多Agent 的个性化学习路径推荐系统设计.docVIP

多Agent 的个性化学习路径推荐系统设计 　　摘要：该文章介绍了一个多agent的个性化学习路径推荐系统，该系统通过前测来掌握学习者的知识水平，再采用遗传算法来生成最佳学习路径，推荐给学习者。该系统考虑了学习者的水平和推荐课件难度水平的匹配，以及课件之间的相关性以保证学习概念的连续性。对比传统的自由浏览学习模式，这个系统有效地提高了学习者的学习效率。 　　关键词： 多Agent；个性化学习路径；交互；概念相关度；遗传算法 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）26-5981-04 　　1 概述 　　个性化课程序列是基于网络学习的一个重要的研究领域，因为固定的学习路径并不适合所有的学生。然而，大部分的个性化学习系统在进行个性化服务时都忽略了考虑学习者的能力和推荐资源难度水平的匹配问题。而且，在实施个性化课程序列的时候，学习概念连续性也需要考虑。因为平稳连贯的学习路径可以加强概念之间的理解和学习。通常情况下，不适合的课件会给学习者带来认知负担和迷惑，因此会影响学习效果。 　　2 系统设计 　　该系统设计了两种学习方式。一种是传统的e-learning学习方式，自由浏览学习模式。另一种是个性化学习路径推荐模式。并且通过实验数据来对比两种学习模式设计对学习者学习的影响。 　　2.1系统结构 　　个性化e-learning 学习系统是基于遗传算法推荐课程序列计划，该系统包括一个线下的课件建模过程，六个智能agent和四个数据库。 　　学习接口代理：提供了一个灵活的学习接口和前测过程代理，适应性导航代理和后测代理进行交互。前测过程代理是为相应的学习课件产生一个随机的测试项目，根据学习者对测试项目的错误作答来判断对于个体学习者的个性化学习序列中应包含哪些学习概念。前测过程代理会将个体学习者的错误作答传递给学习路径导出代理，用于生成一个基于遗传的推荐学习路径给学习者。适应性导航支持代理负责引导学习者按照学习路径导出代理产生的学习路径进行学习，并且存储学习者学习记录在用户档案数据库中。在学习者完成学习过程后，后测过程代理会产生一个最终测试。拥有账户授权机制的课件管理代理提供了一个应答测试项目和课件管理接口，协助教师生成新的测试项目和课程单元，上传，删除和编辑测试项目和课件到测试项目和课件数据库。四个数据库分别是：用户账户数据库，用户资料数据库，测试项目和课件数据库，教师账户数据库。系统结构图如下： 　　2.2课件建模过程 　　2.2.1 课件难度参数确定 　　课件建模过程为个性化课件的生成和依据课件内容难度参数设计课件。该研究展示了根据computerized adaptive testing（CAT）理论[1]的一种基于统计的方法。通过细致的测试过程来决定课件的难度参数。如图所示。 　　课件建模过程是由多位经验丰富的教师组成专家组，根据每个学习概念设计相应的测试项目。测试项目被当做相应学习内容的关键特征。此外，需要数据采样来测试包含所有学习内容的测试项目。根据IRT 这些测试数据会有统计的编程BILOG来进行分析得到每次测试项目的相应难度系数。测试项目数据库中的每个测试项目都有相对应的学习课件。 　　2.2.2 评估课件间的概念相关程度 　　使课件概念相关性分析更加容易，所有课件数据库中的课件都遵循元数据模式的标准Sharable Content Object Reference Model（SCORM）[2]。课件数据库中的每个课件都绑定一个XML文件以记录重要的传递主要课件概念的元数据。该研究采用接口技术来保留相关课件的SCORM元数据。为了给学习者产生一个基于前测结果的最近学习路径，SCORM元数据被应用来计算概念相关度，采用中文自然语言处理和信息检索的方法。具体的细节如下：每个元数据领域的与课件绑定的XML文件被选定为代表一个课件的学习概念。为了生成个性化课件需要计算概念相关度，由于在SCORM标准中是用自然语言汉语描述，因此需要元数据建模过程。因此元数据过程的第一个目标是用ECS逐个扫描，将句子分离成词。然后元数据过滤出无任何有用信息的非文本词（数字，符号等）和一个字术语。估计两个课件包含概念的相关度，采用向量空间模型来代表每一个课件在多维欧几里得空间的向量。在这个空间中，每一个轴都对应了一个术语。第i个课程对应第k 个术语的坐标可以表示如下： 　　Wik表示术语k 在课件i 中的重要性，tfik表示术语k 在课件i中出现的频率，N表示一个课程单元中所有的课件总数。dfk表示术语k 在课程单元中出现的频率。假设在课件i和j 中总共出现了m 个术语，那么课件i和课件j 之间的概念相似性可以用余弦公式获得。 　　根据矩阵建立了课件概念相关度矩阵后，所有的矩