Implementation of multi agent technoly using various types of education activities in distant learning

Nechaeva A.A. (nastionok@mail.ru)

Russian State University of Humanities, Moscow, Russia

Abstract

In this article was described the creation process of intellectual multi agent system in distant learning using various types of education activities – structural and individual.

ПРИМЕНЕНИЕ МУЛЬТИАГЕНТНОЙ ТЕХНОЛОГИИ В ДИСТАНЦИОННОМ ОБРАЗОВАНИИ С ИСПОЛЬЗОВАНИЕМ РАЗЛИЧНЫХ ПОДХОДОВ ОБУЧЕНИЯ

Нечаева А.А. (nastionok@mail.ru)

Российский Государственный Гуманитарный университет (РГГУ), г. Москва

Сегодня существует большое количество информации по различным аспектам знаний. Обучающемуся студенту сложно разобраться в огромном количестве информации по определенному курсу. Поэтому данная задача ставится перед учебными агентами, которые призваны помочь студенту или любому другому, желающему обучиться человеку, получить и скомпоновать необходимую учебную информацию максимально соответствующую запросам пользователя. В идеальном случае должна быть разработана такая технология, которая использовала бы и структурировала бы миллионы доступных в сети Интернет образовательных ресурсов, программное обеспечение должно обеспечить точный и эффективный доступ к большим архивам учебных ресурсов. Это требует крупных достижений в описании, представлении и поиске ресурсов, агентной технологии, механизмов обработки особых ситуаций и моделирования сущности студента. Проблемы состоят в компоновке (сборе) ресурсов, переговорах по многоуровневым проблемам, идентификации педагогических пред- и постусловий, создании модели студента и модели знаний, которые сохраняются все время жизни и улучшаются спустя некоторое время.

Для реализации данной технологии можно выделить два подхода.

1. Структурный подход.

2. Индивидуальный подход.

Структурный подход заключается в подаче информации. Вычисляется, что нужно пройти студенту. Какие единицы информации усвоить для успешного освоения того или иного курса. Для каждой дисциплины может существовать онтология, в которой содержится информация о ней. Курс – это может быть, как и некоторый электронный строго упорядоченный учебник, так и набор онтологий дисциплин. Процесс обучения – как последовательная схема обучения, например по главам, так и совокупность агентов, занимающихся подбором информации из онтологий дисциплин курсов.

Индивидуальный подход основан на методах обучения. Исходя из тестирования студента, можно выделить его особенности восприятия. И перестроить курс в зависимости от этого. Существуют следующие методы: словесные, наглядные, практические, индуктивные и дедуктивные, репродуктивные и проблемно поисковые, методы стимулирования учебной деятельности, методы контроля и самоконтроля и т.д. Индивидуальный подход может быть реализован как автоматически, т.е. система сама перенастраивается под человека исходя из определенных параметров. И ручной, преподаватель сам задает установочные параметры по личному восприятию студента. Но как и в автоматическом режиме как и ручном, построение курса должно происходить автоматически (с помощью нескольких интеллектуальных агентов). Для реализации тестирования на основе, которого будут получены входные параметры построения курса нужно: реализовать интерфейс для ввода исходных параметров преподавателем и создать построитель курсов с помощью интеллектуальных агентов, которые для этого используют информацию онтологий методов обучения.

Как и для структурного подхода, для индивидуального подхода представляют интерес системы на базе онтологии. Одним из преимуществ таких систем является возможность использования наработанных в ИИ технологий работы с базами знаний, что обеспечивает серьезную научную основу таких систем. При построении онтологии возможно сразу же учитывать семантику понятий ее составляющих с точки зрения конкретного пользователя или группы пользователей. Онтологии потенциально обладают свойством совместного накопления и использования знаний (группой агентов\пользователей), что является необходимым требованием к современным распределенным системам. Для успешного интеллектуального обучения необходимо ориентация системы на конкретную предметную область, путем построения базы знаний, на основе онтологии. Онтологии могут быть ориентированны на интересы конкретного пользователя, что увеличивает релевантность результатов работы системы запросам обучающегося.

Этапы разрабатываемой мультиагентной системы можно охарактеризовать следующим образом. В соответствии с задачами системы выделяются следующие типы агентов: интерфейсные агенты; информационный агент; интеллектуальный агент; агент ресурсов; агент онтологии; агент базы данных коллекции документов; агент-Брокер.

Интерфейсный агент отвечает за взаимодействие с пользователем. Информационный агент предназначен для работы с поисковыми машинами в хранилищах информации. Он передает запросы пользователя на машины поиска (в формате, понятном конкретным машинам поиска) и получает результаты поиска. Интеллектуальный агент делает вывод о релевантности конкретных документов запросу пользователя. Для процесса анализа необходимо получить фрейм поискового образа. Для этого интеллектуальный агент взаимодействует с агентом онтологии. Агент онтологии, осуществляет вывод на онтологии. Агент реализует машину вывода. Этот агент обеспечивает доступ к информации из онтологии для ее извлечения и обновления. Таким образом, анализ документа приводит к выводу о релевантности документа не запросу пользователя, а расширенному запросу, состоящему из запроса пользователя, вывода на онтологии и эвристических правил. Результаты поиска по каждому узлу онтологии составляют базы прецедентов, которые запоминаются в онтологии. Агент ресурсов скачивает документы из сети и конвертирует их во внутреннее представление системы. Агент-Брокер отвечает за организацию взаимодействия между агентами, передаче им внешней информации или сервисов других агентов. Агент - Брокер принимает решение о том, какие агенты могут выполнить запрос и управляет всеми взаимодействиями между агентами при выполнении этого запроса.

Литература

1. Singh M.P., Towards a Formal Theory of Communication for Multiagent Systems. In Proceedings of the International Joint Conference on Artificial Intelligence, 1991

2. Jennings N.R., Sycara K., Wooldridge M. A Roadmap of Agent Research and Development. Autonomous Agents and Multi-Agent Systems, 1, pp. 275-306. Kluwer Academic Publishers: Boston, 1998.

3. Maes, P., 1994, "Agents that Reduce Work and Information Overload", Communications of the ACM 37 (7), 1994.

4. А.В. Хуторской, Современная дидактика, Питер, 2001