基于智能型Agent的教學平臺設計

周尤明 ， 古華茂

(1.湖州職業技術學院 物流與信息工程學院， 浙江 湖州 313000； 2.浙江工商大學 計算機與信息工程學院， 浙江 杭州 310018)

基于智能型Agent的教學平臺設計

周尤明1， 古華茂2

(1.湖州職業技術學院 物流與信息工程學院， 浙江 湖州 313000； 2.浙江工商大學 計算機與信息工程學院， 浙江 杭州 310018)

目前的教學平臺設計，很難針對學生和學習問題(教學任務、學習任務)的特點，對教學資源進行有效的任務適應性及個性化協同管理，基于智能型Agent平臺能有效克服上述障礙。智能型Agent模型包括：通過概念分類體系、學習問題描述模式、問題解決(或者學習問題)與資源的關聯、根據處方進行任務分解與教學資源開放式組合等技術，來解決任務適應性的資源精確查找問題；通過教學培訓資源難易程度的嚴密的組織、在同類難易程度教學資源中個性化推薦來實現分類及個性化資源尋求。實例表明智能型Agent能夠在資源尋求時有效地提高學習任務適應性和面向學生資源推薦時的個性需求。

智能Agent； 教學資源； 協同管理； 教學平臺

一、網絡教學資源現狀及存在問題

目前，教學資源超載(無序堆積)問題還沒有得到解決，互聯網上的開放教育資源正在以極快的速度增長，雖然內容豐富，但質量參差不齊，適用對象不明確，令學習者頭暈目眩、難以駕馭?；ヂ摼W上教學網站漸多、教學資源眾多，眾多的教學資源使得用戶無法高效獲取自己需要的教學資源，教學資源使用率降低。如何有效、合理地使用這些資源？這是網絡課程健康發展迫切需要解決的現實難題。要解決教學資源超載問題，應從以下兩方面入手：

首先，解決針對學習任務情景的資源精確查找問題。學生某一個時段的學習任務具有局部性，也就是學習任務所涉及的知識點是有限的，工作中遇到的問題所涉及的知識點往往也是有限的。人們希望提高資源的任務適應性，即牽涉盡量少的知識點(資源)，但能有效解決實際遇到的問題?；陉P鍵詞的搜索往往搜到大量無關資源，卻無益問題解決。盡管學習思維(或者解決問題)過程一般不受外界控制，但是人們總是想通過學習(工作)問題情景去找到適用性好的明晰資源， 根據問題情景匹配到的真正能解決學習(工作)問題有限資源才有助于催化學習(解決問題)靈感的產生。因此以基于教學域本體的任務情景描述模式作為統一的語義基礎，去確切、全面和便捷地描述教學工作的查詢需求和受檢資源的適用性，通過問題情景找學習資源，這是資源管理的關鍵。

其次，解決根據學習者個性尋求資源的問題。學習者是參差不齊的，每個學生的基礎千差萬別，因而面對資源的難易程度、實訓技能強度、知識的綜合度，不同學生的適應程度是不一樣的。他們總是希望找到符合自己心里需求的教學資源。這就得對資源按難易程度(或者實訓技能強度、知識的綜合度)進行分類組織，并根據學習者特點對所需類型資源進行協同過濾推薦，找到符合學習者特點的資源。

很多學者利用Agent技術構建教學網站，并對教育培訓資源管理進行了相關研究。目前對教學平臺和教學資源管理的研究主要有以下幾個方面：1)研究了Agent模型[1]23-27 [2]56-59，包括教學Agent建模BDI、學習推理Agent模型和遠程學習者情感與認知識別的Agent模型；2)研究了基于Agent的網絡教學系統設計與開發[3]5-7 [4]67-69 [5]72 [6]45-47 [7]23-26 [8]63-68 [9]423-426，包括自適應遠程教學系統模型、實訓教學系統、信息檢索課教學系統、商務英語遠程教學系統等；3)研究了基于Agent的網絡教學評價[10]112-113 [11]93-94，包括多Agent的網絡教學評價模型、學生職業能力測評系統等研究；4)研究了教學資源建設，包括云計算的教學資源共享方案[12] [13]42-43、MOOC背景下教學資源建設[14]34-35和優質教學資源建設[15]17-19等；5)通過任務情景的描述模式[16]1993-2003對知識進行精確查找，通過服務信任機制(評分值)[17]75-79 [18]529-538 [19]893-897來優化服務選擇。

通過查閱上述文獻，不難發現：1)目前基于Agent的智能教學平臺未能解決以上與教育資源密切相關的問題，包括教學資源超載、學習任務情景的資源精確查找和學習者參差不齊等問題；2)由于沒有考慮分布式任務，已有的任務情景描述模式的知識管理研究局限于封閉知識的管理，缺少協同開放性，無法適應目前教學資源的分布式管理要求。只有通過處方分解教學任務，才能以Agent的任務分擔為橋梁實現任務情景的分布式教學資源管理；3)已有的服務信任機制的信任值(評分值)的計算基于服務本身，而非資源(教學)的評分。在教學資源超載情況下，缺少對分布式教學資源的評分機制。

當基于MOOC/SPOC等網絡教學技術成為時代潮流時，資源管理問題將是網絡教學平臺和課堂教學改革的基石，高效的教學網站資源管理才能提高網絡教學的效率。解決上述問題的核心，就是如何根據學生和學習任務特點，對教學資源進行有效的個性化協同管理，為教師和學生打造個性化、智能化的教育資源共享和應用環境，為廣大一線教師、學生和再就業人員提供個性化和開放式的教學資源管理。這對營造高效的網絡教學環境具有十分重要的意義。

本文提出的基于智能型Agent的任務適應性教學資源個性化協同管理，通過OP4R技術對教育資源實行個性化協同適應性管理，包括通過概念分類體系、學習問題描述模式、問題解決(或者學習問題)與資源的關聯、根據處方進行任務分解與教學資源開放式組合等技術來解決任務適應性的資源精確查找問題，通過教學培訓資源難易程度的嚴密組織、在同類難易程度教學資源中個性化推薦實現分類、個性化資源尋求。本研究旨在提高教育資源管理效率，解決目前智能教學平臺存在的問題，滿足廣大師生和成年學習者的學習和工作需求。

二、智能型Agent模型描述

智能型Agent模型包括概念分類體系、學習問題描述模式、問題解決(或者學習問題)與資源的關聯、教學培訓資源的嚴密組織、基于處方的任務分解與教學資源開放式組合、基于協同過濾的資源個性化推薦。可以建模成7元組：AgentOP4R=(BDI，RES，Ontology，Recipe，Regimentation，Relevance，Recommendation)。

1)BDI是心里模型，包括自身心里模型和熟人心里模型；

2)RES是Agent擁有的資源；

3)Ontology是教學域共享本體論，是學習問題描述模式、匹配資源尋求與資源提供的語義基礎。為以下6元組：Ontology= (Oa，WORK，Solving，Pattern，Describing，Matching )。

①Oa：教學域基礎本體論.包括術語集、術語分類體系、同義詞，根據領域專家的意見一般用本體表示語言ORL定義。 ORL 實現教學域的概念化描述，包括概念(對象類)、關系和特性，并支持教學域術語集和術語分類體系的建立，是Pattern的語義基礎；②WORK：教學域任務(問題)集；③Solving：問題解決集；④Describing：WORK(Solving)→Pattern；⑤Pattern：學習問題描述模式(抽象任務)或者是問題解決(服務)描述模式。抽象任務的描述模式(資源R描述模式與之一致)是特征槽fsiT的集合：PatternT={fs1T，fs2T，…，fsnT}，fsiT=，fsniT是特征槽名，在描述模式中是唯一的，tcsiT是提供槽值的可選術語集：tcsiT={termi1T，termi2T，…，termimT}。具體任務t的描述(具體資源r的描述與之一致)Patternt={fs1t，fs2t，…，fsnt}，fsit=，tcsit?tcsiT。理論上，抽象學習任務T的情景描述模式應包含完備的特征槽集以及完備的術語選擇集，這樣就可以包含任務示例的所有可能的情景描述；但要做到絕對的完備性幾乎不可能達到。然而，只要教學域充分狹窄(如某專業領域的某一個課程)，就易于達成術語一致，建立相對完備的術語是可能的；⑥Matching：WORK→Solving，根據問題，通過學習問題描述與問題解決(服務)描述的相容匹配，找到問題解決。如果匹配成功，則問題解決找到。

在進行相容匹配時，可以分別采取and、partand、or、partor策略。當采用and策略時，要求學習問題描述與問題解決描述所有特征槽都相容匹配，則匹配成功；當采用partand策略時，要求學習問題描述與問題解決描述部分特征槽都相容匹配，則匹配成功；當采用or策略時，要求學習問題描述與問題解決描述所有特征槽中有一個相容匹配，則匹配成功；當采用partor策略時，要求學習問題描述與問題解決描述部分特征槽中有一個相容匹配，則匹配成功。默認情況下一般采用partand策略。

顯然，and和partand策略適合于涉及同一抽象任務的資源集數量較大的資源庫，嚴格的相容匹配使得只有少量教學資源能夠滿足查詢需求，并按資源總體分值排序適用性；or和partor策略則適合于滿足查詢需求的資源很少的情況，使得相容匹配程度較差(但仍有參考價值)的資源有機會被檢索到。

例如，用戶具體教學任務和問題解決從任務類別、任務內容、數據接收方式、數據接收語法等情景描述如下(強度實訓按基本技能實訓、拓展類實訓、特色實訓、綜合技能實訓遞增)。

教學任務：使用的語言：ASP；任務類別(難易程度)：{基本技能實訓、特色實訓}；任務內容：{Request對象、Form數據集合、Post方法}；數據接收方式：{Form}；數據接收語法：{循環接收}。

問題解決：使用的語言：ASP；服務類別(難易程度)：{基本技能實訓、拓展類實訓、特色實訓}；服務內容：{Request對象、Form數據集合、Post方法、ASP的內置對象、Get方法}；數據接收方式：{Form}；數據接收語法：{循環接收}。

則教學任務與問題解決符合and相容匹配，然后可以根據問題解決名稱找到相應的教學資源。

4)Recipe是處方，是任務分解和執行流程定義。當Agent不能完成接收到的請求任務(Agent本地沒有足夠的教學資源)時，要進行任務分解，再請求其它Agent完成分解后的子任務；

5)Relevance：Solving(WORK)→2RES；是問題解決與資源的關聯，一個問題解決(問題)名稱對應多個可選資源集。

6)Regimentation是Agent對自己管控的教學培訓資源的嚴密組織。針對不同類型的學習者，對Relevance按資源的難易程度(難、中、易等程度)進行分類組織。Regimentation的BNF范式為Reg：=，difficType是資源的難易程度；

7)Recommendation是從同類(難易程度)、同名問題解決對應的教學資源中向學習者進行推薦，推薦符合學習者特點的教學資源。在Relevance中，一個問題解決對應多個可選資源集，Recommendation從多個可選資源集選出最適合學習者的教學資源集給請求任務的學習者。

設R1，R2，…，Rn是任務t關聯的某類可選資源集SR中的資源，和資源尋求者同類的某學習者對R1，R2，…，Rn的評分分別是C1，C2，…，Cn，0Cn1，θ1，θ2，…，θn都大于0，且θ1+θ2+…+θn=1。則某學習者對可選資源集SR推薦分值C(SR) = θ1C1+θ2C2+…+θnCn。

設和資源尋求者同類的學習者N1，N2，…，Nm對任務t關聯的某類可選資源集SR的評分值分別是C1(SR)，C2(SR)，…，Cn(SR)，0Ci(SR)1，σ1，σ2，…，σn都大于0，且σ1+σ2+…+σn=1。 則可選資源集SR總體推薦分值CR(SR) = σ1C1(SR)+σ2C2(SR)+…+σnCn(SR)。

i)學習者ST是任務t對應資源的初始學習者：

設S1R，S2R，…，SnR分別是任務t關聯的某類可選資源集，總體分值推薦分別是CR(S1R)，CR(S2R)，…，CR(SnR)，則總體推薦分值最高者CR(SiR)對應的可選資源集SiR推薦給學習者ST。

ii)學習者ST使用過任務t對應資源：

設S1R，S2R，…，SnR分別是任務t關聯的某類可選資源集，總體分值推薦分別是CT(S1R)，CT(S2R)，…，CT(SnR)，學習者ST對S1R，S2R，…，SnR的評分是C(S1R)，C(S2R)，…，C(SnR)。SiR的總體評分是CT(SiR) =λC(SiR)+(1-λ)CR(SiR)，0λ1。則總體分值最高者CT(SjR)對應的可選資源集SjR推薦給學習者ST。

三、智能型Agent工作過程

智能型Agent運用涉及到的關鍵技術，為學習者或者工作者個性化精確尋求解決問題的資源，滿足廣大師生和培訓工作者的學習和工作要求，其工作過程如下：

(1)對于請求的任務，根據問題解決與資源的關聯模型，判斷本地是否有足夠的教學資源滿足學習問題，如果滿足，則根據請求的任務在Regimentation中找到跟任務難易程度同類的可選資源集。再在同類資源集中根據Recommendation選出最適合學習者的教學資源集返回給請求Agent；(2)根據教學域共享本體論，產生請求的任務的問題描述，通過中介Agent判斷是否存在某個Agent的問題解決可匹配任務的問題描述。從匹配成功的Agent集中通過Recommendation選出最適合學習者的教學資源集對應的Agent，把請求任務交給此Agent，轉向步驟(6)；(3)根據處方集對學習任務進行分解，得到學習任務的分解方案集。對于每個分解方案，計算每個子任務的最高總體分值，再根據子任務的串、并執行流程，計算每個分解方案的最高總體分值，然后根據每個分解方案的最高總體分值由高到低對分解方案進行排序；(4)取出分解方案集中的第一個方案，指針下移，如果方案不為空，把各請求子任務交給此子任務總體分值最高者對應的Agent，否則轉向步驟(8)；(5)如果各個Agent返回資源成功，則轉向步驟(7)，否則轉向步驟(4)；(6)如果Agent返回資源不成功，則轉向步驟(3)；(7)如果返回資源成功，返回；(8)返回提供資源失敗。

四、例證實驗

課題組利用智能型Agent技術開發了計算機信息課程教學資源管理系統原型。定義了Agent技術的教學域共享本體論。從網上下載并編輯了185個信息教學資源，自己動手做了35個教學資源，收集了教學域術語546個，用于建立學習任務特征槽的術語可選集。同時對教學資源進行了分類組織，對各類難易程度的教學資源進行了評分。實驗表明，通過概念分類體系、學習問題描述模式、問題解決(或者學習問題)與資源的關聯、根據處方進行任務分解與教學資源開放式組合等技術提高了教學資源搜索的適用性；通過教學培訓資源按難易程度和任務的嚴密組織，在同類難易程度教學資源中基于協同過濾的個性化推薦實現個性化資源尋求。例如，在尋求request對象資源時，使用“Request對象”關鍵詞，返回46個資源，再加上關鍵詞“Post方法”時，也會返回43個資源。況且，返回的資源中實訓強度各異，各個資源的評分也差異很大，很難適應學生個性化的學習需求。但是，當根據學習任務的情景描述進行資源搜索時，附加上“Post方法”任務的情景描述，任務情景中附加上實訓強度等級，同時利用Recommendation對任務情景匹配上的學習資源進行評分帥選，返回資源數是2個(對應任務的一個可選資源集)，都滿足任務情景實訓強度等級，且資源的平均分值比基于關鍵詞的搜索資源的平均分值高出很多，更能夠滿足學生(工作者)個性化解決學習(工作)問題的尋求。用關鍵詞返回的43個資源中，盡管包含任務情景返回的2個資源，但是其他資源僅提及術語“Post方法”，并未涉及“Post方法”技術細節。顯然，在學習資源豐富多彩的今天，特別是在目前教學資源超載、質量參差不齊、適用對象不明確、教學網站漸多、教學資源眾多的情況下本方法提高了資源的適應性。

另外，當關鍵詞偏僻或者關鍵詞多于3個時，基于關鍵詞的資源搜索往往搜不到學習資源?？梢苑艑掃m應性匹配的策略，采用partand、or、partor策略，基于智能型Agent搜索技術依然能夠提供具有潛在參考價值的學習資源。

五、結 語

目前教學資源超載，使得其使用率非常低，教學資源的使用很難適應學生和學習問題特點。而基于關鍵詞的教學資源搜索無法解決以上問題。本文提出的基于智能型Agent的任務適應性教學資源個性化協同管理，通過使用概念分類體系、學習問題描述模式、問題解決(或者學習問題)與資源的關聯、根據處方進行任務分解與教學資源開放式組合等技術解決了資源的精確適應性查找，具有學習任務的針對性，通過教學培訓資源難易程度的嚴密的組織、在同類難易程度教學資源中基于協同過濾的個性化推薦實現個性化資源尋求，針對了學習者的特點。另外通過適應性匹配的策略，可以找到潛在的有參考價值的學習資源。在已有的任務情景描述模式的知識管理沒有考慮分布式任務，而已有的服務信任又缺少對分布式教學資源評分機制的情況下，所有這些技術在提高教育資源管理效率、解決目前智能教學平臺存在的問題、滿足廣大師生和成年人的學習和工作要求方面具有重要的現實意義。

[1] 姜振鳳.智能教學系統中基于BDI的教學Agent建模研究[J].寧夏師范學院學報(自然科學),2009(3).

[2] 鄺天福,徐慶生.智能教學系統中的學習推理模型研究[J].楚雄師范學院學報,2011(9).

[3] 張格瑩.基于Agent的網絡教學構建技術研究[J].中國教育信息化,2012(1).

[4] 李姝博.基于Agent的網絡教學系統設計[J].計算機時代,2014(2).

[5] 錢貴平.基于Multi-Agent的商務英語遠程教學系統研究[J].科技信息,2013(12).

[6] 高仲慧,林筑英,魏高起.基于多Agent的自適應遠程教學系統模型[J].貴州師范大學學報(自然科學版),2009(3).

[7] 孫 瑜,李志平,鄺天富.基于多Agent和知識地圖的智能教學系統研究[J].華中科技大學學報(自然科學版),2011(11).

[8] 曾茂林.建立Agent實訓教學系統破解高師教育實踐困境[J].環境建設與資源開發,2012(12).

[9] 馮 凱.信息檢索課程基于Agent的網絡教學系統設計與開發[J].情報理論與實踐,2007(5).

[10] 劉海嬌.基于多Agent 的網絡教學評價模型研究[J].電腦編程技巧與維護,2012(2).

[11] 胡 旻.基于多Agent 學生職業能力測評系統的研究和開發[J].信息通信,2013(10).

[12] 羅桂聯.基于云計算的教學資源共享方案[D].廣州大學碩士學位論文,2013.

[13] 孫 寧,盧春艷,孫 晨.關于優質教學資源建設的思考[J].中國電化教育,2013(11).

[14] 王 鵬,邊 琦,肖鳳艷,等.MOOC背景下教學資源建設的發展方向----基于對國家精品開放課程工作的回顧[J].現代教育技術,

2014(4).

[15] 張懷南,楊 成.基于云計算的區域性高校數字教學資源建設研究[J].現代教育技術,2012(6).

[16] 高 濟.支持創新型組織學習：基于任務情景的知識適用性管理[J].計算機學報,2007(9).

[17] LIU W M.A Hierarchical Trust Model for the Internet of Things[J].Chinese Journal of Computers,2012(5).

[18] WANG G J, WU J. Multi-Dimensional Evidence-Based Trust Management With Multi-Trusted Paths[J].Future Generation

Computer Systems,2011(5).

[19] GU L, WANG J P, SUN B. Trust Management Mechanism for Internet of Things[J].China Communications,2014(6).

Design of Teaching Platform Based on Intelligence Agent

ZHOU You-ming1, GU Hua-mao2

(1.School of Logistics and Information Engineering, Huzhou Vocational and Technological College, Huzhou 313000, China；2.Computer and Information Engineering Institute, Zhejiang Gongshang University, Hangzhou 310018, China)

Currently the teaching platform design can hardly effectively perform task adaptive personalized collaborative management on teaching resources according to the characteristics of the students and of the studying problems. The platform based on Intelligence Agent can get rid of the above obstacles. The Intelligence Agent model consists of the problem solving of accurate resource search based on task adaptability through the use of task adaptive classified ontology system, studying problem descriptive pattern, the relevance of problem solving and resources, task decompositions and openness resource compositions based on recipes, and the achieving of classified, personalized resources seeking through the use of the tight organization of teaching training resources according to the difficulty level and individualized resource recommendations based on cooperative filtering. The experiment case shows that the Intelligence Agent can effectively enhance the task adaptability in resource seeking and the individuality of recommendations for students.

Intelligence Agent； teaching resource; cooperative management; teaching platform

2016-11-24

本文系2015年度全國教育信息技術研究課題“信息課程智能教學平臺個性化資源管理研究”(156232397)和2015年度湖州市市級科技特派員項目“本體知識庫的動態、開放性研究----以街道管理突發事故應急處理領域為例”(2015KTZ21)的研究成果之一。

周尤明(1972-)，男，江西泰和人，講師，高工，計算機科學與技術博士，主要從事計算機技術研究；古華茂(1975-)，男，江西安遠人，副教授，計算機科學與技術博士，主要從事計算機技術研究。

TP399

A

1672-2388(2017)01-0081-05