基于Agent的远程智能教学系统模型设计

李艳红，樊同科

（西安外事学院 陕西 西安710077）

基于Agent的远程智能教学系统模型设计

李艳红，樊同科

（西安外事学院 陕西 西安710077）

针对目前传统远程网络教学系统的动态交互性不强这一个问题，文中设计了一种基于Agent的远程智能教学系统模型。该教学方式中采用了基于贝叶斯网络理论的个性化学习模型进行学生个性化学习设计。通过相关分析表明：该基于Agent的远程教学模型可为学生提供一个灵活、个性化、互动和智能的学习环境，可将教学效率与教学质量提高40%。

Agent；教学系统；远程；贝叶斯网络

随着近年来教育事业的快速发展，智能教学已成为目前教育技术中的一个重要的研究方向。同时随着因特网技术的成熟，现代远程教学也开始利用因特网的信息化优势，使得其在一些方向上优于传统教学方式。现代远程教学方式可以与相关教育技术相结合，进而改变传统教学所缺乏的智能性和适应性[1-3]。同时在对不同学生学习差异性，网络教学提供个性化的教学方面还有待提高。Agent（智能代理技术）技术作为一种新兴的人工智能技术已成为目前研究分布式人工智能领域的一个热点，其可以在一定的环境下自主运行，并自主从外界环境中获取相应的知识进行自我训练和改变自己的能力[4-6]。基于以上优点，文中将Agent技术与远程教学技术相结合，进行一种基于Agent的远程教学系统设计，其中在对学生学习能力的检测和教学方案的推荐采用贝叶斯网络进行优化设计，贝叶斯网络可以通过先验信息和后验信息相结合，对学生的学习点不断地进行验证。文中所设计的基于Agent的远程教学模型可为学生提供一个个性的教学方式，从而提高教学效率与教学质量。

1 智能教学相关技术

1.1 Agent概述

Agent作为人工智能领域的专业术语，其定义为能够自主活动的软件或者硬件实体，通常也被译为“代理”。Agent的基本原理为：可以将某一个模块的相关的处理信息系统集成，综合使之相互作用产生集团智能，该方法可以达到提升整个系统处理能力的目的[7-8]。Agent技术在设计之初就是要实现一种以人为主要目标的一种可能动的和可以自我行动的软件模式，Agent技术具有智能性、适应性、高效性和社会的多种特点，其代表了目前智能化和信息化的发展趋势，也由于其具备以上诸多特点，使得其可以广泛应用在电子商务、协同工作、工业智能控制、教育教学、信息系统等相关领域[9-10]。Agent系统作为一个高度的开放性质的智能系统，其相应的结构会直接影响到系统的智能性和稳定性。在进行人工智能系统建设初期，其最主要目标就是设计一个Agent程序，因为该程序可以使Agent建立一个从感知到动作的映射函数。从结构上划分，一般可以把单一的Agent划分为慎思型、反应型和混合型Agent 3种类型[11-13]。其中的慎思型Agent可以获取外部的相关信息，并且根据模型内部的相关状态进行一定的信息融合后生成一个新的当前信息表述状态。反应型Agent则只能对外边信息的刺激给出一个相关的响应，而不能对在模型内部进行一定的信息融合。对比慎思型Agent和反应型Agent：慎思型Agent具有智能程度高，反应性好的优点，但是同时也有反应速度慢这一缺点；而对于反应型Agent则与之相反，其具有反应性较快，交互性能高的优点，但是其在智能成熟上有所欠缺，而混合型Agent（如图1所示）则具备了上述两个的优点。文中设计的基于Agent的远程教学系统既要有信知数据以提高教学的智能性，又要求具有较好的交互性和自我进化能力，因此文中采用混合型Agent进行远程智能教学系统模型设计。

图1 混合型Agent结构

1.2 贝叶斯网络

贝叶斯网络又称之为信度网络，是Bayes方法的一种扩展形式，贝叶斯网络是目前不确定知识表达和推理方面的一种有效的理论模型。贝叶斯网络的基本原理为：其用来表示几个变量之间的连接概率的一种图形化模式，它是一种可以用来表示因果关系的方法，同时也可以发掘变量之间的彼此关系。在贝叶斯网络中采用节点的形式表示变量，而有向边用来表示变量之间的彼此依赖关系，可用数学符号来表示贝叶斯网络的结构，其表现形式如下[14-15]:

其中：v={v1，v2，…，vn}表示为随机变量集合。E= {vivj|vi，vj∈v}表示为有向边的集合。P={P（v1|v1，v2，…vi-1），v1∈v}表示为条件概率分布集。

在上式中，贝叶斯网络中的变量可以把任意具体的问题抽象的表达出来，变量可以用来代表教学系统中学生个人兴趣的表象、状态等特征。贝叶斯网络中的有向边则表示变量彼此之间的因果关系或者是依赖关系，有向边的箭头方向则表示了变量因果关系作用影响的方向，也可以表述成由父结点到子结点的方向，这里结点之间如果没有连接边，那么这个两个结点就是相互独立的，其所对应的问题领域的描述则是定性描述。在贝叶斯网络中包含了两个重要的独立关系性[16-17]，第一个关系性为：某一个结点和他所对应的非后代结点之间是条件彼此独立的；第二关系性为：在给定一个结点的马尔可夫覆盖，其在网络中则与其他的结点之间是条件独立的。文中将贝叶斯网络应用到学生的个性特征进行分析和处理，再根据处理的结果对学生的进行个性化教学。

2 基于Agent的远程智能教学系统设计

2.1 系统框架结构设计

文中所设计的基于Agent的远程智能教学系统在结构上需要进行多功能模块的协同工作，因此本文采用基于B/S的三层架构模式（包括了数据层、服务器层和表现层），其结构如图2所示。采用B/S的三层架构模式的优点为可以进行跨越系统进行工作，而基于Agent的远程智能教学系统架构的三层分别是：最高层-直接面向用户的表现层为 WEB浏览器，中间层-服务层为业务逻辑应用（进行多Agent模块的管理、协调），最底层-数据库主要是资源库服务，管理相关的教学基础资源。

图2 系统框架

如图2所示，基于Agent的远程教学系统的资源存储任务是通过最底层的数据库层来进行存储完成的，在这里存储了教学资源文件和数据库文件两种类型，在教学资源中涉及可元数据和资源实体两部分，其中元数据负责对相关资源实体的定位和索引，而资源实体则是采用文件包的形式进行相关信息的形式存储，再通过数据库中的相关的元文件进行定位；在数据库文件中主要涉及到教学资源信息、学生信息、教师信息等，该数据层为上层的业务逻辑应用提供了基础数据；中间层-业务逻辑层采用struts框架进行实现，业务层封装了业务的具体逻辑功能，主要包括数据的验证、事物的处理、权限的处理等业务的相关操作，是整个分层模型乃至应用系统的核心，业务数据访问层为业务层提供与数据源交互的最小的操作方式，是专门针对具体应用系统的专属层，而且只能作为业务层需要时的数据访问接口。本文中的是业务逻辑层设计了学生Agent、教师Agent、教学Agent和教学管理Agent。表示层就是用户界面层，它是通过浏览器显示出的当前用户界面。它包括UI（User Interface）和UI控制逻辑两个方面，而系统的整个流程如图3所示。

图3 系统教学系统流程

2.2 基于贝叶斯的教学个性化分析

文中设计的基于Agent的远程教学系统主要是根据不同学生的学习特点定制个性化服务的设计思想，在进行个性化服务设计的工程中最重要的一个表示方式则是进行对学生的个性特征进行提取和分析，通过分析的结果，系统会针对该学生制定适合其学习水平的教学方式，个性分析即为在下一次登录时即可查阅以往的学习记录，系统也可根据这些记录评价分析学生的学习状态，并为下一步的学习提供导学策略库中更适合的策略，不同学生学习状况不同，所获得的导学策略也不同，系统所提供的学习资料也不同。因此，个性分析根据学生Agent提供的学生学习状况的相应分析数据进行分析总结并将评价结果反馈至学生Agent，指导学生的学习。基于上述要求，文中采用了贝叶斯网络方法进行学生的个性化学习评估和诊断，其对应的学生个性化学习评估流程如图4所示。通过图4可以将流程描述为：将所要学习的知识项逻辑顺序和学生学习的历史记录和用户信息带入到贝叶斯网络中进行训练，待贝叶斯网络模型训练好后进行学生的学习情况进行评价，评价结束后将评价结果作为评价指标进行学生个性化学习模型设计。

图4 基于贝叶斯的学生个性化学习评估流程

2.3 系统主要Agent实现

文中所设计的基于Agent的远程教学系统中为业务逻辑为系统的核心模块，这里设计的Agent模块主要包括了教学管理Agent、教学Agent、学生Agent和教师Agent 4大模块，其每个模块功能如下：

1）教学管理Agent模块，该模块是通过教学系统服务器系统根据不同的学生的教学需要动态生成的，其主要功能是监控教学行为，教学管理Agent会根据学生的在贝叶斯网络评价下的学习能力进行教学方式和内容的调整，同时也会根据学生的学习能力选择相应的教师Agent进行最优化的教学指导。教学管理模块的主要核心程序如下：

2）教学Agent模块，该模块是由多个教学Agent组成，每个教学Agent可以独立解决所在学科的相关知识，多个教学Agent直接通过Agent间的协作机制进行彼此关联，进而实现知识的共享，在教学过程中，协作机制会根据教学管理所发的相关教学任务和教学策略，选择不同的教学方式进行教学。

3）学生Agent模块，该模块主要进行学生和远程教学系统间的相互沟通，对沟通后的结果发送到教学Agent进行学习请求，从而引导学生的自主学习，在学习过程中贝叶斯网络作为其核心部分会根据学生Agent提供的学生学习状况的相应分析数据进行分析总结并将评价结果反馈至学生Agent和教学管理Agent进行学生个性化学习的设计的标准。同时待学生学习结束后学生Agent模块会将学习效果写入学生模块数据库。该学生Agent模块的部分代码如下：

4）教师Agent模块，该模块主要进行教师根据教学管理的任务和学生Agent的个性化教学策略，提供相应的教学内容，利用相应的教学资源库进行相应教学，同时对教学情况进行控制和监督，将在教学中遇到的问题和收集的信息发送到教学管理Agent，教学管理Agent会统筹相关信息来协调教学Agent、学生Agent和教师Agent实现最优化的个性化教学。

上述为文中所设计的基于Agent的远程教学系统，采用基于贝叶斯网络的学生学习评价方式可实现针对不同学生自身情况制定相应的个性化教学任务，为学生提供一个灵活、个性化、互动和智能的学习环境，从而提高教学效率与教学质量。

3 结 论

文中在研究了现有教学系统的缺陷的基础之上，提出了基于Agent的智能远程教学系统，并给出了系统相应框架。在对智能远程教学系统中的学生个性化学习部分采用了基于贝叶斯网络的系统个性化学习评价方法，根据对学生的个性特征进行提取和分析，通过分析的结果，系统会针对该学生制定适合其学习水平的教学方式，提高了教学系统个性化设计，文中设计的基于Agent的教学系统可以激发学生的学习兴趣，找到适合自身情况的教学策略，为解决传统教学系统中存在的缺陷提供了新思路。

[1]詹泽慧.基于智能Agent的远程学习者情感与认知识别模型——眼动追踪与表情识别技术支持下的耦合[J].现代远程教育研究，2013（5）:100-105.

[2]孟艳红，倪天予.基于MAS远程教学系统中学生模型的设计 [J].沈阳工业大学学报，2008（1）: 102-107.

[3]李真臻.基于Agent的网络与远程教学系统研究综述[J].南昌高专学报，2008（2）:163-165.

[4]李晓明，张喜洁，吴万生.基于Agent技术的远程教学系统设计 [J].东北农业大学学报，2008（4）: 118-121.

[5]陈亮，曹忠红.基于移动Agent技术的远程教学系统模型研究 [J].湖北第二师范学院学报，2008（2）:60-61.

[6]徐延章.基于J2EE与Ajax构建多Agent远程智能教学系统[J].唐山师范学院学报，2008（5）:74-76.

[7]张春飞.基于多Agent技术的远程教学模型的分析与设计[J].长春师范学院学报，2007（8）:80-84.

[8]杨永齐，符云清，刘莹宇.基于Multi-Agent的个性化远程教育系统研究 [J].计算机科学，2007（9）: 290-292.

[9]倪宇斌，刘波.一个基于多Agent的远程教学系统研究与实现[J].海南大学学报：自然科学版，2007（2）:177-180.

[10]曲朝阳，崔苗.基于移动Agent的远程学习系统的设计[J].东北电力学院学报，2003（4）:16-21.

[11]杜芸普，周三元.一种基于多agent的合作智能教学系统模型方法 [J].沈阳工业大学学报，2003（3）:247-249.

[12]阮若林.Internet上基于多Agent的智能学习过程研究[J].咸宁学院学报，2005（3）:72-74.

[13]黄铜城，许建明.基于Multi-agent的智能远程教育系统研究[J].邵阳学院学报：自然科学版，2005（4）:45-48.

[14]陈丽花.贝叶斯网络在学生模型建模中的应用分析[J].微型机与应用，2010（8）:80-82.

[15]张晓勇，彭军，文孟飞.基于贝叶斯网络的网络交互教学成效评价系统 [J].现代远程教育研究，2012（4）:85-90.

[16]董晓丽，杨顺民.贝叶斯网络在适应性教学系统中的应用研究[J].山西电子技术，2007（5）:58-60.

[17]潘怡，杜红燕.贝叶斯网络在MOOC用户建模中的应用研究[J].琼州学院学报，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稿件编号：201601039

2014年度陕西省教育科学"十二五"规划课题（SGH140867）；2015年陕西省教育厅科学研究项目（15JK2113）；2015年西安外事学院校级教学改革项目（2015B24）

李艳红（1978—），女，陕西武功人，硕士，讲师。研究方向：数据库理论与应用。