月前的记录，并把它们整合到第一部分。
6 结束语
本文描述了一个旨在帮助用户学习的基于Multi-Agent的智能学习环境。该学习环境与传统智能学习环境不同之处在于它为每个用户分别在客户端与服务器端建立了一个学习者模型，而且二者之间还可以通过Web Services协议进行交互。系统指派了一个短期学习者模型Agent去监视用户，如果发现用户处于有问题的情境，系统就会诊断问题的原因，并且提供合适的建议。可以说每个用户能够受益于系统的建议和适应性辅导，同时这种学习的适应性还取决于学习者以前的知识、能力和需要等。
参考文献：
[1] Kabassi K,Virvou M. Using Web Services for Personalised Web-based Learning[J]. Educational Technology
关键词：Agent；Web Service；学习环境；学习者模型
中图分类号：G434文献标识码：A文章编号：1009-3044(2008)24-1327-03
A Design and Implementationof the Intelligent Learning Environment Based on Multi-agent
YIN Hui
(Jiangsu Yunhe Junior College, Yunhe 223100, China)
Abstract: Traditional intelligent learning environment as only one learner model to meet user personalized learning needs, For this reason this paper,puts up a Multi-Agent-based intelligent learning environment, the learning environment and makes a discussion on the architecture, and the client leaner model, the server learner model and their interaction between the models are also specifically described.
Key words: Agent; Web service;learning environment;learner model
1 引言
随着网络的日益普及和网络可以为教育带来许多优点，使计算机辅助学习朝着基于网络的学习方向发展。现在我们可以随时随地通过网络利用计算机进行学习。但是，决大多数基于网络的教育应用软件是用静态的、一般的方法对学习者进行辅导，并没有考虑到使用该应用软件时学习者个性化需要。另一方面，有的教育软件技术在个性化辅导方面取得了显著的效益。如作为教育技术的智能学习环境和智能辅导系统，根据学习者模型在履行着个性化的教学任务[1]。传统的智能学习环境作为独立的应用程序在每个用户计算机上进行运行，而且这些智能学习环境是基于存储在本地用户计算机上的学习者模型工作的。为此，我们也开发了基于Multi-Agent的智能学习环境。它的操作方法是基于Web Services，需要明确的是Web Services是一个自含式的、有标准组件的应用程序，它可以提供任何人要求的一系列功能。Web Services的主要特征是它可以使用诸如WSDL (Web Service Definition Language), SOAP (Simple Object Access Protocol) and UDDI (Universal Description, Discovery and Integration)等网络标准与应用程序进行交互，并且可以调用它们[2]。
2 体系结构
基于Multi-Agent的智能学习环境是一个基于Multi-Agent的体系结构，它由一组能够自治或半自治的Agent组成，他们可以共同相互作用或工作来从事某项任务或达到某个目标。其体系结构由短期学习者模型Agent、长期学习者模型Agent、建议Agent、辅导Agent和语音驱动Agent等五个Agent组成。具体的体系结构如图1所示。这些Agent共同监视学习者，并且在认为必要的时候提供个性化的建议和辅导。所有的这些Agent在本地用户计算机上工作，仅仅长期学习者模型Agent负责与Web 服务器交互。
图1基于Multi-Agent的智能学习环境的体系结构
1) 短期学习者模型Agent：每次学习者发出一个命令，客户端短期学习模型Agent就会推理学习者目标所期望的要求、获取学习者的认知状态与特点、鉴别可能的误解。这个分析机是基于一个有限制目标的识别机制和人类模糊推理理论。短期学习者模型Agent应用人们模糊推理理论的原理去搜索类似的可供选择的行为去代替学习者已经发布的有问题的行为。一旦可供选择的行为产生，就会被发给建议Agent，建议Agent就会负责选择学习者倾向的行为。
2) 辅导Agent与建议Agent：如果短期学习者模型Agent认为学习者的误解是由于学习者知识缺乏引起的，它就会把这个信息通知辅导Agent。辅导Agent负责编制适应性课程对学习者进行辅导。这时建议Agent和辅导Agent就会从短期学习者模型得到关于学习者的信息，这样做的目的是使建议或课程能够适应每个学习者的需要和兴趣。
3) 语音驱动Agent：建议Agent和辅导Agent向位于客户端的语音驱动Agent发送他们的结果。语音驱动Agent负责使用统一并且易于访问的方式去呈现信息。为了使人机间交互更加自然和愉快，语音驱动Agent还会把把系统的建议呈现给学习者。这些特征提供了一个令人愉快的和有情感的功能，这对于使用计算机应用程序的新手来说降低了门槛。此外这些特征通过激发学习者还改善了系统的效率。语音驱动Agent全权负责与学习者之间的通信，包括学习者疑问的收集以及当学习者被诊断处于一个有问题的情境时，系统对学习者建议的陈述等等。
4) 长期学习者模型Agent：只要短期学习者模型Agent获取了学习者与系统交互的信息，就会把这个信息发送给长期学习者模型Agent。一般的，长期学习者模型Agent维持和管理学习者概况、在认为必要的时候给短期学习者模型提供相关的信息。此外，为了维持和更新存储在学习者模型上的信息，长期学习者模型Agent负责与Web Service端学习者模型服务器进行交互。
3 客户端与服务器端学习者模型之间的交互
基于Multi-Agent的智能学习环境为每个学习者建立两个分开的学习者模型，一个位于本地计算机上，一个位于服务器上。每次用户使用该学习环境，系统就会检查用户计算机是否与internet相连接，如果没有连接，系统就会以独立的应用程序在本地学习者模型上运行。长期学习者模型Agent就负责查找学习者与系统交互的学习者模型。如果长期学习者模型找到了学习者模型，人机交互开始正常运行。每次学习者发布了一个新的命令本地学习者模型就会更新。如果学习者模型并不存在于Web Service端学习者模型服务器上，长期学习者模型负责查找是否学习者在离线的情况下使用某一计算机与系统进行交互。如果长期学习者模型不能够找到关于这个学习者的任何信息。它就会在本地初始化学习者模型。无论如何，长期学习者模型Agent都将把学习者信息发送给Web Service。Web Service将利用本地学习者模型的信息创建一个新的学习者模型。
如果学习者与应用程序进行在线交互，并且学习者模型存在于服务器上，长期学习者模型Agent就负责查找是否存在一个本地学习者模型。如果在本地计算机上没有任何可以利用学习者信息，长期学习者模型Agent负责从服务器上复制一个学习者模型到学习者计算机的硬盘上。否则，长期学习者模型Agent就承担着用最新的信息更新学习者模型的任务。
只要学习者模型数据更新完成，用户与系统的交互就正常开始。这个过程在学习者退出时候就重复（假设学习者一直在线），这样便于服务器用最新获得的信息更新学习者模型。
4 客户端学习者模型
每次学习者与基于Multi-Agent的智能学习环境交互，短期学习者模型Agent就收集用户新信息进而更新本地计算机上的学习者模型。如果短期学习者模型Agent不能查找到某个学习者学习模型，它就会用固定的模式初始化学习者模型。
在基于Multi-Agent的智能学习环境中，系统根据用户的知识水平、姓名、是否为新手或专家等信息将把用户分为三类中的一类。这样的分类由于能使系统对属于某一组的用户通常的错误、误解等有一个最初的观点，因而被认为是十分重要的。例如：新手通常倾向于由于不正确的命令选择或不正确的命令执行而犯错误，而专家由于通常由于粗心出现错误。
固定的模式作为一种工具去模仿系统的用户可能有的信息与参数选择。使用固定模式的主要理由是他们能够提供一套对用户非常有用的默认假设。默认假设的出现对于模仿许多用户方面被证实是非常有效的。但是这种方法同时也有问题，例如：没有考虑到同一组学习者可能有相同的行为，每一个人是一个个体，其在许多方面都有别于其他人。因此固定模式应该仅仅用于初始化学习者模型，这样基于Multi-Agent的智能学习环境保留着每组用户模型的一个库，每次只要一个新的用户与系统交互，长期用户模型就鉴别这个用户属于哪一类。
对于每一次新的交互，短期学习者模型Agent就会使用时间戳在学习者模型上创建一个新的记录，这样每一次记录都有交互的数据与时间。通过这种方式可以使每一次交互有别于所有其他的交互。短期学习者模型和Web 服务器能够很容易地鉴别哪些本地学习者模型没有包括在服务器的学习者模型内。而且学习者模型的每一次注册都保留着一个标记去通知短期学习者模型Agent是否这次交互包括在服务器上学习者模型内。只要学习者完成了与系统的交互，短期学习者模型Agent就负责与网络服务器交互，从而更新服务器上学习者模型。
5 服务器端学习者模型
客户端与Web Service上的学习者模型之间的通信通过Web Services协议进行，图2总结了Web Services的操作以及其与客户端Agent之间的交互。
长期学习者模型Agent发出一个包含某个学习者模型的命令给Web Service上的学习者模型。为了鉴别用户，这个命令通常包含用户姓名、口令（用户与客户端应用程序在以前交互时使用的）。通信模块每次都要重新获取与处理这样的命令。通常通信模块处理所有Web Services信息（包括鉴别请求、更新请求、创建请求、删除请求）并且负责用XML格式化响应，然后发送给客户端应用程序。
图2 服务器端学习者模型的体系结构
此外，学习者模型模块评价发送给Web Service上的学习者模型的信息。例如：服务器端的长期学习者模型有关于学习者充足信息，但是发送给Web Service上的学习者模型的信息是属于学习者固定模式的信息，那么这个信息就会被拒绝。这是因为固定模式的信息仅仅用于初始化学习者模型。这样当固定模式的信息来自本地的学习者模型，而在服务器上有充分的学习者信息，这将意味着计算机与服务器之间通讯失败，基于Multi-Agent的智能学习环境作为一个独立的应用程序已经运行。在这个操作过程中，因为系统在本地没有发现学习者模型，很可能创建了一个新的初始的学习者模型。
这一点上面已经提到，客户端长期学习者模型Agent负责学习者模型维护、创建用户与学习环境交互时学习者模型新记录。然而这样一个如此详细的学习者模型对于Web Service与长期学习者模型来说需要相当大的存储空间与时间。为了克服这个困难，学习者模型被分为两个部分：第一部分包含着学习者的概括性信息（三个月前的信息），第二部分包含着学习者与学习环境交互时具体的信息（最近三个月的信息）。数据库模块负责学习者模型记录之间的连接。每天数据库模块从学习者模型的第二部分上删除三个月前的记录，并把它们整合到第一部分。
6 结束语
本文描述了一个旨在帮助用户学习的基于Multi-Agent的智能学习环境。该学习环境与传统智能学习环境不同之处在于它为每个用户分别在客户端与服务器端建立了一个学习者模型，而且二者之间还可以通过Web Services协议进行交互。系统指派了一个短期学习者模型Agent去监视用户，如果发现用户处于有问题的情境，系统就会诊断问题的原因，并且提供合适的建议。可以说每个用户能够受益于系统的建议和适应性辅导，同时这种学习的适应性还取决于学习者以前的知识、能力和需要等。
参考文献：
[1] Kabassi K,Virvou M. Using Web Services for Personalised Web-based Learning[J]. Educational Technology