E-Learning协作学习中的分组问题研究

□ 潘 芳 仲伟俊

E-Learning协作学习中的分组问题研究

□ 潘 芳 仲伟俊

本文针对E-Learning协作学习中典型的分组问题展开研究，采用Multi-Agent的技术方法，根据某大学“教学在线”的实际应用背景，构造分组Agent结构。通过减少参与者人为干涉系统行为、网络控制及通信量，直接提高学习的效率，改善交互质量，从而最大程度地降低因分组决策错误而造成的资源浪费和经济损失，达到改善教学系统知识交换、整合、沉淀、创新、增值等的环境、提高高校核心竞争力的目的。系统试运行的结果表明，该研究成果较好地解决了E-Learning远程教育中协作学习的分组问题。

E-Learning；协作学习；分组；Multi-Agent

一、引言

许多国家都把大力发展科技和教育作为推动国家进步的重要策略，信息网络已经成为普及教育、提高国民素质以达到终身教育计划的重要手段。2011年美国培训的总体支出同比增长了13个百分点，达到597亿美元，比上一年多了8%[1]。在我国，教育部实施了“现代远程教育工程资源建设基础教育项目”[2]。作为高校信息化的重要组成部分，E-Learning包容了第二代与第三代远程教育的理论基础和应用技术，是学校文化积淀最直接的体现形式。小组形成是计算机支持的协作学习中一个重要的专题[3][4]。

二、E-Learning协作学习中分组问题的理论基础

已有文献表明[5]，协作学习相对于个别学习或竞争学习能取得更好的学习效果，E-Learning协作学习因其借助计算机技术，使得协作团队中的人员充分发挥团队精神、取长补短、相互扶持的过程更加便捷。在E-Learning协作学习机制中的首要问题就是分组。协作学习中的分组是学习效果分析的一项重要内容。不同类型的参与者所需要的服务是不同的，如果对所有参与者都采用相同的服务策略，只能满足部分参与者的需求，而其他参与者很难得到所需要的服务，这样就造成了资源的巨大浪费。E-Learning知识库的资源是有限的，要使服务资源发挥最大的作用，就需要通过分组来管理E-Learning知识库，将E-Learning知识库的操作者划分成为不同的类型，然后针对不同类型操作者的特点制定并实施相应的服务策略。因此，所谓协作学习的分组，是指根据参与者的属性，将所有参与者划分为不同的类型，对他们进行分门别类的研究，制定相应的服务策略，合理分配服务资源，从而达到保持参与者、最大限度地提高参与者满意度的目的。

国内外与E-Learning协作学习分组相关的研究成果较为丰富，为本研究提供了重要的思路。但现有文献更多是算法上的探讨，缺乏针对高校信息化建设所特有的E-Learning协作学习分组的理论和实践研究。EphratiE等[6]认为可以以降低系统性能为代价，利用一个控制方对全部Agent进行监控，从而有效防止有的Agent为了自己的利益而伪造数据。ZlotkinG等[7]根据Shapley合作对策原理，为Agent分配各自的任务，也因此造成该算法的时间复杂度和空间复杂度相对较高。KetchpleS[8]给出了双方拍卖算法，在一定程度上区分了不同角色在协作学习中的差异。罗翊等对EphratiE的算法进行了改进，变奖励政策为补偿，此补偿不需要控制方，降低了计算复杂度。但是该算法未考虑到不同角色（Agent）对于协作的贡献差异，这与实际情况是不相符的。在分组策略方面，KetchpleS认为，Multi-Agent系统中Agent的分组必须满足如下要求：有效性、稳定性、简单性、分布性和对称性[9]。罗翊等认为，在动态演化背景下的协作分组应考虑结果的全局最优、稳定性、计算简单、分布合理、非减性以及实效性[10]。在应用方面，可借鉴的文献有李湘清等将MultiAgent动态分组模型用于多无人机协同任务分配[11]，蔡玮等研究了基于MultiAgent的无线传感器网络的分组优化算法[12]。

在理论研究方面存在的其他问题有：①相关文献大多基于Shapley提出的平等分组[13]方法，过于强调平等，忽视了在具体分组过程中各Agent行为的不同，没有考虑到老师这个角色的控制和引导作用，导致整体效用增加时原小组成员的效用下降。②现有文献较少系统地研究影响E-Learning协作分组的各个重要因素，分组结果不能很好地应对动态变化的外界环境及用户各阶段不同的学习需求。

在应用上，现有的E-Learning系统在处理分组时，大多将其默认为一个随机过程，处理方法也偏重于运用统计学理论。在实际E-Learning系统中，虽然组别是已知的，但是分在各组的概率是未知的，如果使用诸如概率论等统计方法，显然是不合适的。在E-Learning系统中的各方表达需求时有很大的弹性和不确定性，表现为分组时需求的粗糙性。信息的缺失造成了分组的障碍，因为要求使用的信息是完美的，这就不得不进行多次交互。E-Learning的特殊性又决定了其对网络软硬件平台的依赖。这样的多次交互必然加大通信量，使得网络负荷增加。

除此之外，现有E-Learning系统的不足还主要集中在以下几个方面：①不少支持协作学习的系统并未进行分组设计，仅把传统课堂搬上网络，学生在异地分课堂学习，而我们倡导的计算机支持下的协作学习更加强调学生之间的相互学习和协作。要求学生不仅可以自由交流，还能就一些试验和设计事件进行分组协作，这就需要在系统中有一个公用平台。在这个公用平台上，来自不同终端的学生共同完成一个试验或设计。②交流单一，以文本为主。在实际的学习系统中，用户往往希望以视屏的方式进行及时、更好地沟通，现有的交流方式大大影响了E-Learning的实用性。③对共享信息的异地实时协作操作支持不够。异地实时协作操作是指参与协作学习活动的学习者之间相互都能够实时地感应到其他用户的状态和活动，支持不同用户对同一空间的操作，且他们的操作都能够通过网络传输到其他用户，在其他用户的界面上得以再现，从而实现一致性和协作性。

合适有效的分组需要系统具有很强的柔性，利用Agent思想可以最大限度地满足参与者的教学或学习需求。Multi-Agent由多个Agent组成，各Agent间相互协作，并行处理，共同完成分组问题的求解。因此，通过智能分组设计解决学习群体性协作效率不高等现状，是目前远程教育亟待解决的问题之一，也正是本研究的重点。

三、基于Multi-Agent的E-Learning协作学习分组模式

本文引入Multi-Agent思想就是为了能够保证E-Learning协作学习中代表各个模块的Agent能在一起协调工作。E-Learning协作学习分组应用的框架设计如图1所示，其中用户Agent和任务Agent均可解释成人机交互Agent。

图1 E-Learning协作学习分组应用框架

在协作学习管理中，本文关注的是分组Agent。协作学习分组Agent的工作原理如下：

1.感知器触发消息监控器判断通讯机检查是否有信息支持Agent传来的分组任务信号。

2.有信号传来，则激活信息分组处理机，根据任务要求利用分组方法和规则，依次在学习目标数据库、性格、风格、动机等数据库、认知水平数据库中挖掘所需要的知识。

3.分组结果生成器将挖掘出的内容以规则、数据、网页或其他形式提交给分组结果评价器。

4.分组结果评价器根据评价规则评判分组结果，评判通过的结果由感知器激发通讯机传送给信息支持Agent；若评判未通过，则由感知器激发信息分组Agent重新按要求分组，或者通知信息搜索Agent按要求进行新的搜索。

学习机通过对用户提供的请求或自动检测到的其他样本，如用户常态的学习情况，扩充分组规则库，同时用户也可以通过学习机提供的知识管理器对分组方法库、分组规则库和评价规则库进行缺失和离散性检查，及时更新知识库。

借鉴Agent在其他领域中的应用，协作学习分组Agent结构如图2所示。

图2 E-Learning协作学习分组Agent结构

本文将协作学习的分组Agent定义如下，由于篇幅限制，具体内容从略。

定义分组Agent（Group-agent）为一个六元组：

Group-agent=（Perceptron,Processor,Re⁃sult-generator,Evaluation,Communicator,Adaline）

其中，Perceptron为感知器，对内部变化和外部变化进行感知；Processor为信息分组处理机，将从信息源中获得的数据与分组规则库中的规则结构进行对比，利用分组方法库中的方法（粗糙集、神经网络法、概率法等）进行分组处理；Result-generator为分组结果生成器，将Processor中的结果以各种方式进行存储；Evaluation为分组结果评价器，根据评价规则内置的评价算法对Result-generator的结果进行评估；Communicator为通讯机，当Perceptron被触发时，完成信息的自动发送和接收。Adaline为学习机，发掘未知样本，在获得新知识时进行数据的准确性、一致性和完备性检验，并将该知识添加进知识库。

在实际分组过程中，由于用户自身认识不足、目标不够明确、表达存在歧义等原因，使得信息分组器往往要根据用户提供的少量信息，例如本文实测中的学习目标、性格、风格、动机、认知水平等进行分组。处置中通常伴随噪音干扰，增强了信息的失真程度，使得传受双方信息收集不充分、信息认知受限制，从而导致信息是缺失的。在这样一个信息不完备的情况下，需要充分兼顾到协作小组中各成员的因素，做出对各方都有利的决策是E-Learning协作学习分组的一个难点。不完全的信息不能满足分组的需求，甚至导致错误的处置决策。故分组方法库中结合了粗糙集理论和概率法，通过对训练集的样本数据的学习，尽可能从中得到事先未知的、隐藏于数据中的重要信息，然后直接或间接地拟合或逼近分组判别函数。同时，这样的分组结果不是一成不变的，需要对分组过程做柔性化处理。在本研究中，广泛探索了各种算法的性能和适用性，通过大量的试算比较，选择基于粒子群优化算法的强化学习算法训练神经网络推理机，其优点有：鲁棒性良好，并行分布式，对目标函数要求较少，算法构造简单，计算机资源占用较少等，并且为参数设计了独立的学习方法，利用反馈信息对参数进行自动调节。整个参数调整过程是由计算机自动完成的，无需人工干预，并对外封装；其内部通过反馈学习，不断积累知识和经验。具体算法构造及算例测试从略。

四、基于Multi-Agent的E-Learning协作学习分组应用

将本研究成果内嵌到某大学“教学在线”系统中，以测试所设计的协作学习分组模式的效果。

1.系统建设的基本情况

采用J2EE标准作为程序设计规范，以三层体系结构为基础开发，支持负载均衡及分布处理等网络技术，从网络的安全性、稳定性及大规模支持上提供强有力的保证。涉及的开发平台包括：管理类：Linux，实施答疑产品：Windows7；WEB发布平台为：ApachewithTomcat/Resin；数据库：Oracle。软件的使用环境包括：① 服务器端：管理类：Linux(RedHat)/Unix/Windows，多媒体类：Win⁃dows7；②WEB发布平台：管理类：Resin/Web⁃Sphere/Weblogic，多媒体类：MSIISwithService Pack2。

现阶段该校的网络节点有26000多个，校园网用户6000多个，普及率高，基本上没有信息盲点。实时在线人数超过2000人次，学校网络出口信息流入量超过300兆，流出量200兆，网络基础设施较为完备。目前使用情况为：导入用户21793人、教师用户79位、精品课程5门。电子教参资源已与图书馆顺利连接。

2.协作学习分组的设计

进入登录页面后，用户可以对自己的信息进行设置和改动（如图3），也可以对分组基础信息进行设置（如图4）。系统可以自动给出分组结果（如图5）。如果对结果不很满意仍可以对自己的需求进行修改和完善。确定分组后，用户即可以在讨论区中进入协作学习小组（如图6和图7）。

图3 用户信息的设置

图4 分组信息的设置

图5 用户分组结果的显示

图6 进入协作学习小组

图7 开始协作学习

为了了解协作学习的分组模块效果，在全校用户中进行了问卷调查，一共发放问卷2200份，回收有效问卷2080份，男生1160份，占总数的55.77%，女生920份，占总数的44.23%。本科生1476人，占总数的71.0%；硕士301人，占总数的14.5%；博士192人，占总数的9.2%；博士以上111人，占总数的5.3%。学生2048人，教师32人。问卷结果显示，协作学习的分组模块使用反馈良好，能够减少人为干预，由计算机自主地解决分组问题，打破学生与教师的身份界限，打破本科生与研究生间的界限，打破学科与学科之间的界限。当然这种只获得少量的关键性信息，在一定的风险下揣测使用者的意图，肯定存在错误率，但是随着不断的学习和训练，随着知识在资源库中的不断积累，分组Agent作出的决策正确率将不断提高，而人工的参与，给出的信息将会不断减少。在增强系统的强壮性和减少服务器负担中达到一个均衡。

五、小结及后续工作

本文结合理论性和应用性对E-Learning协作学习中的分组问题进行了研究。从宏观出发，重视研究协作学习中分组问题，设计出分组策略，有利于做出积极有效的判断，从而最大程度地降低因分组决策错误而造成的资源浪费和经济损失，在一定程度上更好地进行高校信息化建设，达到提高核心竞争力的目的；从微观角度考虑，通过研究协作学习中的分组问题，可以发现E-Learning系统的欠缺之处和分组机制制定的不妥之处，有利于改善交互质量，直接提高学习的效率。其理论模型已被收纳到某大学“教学在线”的总体框架中。

E-Learning协作学习是一个复杂的命题，涉及很多内容。本文仅对其中的分组问题进行了初步探讨，需要进一步研究和改进，如协作学习中其他方面的智能化问题，通过协作学习的控制Agent、协作学习的评估Agent等的框架构造、算法研究及模型实现，以减少操作者人为干涉和网络控制及通信量，做出积极有效的判断，形成智能决策支持系统。

[1]江凤娟，吴红斌，吴峰.美国、韩国、中国台湾地区企业e-learning的发展分析及启示[J].中国远程教育，2012，（9）：83-91.

[2]全国信息技术标准化技术委员会教育技术分技术委员会.基础教育教学资源元数据规范[EB/OL].[2012-01-19].http://www.celt⁃sc.edu.cn.

[3]赵建华.计算机支持的协作学习[M].上海：上海教育出版社，2006：5-14.

[4]吴青，罗儒国.基于工作流技术的Web协作学习环境的构建研究[J].中国远程教育，2012，（11）：84-88.

[5]刘博，赵建华.网络支持的小组协作学习应用研究[J].中国电化教育，2012，（307）：16-20.

[6]EphratiE，RosenscheinJS．Divideandconquerinmulti-agent planning[C]．In：Proc.of1994NationalConferenceonArtificialIn⁃telligence．Seattle，US：AAAIPress，1994．375-380.

[7][9]ZlotkinG，RosenscheinJS．Coalitioncryptographyandstability：mechanismforcoalitionformationintaskorienteddomains[C]．In：Proc.of1994theAssociationfortheAdvancementofArtificialIntel⁃ligence．Seattle，US．1994．432-437.

[8]KetchpleS．Formingcoalitionsinthefaceofuncertainrewards[C]．In：Proc.of1994theAssociationfortheAdvancementofArtificialIn⁃telligence．Seattle，US：1994．414-419.

[10]罗翊，石纯一.Agent协作求解中形成联盟的行为策略[J].计算机学报，1997，20（11）：961-965.

[11]李湘清，孙秀霞，夏岩.MultiAgent动态分组模型用于多无人机协同任务分配[J].系统仿真学报，2010，22（5）：1266-1269.

[12]蔡玮，陈志军，冯新龙等.无线传感器网络中多移动代理分组优化算法[J].系统仿真学报，2010，22（12）：2890-2894.

[13]XingweiHu，LloydS，Shapley．Onauthoritydistributionsinorgani⁃zations：equilibrium[J]．GamesandEconomicBehavior，2003，45：132-152.

仲伟俊，教授，博导，东南大学经济管理学院（210096）。

日新

G423

A

1009—458x（2014）01—0059—05

2013－09－15

潘芳，讲师，博士后在站，东南大学经济管理学院（210096），南京中医药大学经贸管理学院信管系（210046）。