论文部分内容阅读
摘 要:本文针对当前E-learning存在的智能化差等问题,提出了一种基于Agent的智能学习模型。文章讨论了基于Agent协商的智能化学习模型,以及Agent实现技术。E-learning通过Agent之间的协商,按需提供学习资源,以适应学习者的个性化偏好。
关键词:E-learning;多Agent协商;智能化学习
中图分类号:G434 文献标识码:B文章编号:1673-8454(2010)09-0064-02
一、引言
智能化学习是学生通过自身原有知识与经验与E-learning系统的交互活动来获取知识、能力的过程。在这个过程中,学生能够自己组织、制订并执行学习计划,能控制整个学习过程,对学习情况进行评估。这样,就要求智能化学习要测量学习者的认知水平,了解其情感态度与价值观,给学习者提供适合认知能力的课程资源、学习辅导,以及相适应的学习环境等多个学习服务。E-learning在利用服务网格实现系统功能时,单个服务通常不能完成;这时,必须依靠一组服务相互间协作才能达到目的。为了提供支持智能化学习服务的手段,多个服务通常按照流程的形式组合在一起。在服务流程定制模型中各个活动节点调用相应的服务,数据在各个活动的节点之间传递和转换,活动节点之间可以有复杂的逻辑关系。[1]
本文提出了一种基于多Agent协商、业务需求驱动的学习服务模型。[2]在该模型中,通过Agent之间的协商,按需提供学习资源,以适应学习者的个性化偏好。
二、支持智能化学习的多Agent协商模型
一个支持智能化学习的E-learning资源包括课程内容、学习目标、学习方式、学习工具、协作工具、评价工具,以及学生模型、教师模型等。[3]要使这些资源能够流畅地适应学习者的需求,定制一种适合智能化学习服务的流程是关键。本文提出的基于多Agent协商的智能化学习模型如图1所示。智能化学习流程如下:
在教学设计阶段,教师(领域专家)将本课程教学策略、方法及经验进行形式化编码,通过教学管理Agent保存在数据(含知识)库中,建立教师模型。同时,教师将课程内容和学习资源以XML超文本的格式存放到课程资源库中。
学生首次登录,输入个人的基本情况数据,由学习管理Agent将数据存放在学生库中。学生开始学习时,选课Agent引导学生选择课程,并确定课程学习目标;然后进入课前知识测试,通过测验Agent测试学习者的知识水平。其测试题目包括目标单元的前导知识与当前知识。课前测试结束后,学习Agent从学生模型抽取该学生学习该课程的历史成绩,评估Agent采用模糊评判算法[3]综合评估本次课前测验成绩和历史成绩,确定该学生本次学习的学习能力起点值。并将学习能力起点、学习偏好(侧重认知和感觉行为)传递给导学Agent(学习导航)。紧接着,教学Agent通过目标匹配寻求适应此单元目标的教学规则、学习策略等知识,并将学习指导知识传递给导学Agent。导学Agent综合处理学生的学习能力起点、学习偏好,依据适当的学习策略、规则,引导学生进入相应的课程单元学习。
学习中,如果该学习者有问题需要讨论,且此时有学习同伴在线,则协作感知Agent会通知该学习者和同伴可以进行问题讨论。这时,协作Agent激活协作工具,管理与控制学习者和同伴间的会话、协商过程。当该学生本次课程学习结束后,学生必须要完成该单元目标的测试题和课程反馈,方可退出系统。与此同时,学生模型(数据库)自动追加测试成绩和课程反馈数据。
三、支持智能化学习的Agent实现技术
我们采用微软Visual C# 2005 Express编程,初步实现了系统功能结构。Agent分为客户端Agent和服务器端Agent两个部分。客户端的Agent采用微软的Agent API技术(在C#中使用微软Agent),具有几个动作。学生在线学习时,导学Agent承担辅导的角色以动作或文字提示,帮助学生完成学习。服务器端的Agent采用Visual Web Developer 2005 Express 和Visual C# 2005 Express编程。数据库建构采用SQL Server 2005 Express,可以处理学习管理Agent分析后提交的在线学生的知识结构及操作要求,并通过Agent的通信操作写入数据库。另一方面,根据学习管理Agent的分析处理请求,通过选课Agent、测验Agent、评估Agent、学习Agent、教学Agent,以及导学Agent之间的协商流程,将学习操作指令和学习内容,通过导学Agent传输给在线学习的客户终端,以指导下一步的学习。
Agent实现分为三层:应用层、对象管理层和物理层。[3]如图2所示。物理层数据存储建立在数据库的基础上,数据库由关系数据库和超文本的文档组成逻辑库。通过对象管理模块将关系型数据模块转化为面向对象的方法模型,映射到应用服务器内存中,并通过应用服务器端进行内存的维护和管理。[4]智能化学习提取各个应用基本操作构成的应用模式层,供各个模块使用。通过Agent实现智能化学习系统的逻辑对象定义,并对对象的存取、属性、权限和检索操作方法进行封装。实现相应对象的内存维护和计算,生成相应模式的客户界面。
应用服务器端使用 ASP.NET 和XML构建智能化学习服务 Web 站点。由管理Agent统一提供对用户(学生、教师)对象层的方法集,并通过管理Agent调用其他Agent,通过Agent之间的协商,支持学生自主学习或教师制作课程资源。Agent对数据库的访问通过对象管理层进行,对象管理层通过ADO.NET对关系型数据库进行访问。
四、结束语
本文运用智能Agent技术和Web Service技术,对智能化学习模型相关问题进行了初步研究,提出了一种基于多Agent协商的智能化学习模型。通过Agent协商,将网络学习中的多种服务关联在一起,为学生、教师在业务端(计算机)提供智能化学习的课程资源的虚拟化描述和抽象呈现,以及将教师、学生在业务端的学习、教学需求“具体求精”,落实到课程服务资源集合及其组合上提供了便利条件。?筅
参考文献:
[1]Srivastava B.,Koehler J. Web Service Composition-Current Solutions and Open Problems[C]. In Proceeding of the ICAP’03 Workshop on Planning for Web Services,Trento,Italy,2003:28-35.
[2]曹健,李明禄,张申生.基于Agent协商的服务流程定制[J].计算机学报,2006,29(7):1116-1126.
[3]YangWei,YuanRong,The Research and Design of Intelligent E-learning System[C].Computer Science and Technology in New Century, International Academic Publishers World Publishing Corporation Oct.2001:1245-1247.
[4]AS Rao, M P Georgeff. BDI agents: From theory to practice[C]. In Proc of lst’1 Conf on Multi-Agent System (ICMAS-95).San Francisco: ACM Press,1995:312-319.
[5]Aridor Y Oshima M. Infrastructure for Mobile Agent: Requirements and Design[C].Mobile Agent-Second International workshop, Lectures Notes in Computer Science,1998.
(编辑:金冉)
关键词:E-learning;多Agent协商;智能化学习
中图分类号:G434 文献标识码:B文章编号:1673-8454(2010)09-0064-02
一、引言
智能化学习是学生通过自身原有知识与经验与E-learning系统的交互活动来获取知识、能力的过程。在这个过程中,学生能够自己组织、制订并执行学习计划,能控制整个学习过程,对学习情况进行评估。这样,就要求智能化学习要测量学习者的认知水平,了解其情感态度与价值观,给学习者提供适合认知能力的课程资源、学习辅导,以及相适应的学习环境等多个学习服务。E-learning在利用服务网格实现系统功能时,单个服务通常不能完成;这时,必须依靠一组服务相互间协作才能达到目的。为了提供支持智能化学习服务的手段,多个服务通常按照流程的形式组合在一起。在服务流程定制模型中各个活动节点调用相应的服务,数据在各个活动的节点之间传递和转换,活动节点之间可以有复杂的逻辑关系。[1]
本文提出了一种基于多Agent协商、业务需求驱动的学习服务模型。[2]在该模型中,通过Agent之间的协商,按需提供学习资源,以适应学习者的个性化偏好。
二、支持智能化学习的多Agent协商模型
一个支持智能化学习的E-learning资源包括课程内容、学习目标、学习方式、学习工具、协作工具、评价工具,以及学生模型、教师模型等。[3]要使这些资源能够流畅地适应学习者的需求,定制一种适合智能化学习服务的流程是关键。本文提出的基于多Agent协商的智能化学习模型如图1所示。智能化学习流程如下:
在教学设计阶段,教师(领域专家)将本课程教学策略、方法及经验进行形式化编码,通过教学管理Agent保存在数据(含知识)库中,建立教师模型。同时,教师将课程内容和学习资源以XML超文本的格式存放到课程资源库中。
学生首次登录,输入个人的基本情况数据,由学习管理Agent将数据存放在学生库中。学生开始学习时,选课Agent引导学生选择课程,并确定课程学习目标;然后进入课前知识测试,通过测验Agent测试学习者的知识水平。其测试题目包括目标单元的前导知识与当前知识。课前测试结束后,学习Agent从学生模型抽取该学生学习该课程的历史成绩,评估Agent采用模糊评判算法[3]综合评估本次课前测验成绩和历史成绩,确定该学生本次学习的学习能力起点值。并将学习能力起点、学习偏好(侧重认知和感觉行为)传递给导学Agent(学习导航)。紧接着,教学Agent通过目标匹配寻求适应此单元目标的教学规则、学习策略等知识,并将学习指导知识传递给导学Agent。导学Agent综合处理学生的学习能力起点、学习偏好,依据适当的学习策略、规则,引导学生进入相应的课程单元学习。
学习中,如果该学习者有问题需要讨论,且此时有学习同伴在线,则协作感知Agent会通知该学习者和同伴可以进行问题讨论。这时,协作Agent激活协作工具,管理与控制学习者和同伴间的会话、协商过程。当该学生本次课程学习结束后,学生必须要完成该单元目标的测试题和课程反馈,方可退出系统。与此同时,学生模型(数据库)自动追加测试成绩和课程反馈数据。
三、支持智能化学习的Agent实现技术
我们采用微软Visual C# 2005 Express编程,初步实现了系统功能结构。Agent分为客户端Agent和服务器端Agent两个部分。客户端的Agent采用微软的Agent API技术(在C#中使用微软Agent),具有几个动作。学生在线学习时,导学Agent承担辅导的角色以动作或文字提示,帮助学生完成学习。服务器端的Agent采用Visual Web Developer 2005 Express 和Visual C# 2005 Express编程。数据库建构采用SQL Server 2005 Express,可以处理学习管理Agent分析后提交的在线学生的知识结构及操作要求,并通过Agent的通信操作写入数据库。另一方面,根据学习管理Agent的分析处理请求,通过选课Agent、测验Agent、评估Agent、学习Agent、教学Agent,以及导学Agent之间的协商流程,将学习操作指令和学习内容,通过导学Agent传输给在线学习的客户终端,以指导下一步的学习。
Agent实现分为三层:应用层、对象管理层和物理层。[3]如图2所示。物理层数据存储建立在数据库的基础上,数据库由关系数据库和超文本的文档组成逻辑库。通过对象管理模块将关系型数据模块转化为面向对象的方法模型,映射到应用服务器内存中,并通过应用服务器端进行内存的维护和管理。[4]智能化学习提取各个应用基本操作构成的应用模式层,供各个模块使用。通过Agent实现智能化学习系统的逻辑对象定义,并对对象的存取、属性、权限和检索操作方法进行封装。实现相应对象的内存维护和计算,生成相应模式的客户界面。
应用服务器端使用 ASP.NET 和XML构建智能化学习服务 Web 站点。由管理Agent统一提供对用户(学生、教师)对象层的方法集,并通过管理Agent调用其他Agent,通过Agent之间的协商,支持学生自主学习或教师制作课程资源。Agent对数据库的访问通过对象管理层进行,对象管理层通过ADO.NET对关系型数据库进行访问。
四、结束语
本文运用智能Agent技术和Web Service技术,对智能化学习模型相关问题进行了初步研究,提出了一种基于多Agent协商的智能化学习模型。通过Agent协商,将网络学习中的多种服务关联在一起,为学生、教师在业务端(计算机)提供智能化学习的课程资源的虚拟化描述和抽象呈现,以及将教师、学生在业务端的学习、教学需求“具体求精”,落实到课程服务资源集合及其组合上提供了便利条件。?筅
参考文献:
[1]Srivastava B.,Koehler J. Web Service Composition-Current Solutions and Open Problems[C]. In Proceeding of the ICAP’03 Workshop on Planning for Web Services,Trento,Italy,2003:28-35.
[2]曹健,李明禄,张申生.基于Agent协商的服务流程定制[J].计算机学报,2006,29(7):1116-1126.
[3]YangWei,YuanRong,The Research and Design of Intelligent E-learning System[C].Computer Science and Technology in New Century, International Academic Publishers World Publishing Corporation Oct.2001:1245-1247.
[4]AS Rao, M P Georgeff. BDI agents: From theory to practice[C]. In Proc of lst’1 Conf on Multi-Agent System (ICMAS-95).San Francisco: ACM Press,1995:312-319.
[5]Aridor Y Oshima M. Infrastructure for Mobile Agent: Requirements and Design[C].Mobile Agent-Second International workshop, Lectures Notes in Computer Science,1998.
(编辑:金冉)