基于智能型Agent的教学平台设计

周尤明 ， 古华茂

(1.湖州职业技术学院 物流与信息工程学院， 浙江 湖州 313000； 2.浙江工商大学 计算机与信息工程学院， 浙江 杭州 310018)

基于智能型Agent的教学平台设计

周尤明1， 古华茂2

(1.湖州职业技术学院 物流与信息工程学院， 浙江 湖州 313000； 2.浙江工商大学 计算机与信息工程学院， 浙江 杭州 310018)

目前的教学平台设计，很难针对学生和学习问题(教学任务、学习任务)的特点，对教学资源进行有效的任务适应性及个性化协同管理，基于智能型Agent平台能有效克服上述障碍。智能型Agent模型包括：通过概念分类体系、学习问题描述模式、问题解决(或者学习问题)与资源的关联、根据处方进行任务分解与教学资源开放式组合等技术，来解决任务适应性的资源精确查找问题；通过教学培训资源难易程度的严密的组织、在同类难易程度教学资源中个性化推荐来实现分类及个性化资源寻求。实例表明智能型Agent能够在资源寻求时有效地提高学习任务适应性和面向学生资源推荐时的个性需求。

智能Agent； 教学资源； 协同管理； 教学平台

一、网络教学资源现状及存在问题

目前，教学资源超载(无序堆积)问题还没有得到解决，互联网上的开放教育资源正在以极快的速度增长，虽然内容丰富，但质量参差不齐，适用对象不明确，令学习者头晕目眩、难以驾驭。互联网上教学网站渐多、教学资源众多，众多的教学资源使得用户无法高效获取自己需要的教学资源，教学资源使用率降低。如何有效、合理地使用这些资源？这是网络课程健康发展迫切需要解决的现实难题。要解决教学资源超载问题，应从以下两方面入手：

首先，解决针对学习任务情景的资源精确查找问题。学生某一个时段的学习任务具有局部性，也就是学习任务所涉及的知识点是有限的，工作中遇到的问题所涉及的知识点往往也是有限的。人们希望提高资源的任务适应性，即牵涉尽量少的知识点(资源)，但能有效解决实际遇到的问题。基于关键词的搜索往往搜到大量无关资源，却无益问题解决。尽管学习思维(或者解决问题)过程一般不受外界控制，但是人们总是想通过学习(工作)问题情景去找到适用性好的明晰资源， 根据问题情景匹配到的真正能解决学习(工作)问题有限资源才有助于催化学习(解决问题)灵感的产生。因此以基于教学域本体的任务情景描述模式作为统一的语义基础，去确切、全面和便捷地描述教学工作的查询需求和受检资源的适用性，通过问题情景找学习资源，这是资源管理的关键。

其次，解决根据学习者个性寻求资源的问题。学习者是参差不齐的，每个学生的基础千差万别，因而面对资源的难易程度、实训技能强度、知识的综合度，不同学生的适应程度是不一样的。他们总是希望找到符合自己心里需求的教学资源。这就得对资源按难易程度(或者实训技能强度、知识的综合度)进行分类组织，并根据学习者特点对所需类型资源进行协同过滤推荐，找到符合学习者特点的资源。

很多学者利用Agent技术构建教学网站，并对教育培训资源管理进行了相关研究。目前对教学平台和教学资源管理的研究主要有以下几个方面：1)研究了Agent模型[1]23-27 [2]56-59，包括教学Agent建模BDI、学习推理Agent模型和远程学习者情感与认知识别的Agent模型；2)研究了基于Agent的网络教学系统设计与开发[3]5-7 [4]67-69 [5]72 [6]45-47 [7]23-26 [8]63-68 [9]423-426，包括自适应远程教学系统模型、实训教学系统、信息检索课教学系统、商务英语远程教学系统等；3)研究了基于Agent的网络教学评价[10]112-113 [11]93-94，包括多Agent的网络教学评价模型、学生职业能力测评系统等研究；4)研究了教学资源建设，包括云计算的教学资源共享方案[12] [13]42-43、MOOC背景下教学资源建设[14]34-35和优质教学资源建设[15]17-19等；5)通过任务情景的描述模式[16]1993-2003对知识进行精确查找，通过服务信任机制(评分值)[17]75-79 [18]529-538 [19]893-897来优化服务选择。

通过查阅上述文献，不难发现：1)目前基于Agent的智能教学平台未能解决以上与教育资源密切相关的问题，包括教学资源超载、学习任务情景的资源精确查找和学习者参差不齐等问题；2)由于没有考虑分布式任务，已有的任务情景描述模式的知识管理研究局限于封闭知识的管理，缺少协同开放性，无法适应目前教学资源的分布式管理要求。只有通过处方分解教学任务，才能以Agent的任务分担为桥梁实现任务情景的分布式教学资源管理；3)已有的服务信任机制的信任值(评分值)的计算基于服务本身，而非资源(教学)的评分。在教学资源超载情况下，缺少对分布式教学资源的评分机制。

当基于MOOC/SPOC等网络教学技术成为时代潮流时，资源管理问题将是网络教学平台和课堂教学改革的基石，高效的教学网站资源管理才能提高网络教学的效率。解决上述问题的核心，就是如何根据学生和学习任务特点，对教学资源进行有效的个性化协同管理，为教师和学生打造个性化、智能化的教育资源共享和应用环境，为广大一线教师、学生和再就业人员提供个性化和开放式的教学资源管理。这对营造高效的网络教学环境具有十分重要的意义。

本文提出的基于智能型Agent的任务适应性教学资源个性化协同管理，通过OP4R技术对教育资源实行个性化协同适应性管理，包括通过概念分类体系、学习问题描述模式、问题解决(或者学习问题)与资源的关联、根据处方进行任务分解与教学资源开放式组合等技术来解决任务适应性的资源精确查找问题，通过教学培训资源难易程度的严密组织、在同类难易程度教学资源中个性化推荐实现分类、个性化资源寻求。本研究旨在提高教育资源管理效率，解决目前智能教学平台存在的问题，满足广大师生和成年学习者的学习和工作需求。

二、智能型Agent模型描述

智能型Agent模型包括概念分类体系、学习问题描述模式、问题解决(或者学习问题)与资源的关联、教学培训资源的严密组织、基于处方的任务分解与教学资源开放式组合、基于协同过滤的资源个性化推荐。可以建模成7元组：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拥有的资源；

3)Ontology是教学域共享本体论，是学习问题描述模式、匹配资源寻求与资源提供的语义基础。为以下6元组：Ontology= (Oa，WORK，Solving，Pattern，Describing，Matching )。

①Oa：教学域基础本体论.包括术语集、术语分类体系、同义词，根据领域专家的意见一般用本体表示语言ORL定义。 ORL 实现教学域的概念化描述，包括概念(对象类)、关系和特性，并支持教学域术语集和术语分类体系的建立，是Pattern的语义基础；②WORK：教学域任务(问题)集；③Solving：问题解决集；④Describing：WORK(Solving)→Pattern；⑤Pattern：学习问题描述模式(抽象任务)或者是问题解决(服务)描述模式。抽象任务的描述模式(资源R描述模式与之一致)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是提供槽值的可选术语集：tcsiT={termi1T，termi2T，…，termimT}。具体任务t的描述(具体资源r的描述与之一致)Patternt={fs1t，fs2t，…，fsnt}，fsit=，tcsit⊆tcsiT。理论上，抽象学习任务T的情景描述模式应包含完备的特征槽集以及完备的术语选择集，这样就可以包含任务示例的所有可能的情景描述；但要做到绝对的完备性几乎不可能达到。然而，只要教学域充分狭窄(如某专业领域的某一个课程)，就易于达成术语一致，建立相对完备的术语是可能的；⑥Matching：WORK→Solving，根据问题，通过学习问题描述与问题解决(服务)描述的相容匹配，找到问题解决。如果匹配成功，则问题解决找到。

在进行相容匹配时，可以分别采取and、partand、or、partor策略。当采用and策略时，要求学习问题描述与问题解决描述所有特征槽都相容匹配，则匹配成功；当采用partand策略时，要求学习问题描述与问题解决描述部分特征槽都相容匹配，则匹配成功；当采用or策略时，要求学习问题描述与问题解决描述所有特征槽中有一个相容匹配，则匹配成功；当采用partor策略时，要求学习问题描述与问题解决描述部分特征槽中有一个相容匹配，则匹配成功。默认情况下一般采用partand策略。

显然，and和partand策略适合于涉及同一抽象任务的资源集数量较大的资源库，严格的相容匹配使得只有少量教学资源能够满足查询需求，并按资源总体分值排序适用性；or和partor策略则适合于满足查询需求的资源很少的情况，使得相容匹配程度较差(但仍有参考价值)的资源有机会被检索到。

例如，用户具体教学任务和问题解决从任务类别、任务内容、数据接收方式、数据接收语法等情景描述如下(强度实训按基本技能实训、拓展类实训、特色实训、综合技能实训递增)。

教学任务：使用的语言：ASP；任务类别(难易程度)：{基本技能实训、特色实训}；任务内容：{Request对象、Form数据集合、Post方法}；数据接收方式：{Form}；数据接收语法：{循环接收}。

问题解决：使用的语言：ASP；服务类别(难易程度)：{基本技能实训、拓展类实训、特色实训}；服务内容：{Request对象、Form数据集合、Post方法、ASP的内置对象、Get方法}；数据接收方式：{Form}；数据接收语法：{循环接收}。

则教学任务与问题解决符合and相容匹配，然后可以根据问题解决名称找到相应的教学资源。

4)Recipe是处方，是任务分解和执行流程定义。当Agent不能完成接收到的请求任务(Agent本地没有足够的教学资源)时，要进行任务分解，再请求其它Agent完成分解后的子任务；

5)Relevance：Solving(WORK)→2RES；是问题解决与资源的关联，一个问题解决(问题)名称对应多个可选资源集。

6)Regimentation是Agent对自己管控的教学培训资源的严密组织。针对不同类型的学习者，对Relevance按资源的难易程度(难、中、易等程度)进行分类组织。Regimentation的BNF范式为Reg：=，difficType是资源的难易程度；

7)Recommendation是从同类(难易程度)、同名问题解决对应的教学资源中向学习者进行推荐，推荐符合学习者特点的教学资源。在Relevance中，一个问题解决对应多个可选资源集，Recommendation从多个可选资源集选出最适合学习者的教学资源集给请求任务的学习者。

设R1，R2，…，Rn是任务t关联的某类可选资源集SR中的资源，和资源寻求者同类的某学习者对R1，R2，…，Rn的评分分别是C1，C2，…，Cn，0Cn1，θ1，θ2，…，θn都大于0，且θ1+θ2+…+θn=1。则某学习者对可选资源集SR推荐分值C(SR) = θ1C1+θ2C2+…+θnCn。

设和资源寻求者同类的学习者N1，N2，…，Nm对任务t关联的某类可选资源集SR的评分值分别是C1(SR)，C2(SR)，…，Cn(SR)，0Ci(SR)1，σ1，σ2，…，σn都大于0，且σ1+σ2+…+σn=1。 则可选资源集SR总体推荐分值CR(SR) = σ1C1(SR)+σ2C2(SR)+…+σnCn(SR)。

i)学习者ST是任务t对应资源的初始学习者：

设S1R，S2R，…，SnR分别是任务t关联的某类可选资源集，总体分值推荐分别是CR(S1R)，CR(S2R)，…，CR(SnR)，则总体推荐分值最高者CR(SiR)对应的可选资源集SiR推荐给学习者ST。

ii)学习者ST使用过任务t对应资源：

设S1R，S2R，…，SnR分别是任务t关联的某类可选资源集，总体分值推荐分别是CT(S1R)，CT(S2R)，…，CT(SnR)，学习者ST对S1R，S2R，…，SnR的评分是C(S1R)，C(S2R)，…，C(SnR)。SiR的总体评分是CT(SiR) =λC(SiR)+(1-λ)CR(SiR)，0λ1。则总体分值最高者CT(SjR)对应的可选资源集SjR推荐给学习者ST。

三、智能型Agent工作过程

智能型Agent运用涉及到的关键技术，为学习者或者工作者个性化精确寻求解决问题的资源，满足广大师生和培训工作者的学习和工作要求，其工作过程如下：

(1)对于请求的任务，根据问题解决与资源的关联模型，判断本地是否有足够的教学资源满足学习问题，如果满足，则根据请求的任务在Regimentation中找到跟任务难易程度同类的可选资源集。再在同类资源集中根据Recommendation选出最适合学习者的教学资源集返回给请求Agent；(2)根据教学域共享本体论，产生请求的任务的问题描述，通过中介Agent判断是否存在某个Agent的问题解决可匹配任务的问题描述。从匹配成功的Agent集中通过Recommendation选出最适合学习者的教学资源集对应的Agent，把请求任务交给此Agent，转向步骤(6)；(3)根据处方集对学习任务进行分解，得到学习任务的分解方案集。对于每个分解方案，计算每个子任务的最高总体分值，再根据子任务的串、并执行流程，计算每个分解方案的最高总体分值，然后根据每个分解方案的最高总体分值由高到低对分解方案进行排序；(4)取出分解方案集中的第一个方案，指针下移，如果方案不为空，把各请求子任务交给此子任务总体分值最高者对应的Agent，否则转向步骤(8)；(5)如果各个Agent返回资源成功，则转向步骤(7)，否则转向步骤(4)；(6)如果Agent返回资源不成功，则转向步骤(3)；(7)如果返回资源成功，返回；(8)返回提供资源失败。

四、例证实验

课题组利用智能型Agent技术开发了计算机信息课程教学资源管理系统原型。定义了Agent技术的教学域共享本体论。从网上下载并编辑了185个信息教学资源，自己动手做了35个教学资源，收集了教学域术语546个，用于建立学习任务特征槽的术语可选集。同时对教学资源进行了分类组织，对各类难易程度的教学资源进行了评分。实验表明，通过概念分类体系、学习问题描述模式、问题解决(或者学习问题)与资源的关联、根据处方进行任务分解与教学资源开放式组合等技术提高了教学资源搜索的适用性；通过教学培训资源按难易程度和任务的严密组织，在同类难易程度教学资源中基于协同过滤的个性化推荐实现个性化资源寻求。例如，在寻求request对象资源时，使用“Request对象”关键词，返回46个资源，再加上关键词“Post方法”时，也会返回43个资源。况且，返回的资源中实训强度各异，各个资源的评分也差异很大，很难适应学生个性化的学习需求。但是，当根据学习任务的情景描述进行资源搜索时，附加上“Post方法”任务的情景描述，任务情景中附加上实训强度等级，同时利用Recommendation对任务情景匹配上的学习资源进行评分帅选，返回资源数是2个(对应任务的一个可选资源集)，都满足任务情景实训强度等级，且资源的平均分值比基于关键词的搜索资源的平均分值高出很多，更能够满足学生(工作者)个性化解决学习(工作)问题的寻求。用关键词返回的43个资源中，尽管包含任务情景返回的2个资源，但是其他资源仅提及术语“Post方法”，并未涉及“Post方法”技术细节。显然，在学习资源丰富多彩的今天，特别是在目前教学资源超载、质量参差不齐、适用对象不明确、教学网站渐多、教学资源众多的情况下本方法提高了资源的适应性。

另外，当关键词偏僻或者关键词多于3个时，基于关键词的资源搜索往往搜不到学习资源。可以放宽适应性匹配的策略，采用partand、or、partor策略，基于智能型Agent搜索技术依然能够提供具有潜在参考价值的学习资源。

五、结 语

目前教学资源超载，使得其使用率非常低，教学资源的使用很难适应学生和学习问题特点。而基于关键词的教学资源搜索无法解决以上问题。本文提出的基于智能型Agent的任务适应性教学资源个性化协同管理，通过使用概念分类体系、学习问题描述模式、问题解决(或者学习问题)与资源的关联、根据处方进行任务分解与教学资源开放式组合等技术解决了资源的精确适应性查找，具有学习任务的针对性，通过教学培训资源难易程度的严密的组织、在同类难易程度教学资源中基于协同过滤的个性化推荐实现个性化资源寻求，针对了学习者的特点。另外通过适应性匹配的策略，可以找到潜在的有参考价值的学习资源。在已有的任务情景描述模式的知识管理没有考虑分布式任务，而已有的服务信任又缺少对分布式教学资源评分机制的情况下，所有这些技术在提高教育资源管理效率、解决目前智能教学平台存在的问题、满足广大师生和成年人的学习和工作要求方面具有重要的现实意义。

[1] 姜振凤.智能教学系统中基于BDI的教学Agent建模研究[J].宁夏师范学院学报(自然科学),2009(3).

[2] 邝天福,徐庆生.智能教学系统中的学习推理模型研究[J].楚雄师范学院学报,2011(9).

[3] 张格莹.基于Agent的网络教学构建技术研究[J].中国教育信息化,2012(1).

[4] 李姝博.基于Agent的网络教学系统设计[J].计算机时代,2014(2).

[5] 钱贵平.基于Multi-Agent的商务英语远程教学系统研究[J].科技信息,2013(12).

[6] 高仲慧,林筑英,魏高起.基于多Agent的自适应远程教学系统模型[J].贵州师范大学学报(自然科学版),2009(3).

[7] 孙 瑜,李志平,邝天富.基于多Agent和知识地图的智能教学系统研究[J].华中科技大学学报(自然科学版),2011(11).

[8] 曾茂林.建立Agent实训教学系统破解高师教育实践困境[J].环境建设与资源开发,2012(12).

[9] 冯 凯.信息检索课程基于Agent的网络教学系统设计与开发[J].情报理论与实践,2007(5).

[10] 刘海娇.基于多Agent 的网络教学评价模型研究[J].电脑编程技巧与维护,2012(2).

[11] 胡 旻.基于多Agent 学生职业能力测评系统的研究和开发[J].信息通信,2013(10).

[12] 罗桂联.基于云计算的教学资源共享方案[D].广州大学硕士学位论文,2013.

[13] 孙 宁,卢春艳,孙 晨.关于优质教学资源建设的思考[J].中国电化教育,2013(11).

[14] 王 鹏,边 琦,肖凤艳,等.MOOC背景下教学资源建设的发展方向----基于对国家精品开放课程工作的回顾[J].现代教育技术,

2014(4).

[15] 张怀南,杨 成.基于云计算的区域性高校数字教学资源建设研究[J].现代教育技术,2012(6).

[16] 高 济.支持创新型组织学习：基于任务情景的知识适用性管理[J].计算机学报,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年度全国教育信息技术研究课题“信息课程智能教学平台个性化资源管理研究”(156232397)和2015年度湖州市市级科技特派员项目“本体知识库的动态、开放性研究----以街道管理突发事故应急处理领域为例”(2015KTZ21)的研究成果之一。

周尤明(1972-)，男，江西泰和人，讲师，高工，计算机科学与技术博士，主要从事计算机技术研究；古华茂(1975-)，男，江西安远人，副教授，计算机科学与技术博士，主要从事计算机技术研究。

TP399

A

1672-2388(2017)01-0081-05