基于Agent的遠程智能教學系統模型設計

李艷紅，樊同科

（西安外事學院 陜西 西安710077）

基于Agent的遠程智能教學系統模型設計

李艷紅，樊同科

（西安外事學院 陜西 西安710077）

針對目前傳統遠程網絡教學系統的動態交互性不強這一個問題，文中設計了一種基于Agent的遠程智能教學系統模型。該教學方式中采用了基于貝葉斯網絡理論的個性化學習模型進行學生個性化學習設計。通過相關分析表明：該基于Agent的遠程教學模型可為學生提供一個靈活、個性化、互動和智能的學習環境，可將教學效率與教學質量提高40%。

Agent；教學系統；遠程；貝葉斯網絡

隨著近年來教育事業的快速發展，智能教學已成為目前教育技術中的一個重要的研究方向。同時隨著因特網技術的成熟，現代遠程教學也開始利用因特網的信息化優勢，使得其在一些方向上優于傳統教學方式。現代遠程教學方式可以與相關教育技術相結合，進而改變傳統教學所缺乏的智能性和適應性[1-3]。同時在對不同學生學習差異性，網絡教學提供個性化的教學方面還有待提高。Agent（智能代理技術）技術作為一種新興的人工智能技術已成為目前研究分布式人工智能領域的一個熱點，其可以在一定的環境下自主運行，并自主從外界環境中獲取相應的知識進行自我訓練和改變自己的能力[4-6]。基于以上優點，文中將Agent技術與遠程教學技術相結合，進行一種基于Agent的遠程教學系統設計，其中在對學生學習能力的檢測和教學方案的推薦采用貝葉斯網絡進行優化設計，貝葉斯網絡可以通過先驗信息和后驗信息相結合，對學生的學習點不斷地進行驗證。文中所設計的基于Agent的遠程教學模型可為學生提供一個個性的教學方式，從而提高教學效率與教學質量。

1 智能教學相關技術

1.1 Agent概述

Agent作為人工智能領域的專業術語，其定義為能夠自主活動的軟件或者硬件實體，通常也被譯為“代理”。Agent的基本原理為：可以將某一個模塊的相關的處理信息系統集成，綜合使之相互作用產生集團智能，該方法可以達到提升整個系統處理能力的目的[7-8]。Agent技術在設計之初就是要實現一種以人為主要目標的一種可能動的和可以自我行動的軟件模式，Agent技術具有智能性、適應性、高效性和社會的多種特點，其代表了目前智能化和信息化的發展趨勢，也由于其具備以上諸多特點，使得其可以廣泛應用在電子商務、協同工作、工業智能控制、教育教學、信息系統等相關領域[9-10]。Agent系統作為一個高度的開放性質的智能系統，其相應的結構會直接影響到系統的智能性和穩定性。在進行人工智能系統建設初期，其最主要目標就是設計一個Agent程序，因為該程序可以使Agent建立一個從感知到動作的映射函數。從結構上劃分，一般可以把單一的Agent劃分為慎思型、反應型和混合型Agent 3種類型[11-13]。其中的慎思型Agent可以獲取外部的相關信息，并且根據模型內部的相關狀態進行一定的信息融合后生成一個新的當前信息表述狀態。反應型Agent則只能對外邊信息的刺激給出一個相關的響應，而不能對在模型內部進行一定的信息融合。對比慎思型Agent和反應型Agent：慎思型Agent具有智能程度高，反應性好的優點，但是同時也有反應速度慢這一缺點；而對于反應型Agent則與之相反，其具有反應性較快，交互性能高的優點，但是其在智能成熟上有所欠缺，而混合型Agent（如圖1所示）則具備了上述兩個的優點。文中設計的基于Agent的遠程教學系統既要有信知數據以提高教學的智能性，又要求具有較好的交互性和自我進化能力，因此文中采用混合型Agent進行遠程智能教學系統模型設計。

圖1 混合型Agent結構

1.2 貝葉斯網絡

貝葉斯網絡又稱之為信度網絡，是Bayes方法的一種擴展形式，貝葉斯網絡是目前不確定知識表達和推理方面的一種有效的理論模型。貝葉斯網絡的基本原理為：其用來表示幾個變量之間的連接概率的一種圖形化模式，它是一種可以用來表示因果關系的方法，同時也可以發掘變量之間的彼此關系。在貝葉斯網絡中采用節點的形式表示變量，而有向邊用來表示變量之間的彼此依賴關系，可用數學符號來表示貝葉斯網絡的結構，其表現形式如下[14-15]:

其中：v={v1，v2，…，vn}表示為隨機變量集合。E= {vivj|vi，vj∈v}表示為有向邊的集合。P={P（v1|v1，v2，…vi-1），v1∈v}表示為條件概率分布集。

在上式中，貝葉斯網絡中的變量可以把任意具體的問題抽象的表達出來，變量可以用來代表教學系統中學生個人興趣的表象、狀態等特征。貝葉斯網絡中的有向邊則表示變量彼此之間的因果關系或者是依賴關系，有向邊的箭頭方向則表示了變量因果關系作用影響的方向，也可以表述成由父結點到子結點的方向，這里結點之間如果沒有連接邊，那么這個兩個結點就是相互獨立的，其所對應的問題領域的描述則是定性描述。在貝葉斯網絡中包含了兩個重要的獨立關系性[16-17]，第一個關系性為：某一個結點和他所對應的非后代結點之間是條件彼此獨立的；第二關系性為：在給定一個結點的馬爾可夫覆蓋，其在網絡中則與其他的結點之間是條件獨立的。文中將貝葉斯網絡應用到學生的個性特征進行分析和處理，再根據處理的結果對學生的進行個性化教學。

2 基于Agent的遠程智能教學系統設計

2.1 系統框架結構設計

文中所設計的基于Agent的遠程智能教學系統在結構上需要進行多功能模塊的協同工作，因此本文采用基于B/S的三層架構模式（包括了數據層、服務器層和表現層），其結構如圖2所示。采用B/S的三層架構模式的優點為可以進行跨越系統進行工作，而基于Agent的遠程智能教學系統架構的三層分別是：最高層-直接面向用戶的表現層為 WEB瀏覽器，中間層-服務層為業務邏輯應用（進行多Agent模塊的管理、協調），最底層-數據庫主要是資源庫服務，管理相關的教學基礎資源。

圖2 系統框架

如圖2所示，基于Agent的遠程教學系統的資源存儲任務是通過最底層的數據庫層來進行存儲完成的，在這里存儲了教學資源文件和數據庫文件兩種類型，在教學資源中涉及可元數據和資源實體兩部分，其中元數據負責對相關資源實體的定位和索引，而資源實體則是采用文件包的形式進行相關信息的形式存儲，再通過數據庫中的相關的元文件進行定位；在數據庫文件中主要涉及到教學資源信息、學生信息、教師信息等，該數據層為上層的業務邏輯應用提供了基礎數據；中間層-業務邏輯層采用struts框架進行實現，業務層封裝了業務的具體邏輯功能，主要包括數據的驗證、事物的處理、權限的處理等業務的相關操作，是整個分層模型乃至應用系統的核心，業務數據訪問層為業務層提供與數據源交互的最小的操作方式，是專門針對具體應用系統的專屬層，而且只能作為業務層需要時的數據訪問接口。本文中的是業務邏輯層設計了學生Agent、教師Agent、教學Agent和教學管理Agent。表示層就是用戶界面層，它是通過瀏覽器顯示出的當前用戶界面。它包括UI（User Interface）和UI控制邏輯兩個方面，而系統的整個流程如圖3所示。

圖3 系統教學系統流程

2.2 基于貝葉斯的教學個性化分析

文中設計的基于Agent的遠程教學系統主要是根據不同學生的學習特點定制個性化服務的設計思想，在進行個性化服務設計的工程中最重要的一個表示方式則是進行對學生的個性特征進行提取和分析，通過分析的結果，系統會針對該學生制定適合其學習水平的教學方式，個性分析即為在下一次登錄時即可查閱以往的學習記錄，系統也可根據這些記錄評價分析學生的學習狀態，并為下一步的學習提供導學策略庫中更適合的策略，不同學生學習狀況不同，所獲得的導學策略也不同，系統所提供的學習資料也不同。因此，個性分析根據學生Agent提供的學生學習狀況的相應分析數據進行分析總結并將評價結果反饋至學生Agent，指導學生的學習。基于上述要求，文中采用了貝葉斯網絡方法進行學生的個性化學習評估和診斷，其對應的學生個性化學習評估流程如圖4所示。通過圖4可以將流程描述為：將所要學習的知識項邏輯順序和學生學習的歷史記錄和用戶信息帶入到貝葉斯網絡中進行訓練，待貝葉斯網絡模型訓練好后進行學生的學習情況進行評價，評價結束后將評價結果作為評價指標進行學生個性化學習模型設計。

圖4 基于貝葉斯的學生個性化學習評估流程

2.3 系統主要Agent實現

文中所設計的基于Agent的遠程教學系統中為業務邏輯為系統的核心模塊，這里設計的Agent模塊主要包括了教學管理Agent、教學Agent、學生Agent和教師Agent 4大模塊，其每個模塊功能如下：

1）教學管理Agent模塊，該模塊是通過教學系統服務器系統根據不同的學生的教學需要動態生成的，其主要功能是監控教學行為，教學管理Agent會根據學生的在貝葉斯網絡評價下的學習能力進行教學方式和內容的調整，同時也會根據學生的學習能力選擇相應的教師Agent進行最優化的教學指導。教學管理模塊的主要核心程序如下：

2）教學Agent模塊，該模塊是由多個教學Agent組成，每個教學Agent可以獨立解決所在學科的相關知識，多個教學Agent直接通過Agent間的協作機制進行彼此關聯，進而實現知識的共享，在教學過程中，協作機制會根據教學管理所發的相關教學任務和教學策略，選擇不同的教學方式進行教學。

3）學生Agent模塊，該模塊主要進行學生和遠程教學系統間的相互溝通，對溝通后的結果發送到教學Agent進行學習請求，從而引導學生的自主學習，在學習過程中貝葉斯網絡作為其核心部分會根據學生Agent提供的學生學習狀況的相應分析數據進行分析總結并將評價結果反饋至學生Agent和教學管理Agent進行學生個性化學習的設計的標準。同時待學生學習結束后學生Agent模塊會將學習效果寫入學生模塊數據庫。該學生Agent模塊的部分代碼如下：

4）教師Agent模塊，該模塊主要進行教師根據教學管理的任務和學生Agent的個性化教學策略，提供相應的教學內容，利用相應的教學資源庫進行相應教學，同時對教學情況進行控制和監督，將在教學中遇到的問題和收集的信息發送到教學管理Agent，教學管理Agent會統籌相關信息來協調教學Agent、學生Agent和教師Agent實現最優化的個性化教學。

上述為文中所設計的基于Agent的遠程教學系統，采用基于貝葉斯網絡的學生學習評價方式可實現針對不同學生自身情況制定相應的個性化教學任務，為學生提供一個靈活、個性化、互動和智能的學習環境，從而提高教學效率與教學質量。

3 結 論

文中在研究了現有教學系統的缺陷的基礎之上，提出了基于Agent的智能遠程教學系統，并給出了系統相應框架。在對智能遠程教學系統中的學生個性化學習部分采用了基于貝葉斯網絡的系統個性化學習評價方法，根據對學生的個性特征進行提取和分析，通過分析的結果，系統會針對該學生制定適合其學習水平的教學方式，提高了教學系統個性化設計，文中設計的基于Agent的教學系統可以激發學生的學習興趣，找到適合自身情況的教學策略，為解決傳統教學系統中存在的缺陷提供了新思路。

[1]詹澤慧.基于智能Agent的遠程學習者情感與認知識別模型——眼動追蹤與表情識別技術支持下的耦合[J].現代遠程教育研究，2013（5）:100-105.

[2]孟艷紅，倪天予.基于MAS遠程教學系統中學生模型的設計 [J].沈陽工業大學學報，2008（1）: 102-107.

[3]李真臻.基于Agent的網絡與遠程教學系統研究綜述[J].南昌高專學報，2008（2）:163-165.

[4]李曉明，張喜潔，吳萬生.基于Agent技術的遠程教學系統設計 [J].東北農業大學學報，2008（4）: 118-121.

[5]陳亮，曹忠紅.基于移動Agent技術的遠程教學系統模型研究 [J].湖北第二師范學院學報，2008（2）:60-61.

[6]徐延章.基于J2EE與Ajax構建多Agent遠程智能教學系統[J].唐山師范學院學報，2008（5）:74-76.

[7]張春飛.基于多Agent技術的遠程教學模型的分析與設計[J].長春師范學院學報，2007（8）:80-84.

[8]楊永齊，符云清，劉瑩宇.基于Multi-Agent的個性化遠程教育系統研究 [J].計算機科學，2007（9）: 290-292.

[9]倪宇斌，劉波.一個基于多Agent的遠程教學系統研究與實現[J].海南大學學報：自然科學版，2007（2）:177-180.

[10]曲朝陽，崔苗.基于移動Agent的遠程學習系統的設計[J].東北電力學院學報，2003（4）:16-21.

[11]杜蕓普，周三元.一種基于多agent的合作智能教學系統模型方法 [J].沈陽工業大學學報，2003（3）:247-249.

[12]阮若林.Internet上基于多Agent的智能學習過程研究[J].咸寧學院學報，2005（3）:72-74.

[13]黃銅城，許建明.基于Multi-agent的智能遠程教育系統研究[J].邵陽學院學報：自然科學版，2005（4）:45-48.

[14]陳麗花.貝葉斯網絡在學生模型建模中的應用分析[J].微型機與應用，2010（8）:80-82.

[15]張曉勇，彭軍，文孟飛.基于貝葉斯網絡的網絡交互教學成效評價系統 [J].現代遠程教育研究，2012（4）:85-90.

[16]董曉麗，楊順民.貝葉斯網絡在適應性教學系統中的應用研究[J].山西電子技術，2007（5）:58-60.

[17]潘怡，杜紅燕.貝葉斯網絡在MOOC用戶建模中的應用研究[J].瓊州學院學報，2015（2）:15-19.

The model design of the remote intelligent teaching system based on Agent technology

LI Yan-hong，FAN Tong-ke
（Xi’an International University，Xi’an 710077，China）

Aiming at the problem that the dynamic interaction of traditional remote network teaching system is weak，the paper designs an intelligent teaching system model based on agent technology.For the teaching method，a personalized learning model based on Bayesian network theory is adopted. Correlation analysis showed that the remote teaching model based on agent can provide a flexible and personalized，interactive and intelligent learning environment for students，and it also can improve teaching efficiency and teaching quality of 40%.

Agent；teaching system；remote；Bayesian network

TP-3

：A

：1674-6236（2017）02-0022-04

2016-01-07稿件編號：201601039

2014年度陜西省教育科學"十二五"規劃課題（SGH140867）；2015年陜西省教育廳科學研究項目（15JK2113）；2015年西安外事學院校級教學改革項目（2015B24）

李艷紅（1978—），女，陜西武功人，碩士，講師。研究方向：數據庫理論與應用。