基于multi―agent网络教育情境下学习者模型设计

《基于multi―agent网络教育情境下学习者模型设计》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于Multi—Agent网络教育情境下学习者模型设计【摘要】随着网络技术、通信技术的发展以及全民学习终身学习观念的深入，网络教育越来越成为一种重要的教育方式。智能化网络教育实现"智能化”的关键就是建立完备的学习者模型。本文是在Multi-Agent技术下，构建了一个全新的学习者模型，为学习者提供了一个更加人性化的交互式的学习环境。【关键词】Agent；Multi-Agent；网络教育；学习者模型1、引言发展我国的网络教育，其中最基本而且操作起来很困难的问题之一便是学习者分析，不同的学习者具有不同的学习

2、风格、特征，个体差异极大。学习者是学习活动的主体、知识的主动建构者，学习者具有认知的、情感的、社会的等特征都将对学习者的信息加工产生影响。因此，智能化教学系统的设计与开发应当考虑学习者的个别差异。将学习者的基本信息、知识结构、学习风格、学习动机、认知能力、情感因素等，用适当的数据结构呈现出来，建立学习者模型，作为教师选择教学内容和教学方法的依据，也便于学习者全面了解自己，以及进行自我分析、自我改造、自我完善。建立学习者模型的研究，目前已经在智能教学系统的研究领域中取得了相当的理论成果与实际经验。建立学习

3、者模型被定义为根据学习者的知识状态，搜集和维护相关信息的过程⑴。2、Agent与Multi-Agent系统：目前，学术界对于Agent还没有一个明确的定义，但一般认为Agent是一个运行于动态环境中具有较高的自制能力的实体。Agent也可以理解为模拟人类智能行为并提供相应服务计算机程序，它能够持续的进行操作。在更多的应用领域中，研究者把凡是具有智能行为和交互性的分布式实体都称为AgentoAgent区别于其它一般程序，在于它具有自主性。实现自主性有两种最基本的方法：一是智能的方法，用人工智能的方法开发A

4、gent,又称为智能Agent；另一种是协作的方法，通过多个Agent相互联手，实现特定的功能，这样的系统叫做Multi-Agent系统。笔者提出的学习者分析模型就是基于Multi-Agent技术构建起来的！Multi-Agent系统是指由多个Agent组成的一个松散耦合的网络，各Agent成员之间相互协作、相互服务、共同完成一个复杂任务。各Agent之间活动是自治的、独立的，它们通过竞争、协商、协作等手段来完成系统设计的目标，并在一定程度上代替人来完成部分工作，扮演人的角色［2］。实际系统中的Agen

5、t可由不同开发者在不同的时间上运用不同的工具和技术实现，因此，它们各自具有不同程度的问题求解能力。Muli-Agent系统为学习者模型的构建提供了一种新的思路。3、构建学习者模型过程中的关键表征：(1)学习准备：无论网络教育还是学校教育都需要特别重视学习者的准备情况。因为这关系到学生能否开始和适应新的学习，能否取得良好的学习效果。学习准备是指学习者原有的知识水平和心理发展水平对新的学习的适应性。学习准备原主要指学习者学习之前具备的先前知识，目前学习准备已有了更加广泛的含义，包含个体成熟、先前的知识经验和

6、动机准备三个方面［3］。(2)学习策略与学习风格：学习策略是决定学习效果的主要和直接因素之一。学习策略是学习者为达到学习目的而进行有效学习的技巧，是对学习活动的调控。大凡成功的学习者都有独特的学习方法，能针对不同的情景选择不同的学习策略。成功的使用学习策略可以帮助学习者适应环境以及调节环境以适应自己的需要。另外学习者学习风格的不同也会直接影响学习者的学习效果。因为学习者的个性差异不仅表现在知识水平的掌握和认知能力上，还体现在学习风格上。(3)学习情感：在创建学习者模型的过程中，学习情感是最容易忽视的因素

7、之一。学习情感直接影响着学习者的学习效果，同样的学习内容当学习者处于不同的情感态度时，会造成不同的学习结果。如果不考虑学习者的情感因素而直接进行新知识的学习，则直接影响学习者的学习效果。(1)学习者模型库笔者提出的构建动态学习者模型过程中核心便是学习者模型库。学习者模型库是记录学习者信息的数据库。对于学习者模型库中的学习者信息一般包括两个方面的内容：分别是静态信息和动态信息。静态信息是指在学习者的学习初期进行的分析，这一部分内容在进行初始化分析以后的很长一段时间内的变化较小。如学习者的基本信息(年龄、性

8、别等)、偏好信息(学习者爱好有声音的课件、或学习者有偏好的素材形式)、社会背景资料等都对学习过程产生影响。动态信息是指整个学习过程中不断变化的信息。如学习者的学习水平、学习能力、学习目标等，都随着学习者学习过程的深入，不断变化。4、动态学习者模型的构建过程：笔者在Multi-Agent学习者模型构建过程中，设计了7个Agent,并分别赋予了不同的角色，分别是：信息Agent、学习准备Agent、学习策略Agent.学习风格Agent、情感A