基于Ｍｕｌｔｉ－ａｇｅｎｔ的智能學習環境的設計與實現

摘要：傳統的智能學習環境由于只有一個學習者模型難以滿足用戶個性化學習的需要。為此本文提出了一個基于Multi-Agent的智能學習環境，并對該學習環境的體系結構、客戶端學習者模型與服務器端學習者模型及其之間的交互作了具體的闡述。

關鍵詞：Agent；Web Service；學習環境；學習者模型

中圖分類號：G434文獻標識碼：A文章編號：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

隨著網絡的日益普及和網絡可以為教育帶來許多優點，使計算機輔助學習朝著基于網絡的學習方向發展。現在我們可以隨時隨地通過網絡利用計算機進行學習。但是，決大多數基于網絡的教育應用軟件是用靜態的、一般的方法對學習者進行輔導，并沒有考慮到使用該應用軟件時學習者個性化需要。另一方面，有的教育軟件技術在個性化輔導方面取得了顯著的效益。如作為教育技術的智能學習環境和智能輔導系統，根據學習者模型在履行著個性化的教學任務[1]。傳統的智能學習環境作為獨立的應用程序在每個用戶計算機上進行運行，而且這些智能學習環境是基于存儲在本地用戶計算機上的學習者模型工作的。為此，我們也開發了基于Multi-Agent的智能學習環境。它的操作方法是基于Web Services，需要明確的是Web Services是一個自含式的、有標準組件的應用程序，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諸如WSDL (Web Service Definition Language)， SOAP (Simple Object Access Protocol) and UDDI (Universal Description， Discovery and Integration)等網絡標準與應用程序進行交互，并且可以調用它們[2]。

2 體系結構

基于Multi-Agent的智能學習環境是一個基于Multi-Agent的體系結構，它由一組能夠自治或半自治的Agent組成，他們可以共同相互作用或工作來從事某項任務或達到某個目標。其體系結構由短期學習者模型Agent、長期學習者模型Agent、建議Agent、輔導Agent和語音驅動Agent等五個Agent組成。具體的體系結構如圖1所示。這些Agent共同監視學習者，并且在認為必要的時候提供個性化的建議和輔導。所有的這些Agent在本地用戶計算機上工作，僅僅長期學習者模型Agent負責與Web 服務器交互。

圖1基于Multi-Agent的智能學習環境的體系結構

1) 短期學習者模型Agent：每次學習者發出一個命令，客戶端短期學習模型Agent就會推理學習者目標所期望的要求、獲取學習者的認知狀態與特點、鑒別可能的誤解。這個分析機是基于一個有限制目標的識別機制和人類模糊推理理論。短期學習者模型Agent應用人們模糊推理理論的原理去搜索類似的可供選擇的行為去代替學習者已經發布的有問題的行為。一旦可供選擇的行為產生，就會被發給建議Agent，建議Agent就會負責選擇學習者傾向的行為。

2) 輔導Agent與建議Agent：如果短期學習者模型Agent認為學習者的誤解是由于學習者知識缺乏引起的，它就會把這個信息通知輔導Agent。輔導Agent負責編制適應性課程對學習者進行輔導。這時建議Agent和輔導Agent就會從短期學習者模型得到關于學習者的信息，這樣做的目的是使建議或課程能夠適應每個學習者的需要和興趣。

3) 語音驅動Agent：建議Agent和輔導Agent向位于客戶端的語音驅動Agent發送他們的結果。語音驅動Agent負責使用統一并且易于訪問的方式去呈現信息。為了使人機間交互更加自然和愉快，語音驅動Agent還會把把系統的建議呈現給學習者。這些特征提供了一個令人愉快的和有情感的功能，這對于使用計算機應用程序的新手來說降低了門檻。此外這些特征通過激發學習者還改善了系統的效率。語音驅動Agent全權負責與學習者之間的通信，包括學習者疑問的收集以及當學習者被診斷處于一個有問題的情境時，系統對學習者建議的陳述等等。

4) 長期學習者模型Agent：只要短期學習者模型Agent獲取了學習者與系統交互的信息，就會把這個信息發送給長期學習者模型Agent。一般的，長期學習者模型Agent維持和管理學習者概況、在認為必要的時候給短期學習者模型提供相關的信息。此外，為了維持和更新存儲在學習者模型上的信息，長期學習者模型Agent負責與Web Service端學習者模型服務器進行交互。

3 客戶端與服務器端學習者模型之間的交互

基于Multi-Agent的智能學習環境為每個學習者建立兩個分開的學習者模型，一個位于本地計算機上，一個位于服務器上。每次用戶使用該學習環境，系統就會檢查用戶計算機是否與internet相連接，如果沒有連接，系統就會以獨立的應用程序在本地學習者模型上運行。長期學習者模型Agent就負責查找學習者與系統交互的學習者模型。如果長期學習者模型找到了學習者模型，人機交互開始正常運行。每次學習者發布了一個新的命令本地學習者模型就會更新。如果學習者模型并不存在于Web Service端學習者模型服務器上，長期學習者模型負責查找是否學習者在離線的情況下使用某一計算機與系統進行交互。如果長期學習者模型不能夠找到關于這個學習者的任何信息。它就會在本地初始化學習者模型。無論如何，長期學習者模型Agent都將把學習者信息發送給Web Service。Web Service將利用本地學習者模型的信息創建一個新的學習者模型。

如果學習者與應用程序進行在線交互，并且學習者模型存在于服務器上，長期學習者模型Agent就負責查找是否存在一個本地學習者模型。如果在本地計算機上沒有任何可以利用學習者信息，長期學習者模型Agent負責從服務器上復制一個學習者模型到學習者計算機的硬盤上。否則，長期學習者模型Agent就承擔著用最新的信息更新學習者模型的任務。

只要學習者模型數據更新完成，用戶與系統的交互就正常開始。這個過程在學習者退出時候就重復（假設學習者一直在線），這樣便于服務器用最新獲得的信息更新學習者模型。

4 客戶端學習者模型

每次學習者與基于Multi-Agent的智能學習環境交互，短期學習者模型Agent就收集用戶新信息進而更新本地計算機上的學習者模型。如果短期學習者模型Agent不能查找到某個學習者學習模型，它就會用固定的模式初始化學習者模型。

在基于Multi-Agent的智能學習環境中，系統根據用戶的知識水平、姓名、是否為新手或專家等信息將把用戶分為三類中的一類。這樣的分類由于能使系統對屬于某一組的用戶通常的錯誤、誤解等有一個最初的觀點，因而被認為是十分重要的。例如：新手通常傾向于由于不正確的命令選擇或不正確的命令執行而犯錯誤，而專家由于通常由于粗心出現錯誤。

固定的模式作為一種工具去模仿系統的用戶可能有的信息與參數選擇。使用固定模式的主要理由是他們能夠提供一套對用戶非常有用的默認假設。默認假設的出現對于模仿許多用戶方面被證實是非常有效的。但是這種方法同時也有問題，例如：沒有考慮到同一組學習者可能有相同的行為，每一個人是一個個體，其在許多方面都有別于其他人。因此固定模式應該僅僅用于初始化學習者模型，這樣基于Multi-Agent的智能學習環境保留著每組用戶模型的一個庫，每次只要一個新的用戶與系統交互，長期用戶模型就鑒別這個用戶屬于哪一類。

對于每一次新的交互，短期學習者模型Agent就會使用時間戳在學習者模型上創建一個新的記錄，這樣每一次記錄都有交互的數據與時間。通過這種方式可以使每一次交互有別于所有其他的交互。短期學習者模型和Web 服務器能夠很容易地鑒別哪些本地學習者模型沒有包括在服務器的學習者模型內。而且學習者模型的每一次注冊都保留著一個標記去通知短期學習者模型Agent是否這次交互包括在服務器上學習者模型內。只要學習者完成了與系統的交互，短期學習者模型Agent就負責與網絡服務器交互，從而更新服務器上學習者模型。

5 服務器端學習者模型

客戶端與Web Service上的學習者模型之間的通信通過Web Services協議進行，圖2總結了Web Services的操作以及其與客戶端Agent之間的交互。

長期學習者模型Agent發出一個包含某個學習者模型的命令給Web Service上的學習者模型。為了鑒別用戶，這個命令通常包含用戶姓名、口令（用戶與客戶端應用程序在以前交互時使用的）。通信模塊每次都要重新獲取與處理這樣的命令。通常通信模塊處理所有Web Services信息（包括鑒別請求、更新請求、創建請求、刪除請求）并且負責用XML格式化響應，然后發送給客戶端應用程序。

圖2 服務器端學習者模型的體系結構

此外，學習者模型模塊評價發送給Web Service上的學習者模型的信息。例如：服務器端的長期學習者模型有關于學習者充足信息，但是發送給Web Service上的學習者模型的信息是屬于學習者固定模式的信息，那么這個信息就會被拒絕。這是因為固定模式的信息僅僅用于初始化學習者模型。這樣當固定模式的信息來自本地的學習者模型，而在服務器上有充分的學習者信息，這將意味著計算機與服務器之間通訊失敗，基于Multi-Agent的智能學習環境作為一個獨立的應用程序已經運行。在這個操作過程中，因為系統在本地沒有發現學習者模型，很可能創建了一個新的初始的學習者模型。

這一點上面已經提到，客戶端長期學習者模型Agent負責學習者模型維護、創建用戶與學習環境交互時學習者模型新記錄。然而這樣一個如此詳細的學習者模型對于Web Service與長期學習者模型來說需要相當大的存儲空間與時間。為了克服這個困難，學習者模型被分為兩個部分：第一部分包含著學習者的概括性信息（三個月前的信息），第二部分包含著學習者與學習環境交互時具體的信息（最近三個月的信息）。數據庫模塊負責學習者模型記錄之間的連接。每天數據庫模塊從學習者模型的第二部分上刪除三個月前的記錄，并把它們整合到第一部分。

6 結束語

本文描述了一個旨在幫助用戶學習的基于Multi-Agent的智能學習環境。該學習環境與傳統智能學習環境不同之處在于它為每個用戶分別在客戶端與服務器端建立了一個學習者模型，而且二者之間還可以通過Web Services協議進行交互。系統指派了一個短期學習者模型Agent去監視用戶，如果發現用戶處于有問題的情境，系統就會診斷問題的原因，并且提供合適的建議。可以說每個用戶能夠受益于系統的建議和適應性輔導，同時這種學習的適應性還取決于學習者以前的知識、能力和需要等。

參考文獻：

[1] Kabassi K，Virvou M. Using Web Services for Personalised Web-based Learning[J]. Educational Technology Society，2007，21(2):245-264.

[2] 韓貴來，李衛化，謝招犇，王銘銘.Agent與Web服務的集成研究[J].計算機應用研究，2005，22(1):79-81.

[3] 肖毅，甘仲惟，肖明，趙慧.基于Multi-Agent技術的個性化信息服務[J].計算機應用研究，2005，22(3):82-84.