基于推理引擎的教師模型分析與設(shè)計

殷鋒社

（陜西工業(yè)職業(yè)技術(shù)學(xué)院 陜西 咸陽 712000）

教師模型就是根據(jù)學(xué)生對知識的掌握理解情況，自動選擇相適應(yīng)的教學(xué)計劃、檢測計劃，以達(dá)到最佳教學(xué)效益的模型。

基于推理引擎的教師模型[1，8]由一系列規(guī)則組成，例如匹配規(guī)則可以推理出哪些知識資源是最適合該學(xué)生的，哪些知識資源是學(xué)生可以接受的，以及哪些知識資源是不推薦學(xué)生訪問的等。

1 基于本體和規(guī)則的推理平臺的設(shè)計

1.1 SWRL/SWRL FOL規(guī)則的建立

OWL具有強大的知識描述能力，通過OWL可以提供定義類、屬性限制和描述邏輯的特點，如果某項知識難以用類的方式表達(dá)，則OWL就難以描述。為了解決上述問題，為OWL本體擴(kuò)充邏輯規(guī)則，本研究采用SWRL（Semantic Web Rule Language）來描述學(xué)生自定義規(guī)則。

SWRL描述的規(guī)則形如 （采用 human readable語法表示）：前提（Body）-〉結(jié)論（Head）

具體體現(xiàn)[2]為：B1，B2～Bi H1，H2～Hj

其中Bi和Hj都是規(guī)則中的Atom，可見SWRL規(guī)則是由規(guī)則原子組成的。

1.2 利用FOL推理引擎結(jié)合本體和規(guī)則推理

WL本體和SWRL/SWRL FOL規(guī)則都建立好了之后，通過映射為一階謂詞邏輯公式，就可以利用FOL推理引擎進(jìn)行推理了。

目前，有許多高效的自動理論證明機(jī)（ATP），如Vampire、Otter、SPASS用于實現(xiàn)經(jīng)典 FOL（Full FOL）的推理證明。 ATP通常采用TPTP語法[3]作為輸入格式，可以通過一些語法解析器（Parser）將其他格式的語法，轉(zhuǎn)化為TPTP語法[4-6]。如上述介紹的規(guī)則：visited（?u，?r）?Acquired（?r，?u）

映射為一階謂詞邏輯公式，并用TPTP語法表示為：

2 基于推理引擎的教學(xué)策略推理機(jī)的設(shè)計

推理引擎就是應(yīng)用系統(tǒng)中用來完成推理功能的模塊，也稱作推理機(jī)。本文引進(jìn)了推理輔助規(guī)則和匹配規(guī)則，從而建立了匹配機(jī)模型和基于推理引擎的個性化教學(xué)策略推理機(jī)。

2.1 輔助規(guī)則定義

在學(xué)生、知識資源和教學(xué)資源概念之間，有這樣一種聯(lián)系：當(dāng)一個學(xué)生訪問過一個知識資源，而該資源涵蓋了一個或多個知識概念，那么就能推導(dǎo)出該學(xué)生掌握了這些知識概念。用SWRL來對前面建立的本體添加相關(guān)的學(xué)生定義規(guī)則[3]。

1）對于“當(dāng)一個學(xué)生訪問過一個知識資源，而該資源涵蓋了一個或多個知識概念，那么就能推導(dǎo)出該學(xué)生掌握了這些知識概念”這樣一條規(guī)則，可用一階謂詞邏輯中的Horn子句規(guī)則來表示，即SWRL的人可讀語法 （human readable syntax）：

這里?u、?r、?c是實例變量，分別表示學(xué)生實例、資源實例和教學(xué)資源概念實例。

2）為個性化匹配服務(wù)，定義第二條輔助規(guī)則：對應(yīng)于教學(xué)資源模型（DKO）中知識概念與知識概念之間的依賴關(guān)系，在資源與概念之間也可以體現(xiàn)，即當(dāng)一個知識資源R涵蓋某一教學(xué)資源概念C，而掌握概念C必須以掌握知識概念C’為前提，那么就應(yīng)該能夠推導(dǎo)出要獲取并掌握資源R要以掌握知識概念C’為前提。

2.2 匹配規(guī)則定義

輔助規(guī)則建立完畢后，就需要建立知識資源與學(xué)生的個性化匹配規(guī)則。根據(jù)學(xué)生對資源及資源涵蓋的教學(xué)資源概念掌握程度的不同，把知識資源和學(xué)生的匹配程度（即資源對于該學(xué)生的適合程度）定義為5個等級：

1）L Acquired（已經(jīng)掌握的資源）

2）L Recommended（推薦掌握的資源）

3）L May_Acquire（可能可以掌握的資源）

4）L Will_Acquire（將來可能掌握的資源）

5）L Not_Recommended（不推薦的資源）

上面定義中知識資源與學(xué)生匹配的理想程度為（Acquired表示已經(jīng)掌握，因此不考慮）：Recommended＞May_Acquire＞W(wǎng)ill_Acquire＞Not_Recommended。

2.3 個性化教學(xué)策略推理機(jī)的設(shè)計舉例

首先，假設(shè)學(xué)生模型 （UO）中存在兩個學(xué)生實例：User_001和User_002。它們在學(xué)生本體中對應(yīng)的學(xué)生實例的知識結(jié)構(gòu)如圖1所示?？梢奤ser_001已訪問過資源Resource_001， 并掌握了知識概念 A、A1、B1和 C1；Use_002 掌握的知識概念為A1。

圖1 學(xué)生的知識結(jié)構(gòu)Fig.1 Knowledge structure of student

接著依照本章介紹的輔助規(guī)則和匹配規(guī)則，結(jié)合學(xué)生實例和知識資源實例，便可以將資源Resource_001、Resource_002、Resource_003和學(xué)生User_001、User_002之間的匹配關(guān)系，通過推理機(jī)推導(dǎo)出來，呈現(xiàn)出如下的知識（描述邏輯表示）：

由于學(xué)生User_001已經(jīng)訪問過Resource_001，因此Resource_001對于學(xué)生User_001的匹配關(guān)系是Acquired，并且通過輔助規(guī)則，可以推出User_001掌握了它涵蓋的知識概念A(yù)，并掌握了A的依賴概念A(yù)1，在User_001的學(xué)生實例中已得到體現(xiàn)；對于Resource_002，User_001已經(jīng)掌握了它的所有預(yù)備概念A(yù)1和B1，因此根據(jù)匹配規(guī)則可以推出資源Resource_002對于學(xué)生 User_001的匹配關(guān)系是Recommended；對于Resource_003涵蓋的每一個概念 （B和C），User_001都至少掌握了它的一個依賴概念（B1和 C1），就可以推出資源Resource_003對于學(xué)生User_001的匹配關(guān)系是May_Acquire。

User_002的本體實例中只掌握了一個知識概念A(yù)1，對于資源Resource_001的唯一預(yù)備概念A(yù)1，已經(jīng)被User_002所掌握，因此可以推導(dǎo)出資源Resource_001對于學(xué)生User_002的匹配關(guān)系是Recommended；對于Resource_002的所有預(yù)備概念（A1和 B1），User_002 至少掌握了其中之一（A1），可以推出資源Resource_002對于學(xué)生User_002的匹配關(guān)系是Will_Acquire；而對于資源Resource_003的所有預(yù)備概念（B1、C1和C2），學(xué)生User_002全都沒有掌握，因此可以推出資源Resource_003對于學(xué)生 User_002的匹配關(guān)系是Not_Recommended。

然后根據(jù)這3個資源與User_001和User_002匹配關(guān)系的不同，就能為學(xué)生User_001和User_002提供具有不同建議性意見的知識資源。如果針對匹配關(guān)系進(jìn)行控制，例如不向?qū)W生返回匹配關(guān)系為Acquired和Not_Recommended的資源，那么：

可見，由于Resource_001與User_001的匹配關(guān)系為Acquire，即已經(jīng)被User_001訪問并掌握，因此被過濾；而Resource_003與User_002的匹配關(guān)系為Not_Recommended，即對于User_002來說，該資源可能掌握起來太難，因此也不返回給User_002。這樣就真正實現(xiàn)了學(xué)生對知識資源的個性化學(xué)習(xí)。

3 教學(xué)規(guī)則庫的設(shè)計

規(guī)則的設(shè)計[7]有多種方法。針對每個個體的不同情況，用一條規(guī)則給出該個體下一步的學(xué)習(xí)內(nèi)容是可能的，但這樣的話，在規(guī)則的左邊部分，就要列舉出足夠多的事實，在所有的規(guī)則中逐個比較，以尋找匹配的規(guī)則，效率低下。

為了解決此問題，本文將所有的規(guī)則進(jìn)行分類，按求解的次序?qū)⒁?guī)則分層次存放，使用時由規(guī)則的結(jié)果決定后續(xù)規(guī)則的選取。在實際應(yīng)用中，每門課程的規(guī)則庫由該領(lǐng)域的專家經(jīng)研究給出。本系統(tǒng)中部分規(guī)則如下：

R1 If學(xué)生是第一次學(xué)習(xí) Or學(xué)生能力值改變 Then//判斷學(xué)生等級，確定學(xué)習(xí)內(nèi)容

R11 If學(xué)生能力值＞=90 Then學(xué)生類型=“A”

If學(xué)生類型=“A”Then學(xué)習(xí)所有知識點

R12 If學(xué)生能力值＞=80 And學(xué)生能力值＜90 Then學(xué)生類型=“B”

If學(xué)生類型=“B”Then刪除第11類知識點

R13 If學(xué)生能力值＞=70 And學(xué)生能力值＜80 Then學(xué)生類型=“C”

If學(xué)生類型=“C”Then刪除第11、12類知識點

R14 If學(xué)生能力值＞=60 And學(xué)生能力值＜70 Then學(xué)生類型=“D”

If學(xué)生類型=“D”Then 刪除第 11、12、13類知識點

R15 If學(xué)生能力值＞=50 And學(xué)生能力值＜60 Then學(xué)生類型=“E”

If學(xué)生類型=“E” Then 刪除第 11、12、13、14 類知識點

R16 If學(xué)生能力值＞=40 And學(xué)生能力值＜50 Then學(xué)生類型=“F”

If學(xué)生類型=“F” Then 刪除第 11、12、13、14、15 類知識點

R17 If學(xué)生能力值＞=30 And學(xué)生能力值＜40 Then學(xué)生類型=“G”

If學(xué)生類型=“G” Then 刪除第 6、7、11、12、13、14、15 類知識點

R18 If學(xué)生能力值＞=20 And學(xué)生能力值＜30 Then學(xué)生類型=“H”

If 學(xué)生類型=“H” Then 刪除第 6、7、8、9、11、12、13、14、15類知識點

R19 If學(xué)生能力值＜20 Then學(xué)生類型=“I”

If 學(xué) 生 類 型=“I” Then 刪 除 第 6、7、8、9、10、11、12、13、14、15 類知識點

R2 If學(xué)生接受了某個單元的測試 Then //用來判斷學(xué)生是否通過本單元的學(xué)習(xí)

R21 If識記能力測試值＜本單元識記能力閾值

Or理解能力測試值＜本單元理解能力閾值

……

Or總體認(rèn)知能力測試值＜本單元總體認(rèn)知能力閾值

Then本單元學(xué)習(xí)未通過，轉(zhuǎn)向R3

R22 If識記能力測試值＞=本單元識記能力閾值

And理解能力測試值＞=本單元理解能力閾值

And應(yīng)用能力測試值＞=本單元應(yīng)用能力閾值

And分析能力測試值＞=本單元分析能力閾值

And綜合能力測試值＞=本單元綜合能力閾值

And總體認(rèn)知能力測試值＞=本單元總體認(rèn)知能力閾值

Then本單元學(xué)習(xí)通過，轉(zhuǎn)向R4

R3 If學(xué)生未通過本單元學(xué)習(xí)Then

R31 If識記能力測試值＜本單元識記能力閾值

Or理解能力測試值＜本單元理解能力閾值

Then復(fù)習(xí)前導(dǎo)知識

R32 If應(yīng)用能力測試值＜本單元應(yīng)用能力閾值

Or分析能力測試值＜本單元分析能力閾值

Or綜合能力測試值＜本單元綜合能力閾值

Then呈現(xiàn)實例

R33 If總體認(rèn)知能力測試值＜本單元總體認(rèn)知能力閾值

Then重新學(xué)習(xí)本知識點

R4 If學(xué)生已通過本單元的學(xué)習(xí)Then

R41 If綜合測試值＞=90 Then學(xué)生能力值=學(xué)生能力值+2

If綜合測試值＞=80 And綜合測試值＜90 Then學(xué)生能力值=學(xué)生能力值+1.5

......

4 結(jié) 論

本文在前人工作的基礎(chǔ)上研究了基于推理引擎的教師模型系統(tǒng)的設(shè)計方法和實現(xiàn)的關(guān)鍵技術(shù)，并總結(jié)了設(shè)計和實現(xiàn)基于推理引擎的個性化教學(xué)推理機(jī)和教學(xué)規(guī)則庫的基本方法和模式。從而實現(xiàn)了學(xué)生對教學(xué)資源的個性化學(xué)習(xí)，提高學(xué)習(xí)的效率和自主性。相信隨著智能化的引入和教學(xué)規(guī)則的不斷細(xì)化，個性化和自主性會越來越好。

[1]殷鋒社.基于推理引擎的個性化計算機(jī)輔助教學(xué)系統(tǒng)的研究與實現(xiàn)[D].西安：西安交通大學(xué)，2008.

[2]Tsarkov D，Riazanov A，Bechhofer S，et al.Using vampire to reason with OWL， ISWC 2004[J/OL].LNCS 3298，2004:471－485.

[3]Spencer B，Liu S.Inferring Data Transformation Rules to Integrate Semantic Web Services.ISWC 2004 [J/OL].LNCS 3298， 2004：456－470.

[4]Moser M，Ibens O，Letz R，et al.SETHEO and e-SETHEO-the CADE-13 systems[J/OL].Journal of Automated Reasoning，1997， 18（2）:237－246.

[5]Tammet T.Gandalf[J/OL].Journal of Automated Reasoning，1997，18（2）:199–204.

[6]Riazanov A，Voronkov A.The design and implementation of vampire[J/OL].AI Communication，2002， 15（2－3）:91－110.

[7]石鷗燕.基于J2EE的多Agent的網(wǎng)絡(luò)教學(xué)系統(tǒng)的研究與實現(xiàn)[D].天津：天津師范大學(xué)，2005.

[8]O’Connor M， Knublauch H， Tu S，et al.Supporting rule system interoperability on the semantic Web with SWRL，ISWC 2005[J/OL].LNCS 3729， 2005:974－986.