Курсовая работа: Использование Веб-служб для индивидуализированного обучения, основанного на Веб-технологиях
Архитектура WebF-SMILE состоит из пяти агентов, а именно: Агент Моделирования Учащегося в Краткосрочном Периоде (МУКП) (ShortTermLearnerModelling (STLM) Agent), Агент Моделирования в Долгосрочном Периоде (МУДП) (LongTermLearnerModelling (LTLM) Agent), Консультирующий Агент (AdvisingAgent), Обучающий Агент (TutoringAgent) и Управляющий Речью Агент (Speech-drivenAgent). Архитектура WebF-SMILE представлена на рис. 2, где проиллюстрированы все агенты (agents) и компонент представления области знаний (domainrepresentation). Агенты совместно работают для того, чтобы наблюдать за учащимся и предоставлять ему индивидуализированные советы и обучение в случае, если это считается необходимым. Советы предоставляются учащимся, которые сделали ошибку, в соответствии с их предполагаемыми намерениями. Все эти агенты (agents) работают локально на компьютере учащегося и только Агент МУДП несет ответственность за взаимодействие с Веб сервером для моделирования учащегося.
Каждый раз, когда учащийся дает команду, Агент МУДП, который работает на стороне клиента, размышляет о команде в соответствии с его предположениями по поводу целей учащегося. Агент Моделирования Учащегося в Краткосрочном Периоде (МУКП) фиксирует познавательное состояние (cognitivestate), также как и характеристики учащегося и устанавливает возможные неправильные представления. В случае если Агент МУКП предполагает, что учащийся попал в проблематичную ситуацию, он выполняет обнаружение ошибки. С этой целью он использует анализирующий инструмент (analysisengine) для того, чтобы получить новые «факты» об учащемся и ответить на запросы других агентов. Анализирующий инструмент основан на механизме распознавания с ограниченными целями (limitedgoalrecognitionmechanism) и теории правдоподобных человеческих рассуждений (HumanPlausibleReasoningtheory, HPRtheory) (Collins & Michalski, 1989). Теория правдоподобных человеческих рассуждений – это независимая от области знаний теория, первоначально основанная на совокупности ответов людей на повседневные вопросы. Исходя из заданного человеку вопроса, теория старается смоделировать рассуждения, которые данный человек использует с целью найти правдоподобный ответ, полагая что он(а) не имеет готового ответа. До WebF-SMILE, HPR также успешно использовалась для моделирования пользовательских рассуждений в справочной системе (helpsystem) для графического пользовательского интерфейса (Virvou & Kabassi, 2002) и в справочной системе для интерфейса командного языка (commandlanguageinterface) (Virvou & DuBoulay, 1999).
Агент МУКП применяет принципы HPR при поиске альтернативных действий, схожих с тем, которое дал учащийся и которое пользователь намеревался дать вместо данного им сомнительного действия. Как только альтернативные действия сгенерированы, они посылаются Консультирующему Агенту (AdvisingAgent), который несет ответственность за выбор альтернативного действия, которое учащийся вероятнее всего намеревался сделать. Рассуждения Консультирующего Агента (AdvisingAgent) были оценены (Virvou & Kabassi, 2001) и результаты выражают веское доказательство того, что отдельный агент действительно может воспроизвести рассуждения человека-преподавателя (humantutor), который наблюдает за пользователем через плечо, пока тот взаимодействует с комплексом.
Более того, если Агент МУКП полагает, что неправильное понимание учащегося сложилось из-за недостатка знаний последнего, он информирует Обучающего Агента (TutoringAgent) об этом. Обучающий Агент (TutoringAgent) отвечает за формирование адаптивного представления урока, который должен усвоить учащийся. Консультирующий и Обучающий Агенты (AdvisingandtheTutoringAgent) запрашивают сведения об учащемся у Агента МУКП. Это сделано для того, чтобы они могли приспособить созданный совет и/или урок к потребностям и интересам каждого отдельного учащегося. Однако Консультирующему и Обучающему Агентам (AdvisingandtheTutoringAgent) нет необходимости соединяться с сервером напрямую, поскольку их механизмы рассуждений находятся на стороне клиента.
Обучающий Агент использует адаптивные гипермедиа методы, чтобы защитить учащихся от избытка информации и помочь им в понимании новых элементов получаемых знаний. В частности, эти методы используют информацию об отдельном учащемся (из модели учащегося) для адаптации уроков, представляемых этому учащемуся. Существует два основных гипермедиа метода, а именно: (1) адаптивное представление, в котором вариант адаптации (caseadaptation) выполняется на уровне содержания и (2) адаптивная навигационная поддержка, которая выполняется на уровне ссылок (Brusilovsky, 1996). Обе эти технологии были оценены и результаты выражают веское доказательство того, что их использование в Адаптивной Гипермедиа Системе может улучшить взаимодействие человек-компьютер. В WebF-SMILE методы адаптивного представления используются, чтобы представить примеры использования неизвестной команды в контексте собственного файлового хранилища (file-store) учащегося. Поэтому Обучающий Агент (TutoringAgent) генерирует примеры динамически, для того чтобы он мог использовать имена существующих файлов или папок конкретного учащегося. Более того, Обучающий Агент, использует методы комментирования адаптивными ссылками (adaptivelinkannotationtechniques) для представления учащемуся других частей материала, который считается интересным учащемуся в данном конкретном случае.
И Консультирующий Агент (AdvisingAgent) и Обучающий Агент (TutoringAgent) направляет результаты своей работы Управляющему речью агенту (Speech-drivenAgent), который также расположен на стороне клиента. Управляющий речью Агент (Speech-drivenAgent) отвечает за представление информации в единой и легкой доступной форме. Для того чтобы сделать взаимодействие более естественным и приятным, для представления совета учащемуся (system’sadvicetothelearner) используется анимированный Управляющий речью Агент (Speech-drivenAgent) Такие персонажи (characters) выполняют развлекающую роль и несут эмоциональное значение, что может помочь снизить первоначальный барьер для начинающих изучать компьютерные приложения. К тому же, такие персонажи повышают эффективность комплекса, увлекая и мотивируя учащихся (Johnson и др., 2000). Управляющий речью Агент (Speech-drivenAgent) отвечает за коммуникацию с учащимся в целом. Последнее обычно включает в себя сбор запросов учащегося и представление совета в случае, если выявлено, что учащийся попал в проблематичную ситуацию. Однако данный отдельно взятый агент (theparticularagent) не содержит каких-либо дальнейших механизмов рассуждений.
Рис 2: Архитектура WebF-SMILE
Каждый раз, когда Агент МУКП получает новые сведения об учащемся, взаимодействующем с комплексом, он посылает их Агенту МУДП. В целом, Агент МУДП, сохраняет профили учащихся (learnerprofiles) и управляет ими, а также предоставляет релевантные сведения Агента МУКП, когда это считается необходимым. Более того, Агент МУДП отвечает за взаимодействие с WS-LM сервером (WebServiceLearnerModellingServer - Сервер моделирования веб-сервиса обучаемого), для того чтобы сохранять и обновлять сведения, хранимые в моделях учащихся, как на стороне клиента, так и на стороне WebServiceServer (Сервера Веб Служб).
Взаимодействие Клиентской и Серверной Моделей Учащегося
WebF-SMILE хранит две отдельные модели учащегося для каждого из них, одну локально на каждом компьютере и одну на сервере. Каждый раз, когда пользователь использует обучающую среду, комплекс проверяет, подключен ли пользовательский компьютер к Интернет или нет. В случае если компьютер находится в оффлайн, WebF-SMILE работает как автономное приложение (standaloneapplication) с локальной пользовательской моделью. Агент МУДП отвечает за поиск модели учащегося для пользовательского взаимодействия с комплексом. В случае если Агент МУДП находит модель учащегося, взаимодействие начинается нормально и локальная модель учащегося обновляется с каждой новой командой учащегося. Однако если на данном ПК отсутствуют сведения об учащемся, учащемуся предлагается заполнить анкету, указав свои уровень опыта, опыт работы с операционными системами и другими программами для манипулирования файлами. Данные сведения используются Агентом МУДП для того, чтобы инициализировать модель учащегося, используя стереотипы.
В случае если ПК учащегося находится онлайн, Агент МУДП взаимодействует с WebServiceLearnerModelling (WS-LM) Server для того, чтобы найти соответствующую модель учащегося на сервере. Если модель учащегося не существует на WS-LM, то Агент МУДП отвечает за выявление того, взаимодействовал ли учащийся с комплексом, находящимся оффлайн, используя данный конкретный компьютер. В случае если Агент МУДП не обнаруживает какой-либо информации о данном конкретном учащемся, он инициализирует модель учащегося локально. В любом случае, Агент МУДП направляет сведения об учащемся Веб-службе, которая создает новую модель учащегося, основанную на сведениях, которые были доступны из модели учащегося, проинициализированной локально.
Если учащийся, взаимодействующий с приложением, находится онлайн и на сервере существует модель учащегося, Агент МУДП отвечает за выявление того, существует ли локальная модель учащегося или нет. Если сведения об учащемся отсутствуют на локальном компьютере, Агент МУДП отвечает за создание копии модели учащегося с Сервера на жесткий диск ПК учащегося. В противном случае Агент МУДП выполняет задачу обновления обеих моделей самыми последними сведениями. Данный подход схож с принятыми в ИОК, которые работают как онлайн, так и оффлайн, например DCG (Vassileva, 1997). Однако, в DCG существует проблема, если у пользователя разрывается соединение с Интернетом, то с этого момента самая последняя работа студента и его обновления модели не сохраняются. В WebF-SMILE данная информация сохраняется в локальной модели учащегося до того момента, пока пользователь не будет использовать приложение онлайн, в этом случае хранимая централизованно модель учащегося обновляется.
Для того чтобы обновить модель учащегося верными данными, комплексу необходимо знать, какая информация еще не была включена в модель учащегося на сервере, а какая – в локальную модель учащегося. Это не так просто сделать, если модель учащегося хранит итоговые сведения о пользователе, например, число ошибок, сделанных по невнимательности. Поэтому WebF-SMILE регистрирует каждое взаимодействие учащегося отдельно, используя временные метки, таким образом, каждая запись в пользовательской модели имеет дату и время взаимодействия. Таким образом, каждое взаимодействие отличается от всех остальных, а Агент МУДП и Веб служба могут легко определить, какие из взаимодействий из локальной пользовательской модели не были еще включены в модель учащегося, хранящуюся на Сервере и наоборот. Более того, каждая запись в модели учащегося содержит флаг, показывающий, было ли данное взаимодействие отправлено на Сервер или нет.
Как только обновление модели учащегося завершено, взаимодействие с комплексом становится нормальным. Данный процесс повторяется, когда учащийся заканчивает работу с комплексом (в случае, если учащийся все еще находится онлайн), так что информация на Сервере обновляется при ее получении.
Моделирование учащихся на стороне клиента
Каждый раз, когда учащийся взаимодействует с WebF-SMILE, Агент МУКП собирает новые сведения о пользователе и обновляет модель учащегося, которая хранится на локальном компьютере учащегося. В случае если Агент МУКП не может найти модель учащегося для конкретного учащегося, он пытается проинициализировать модель учащегося, используя стереотипы. Пользовательские стереотипы применяются для того, чтобы предоставить начальные предположения о пользователях до тех пор, пока комплекс не получит достаточно сведений о каждом индивидуальном пользователе. Действительно, как показал Rich (1989; 1999), стереотип представляет информацию, которая позволяет комплексу делать большое количество правдоподобных предположений на основе значительно меньшего количества наблюдений; эти предположения, однако, должны трактоваться как начальные, которые могут быть отвергнуты отдельными наблюдениями.
В WebF-SMILE пользователей причисляют к одному из трех основных классов в соответствии с их уровнем знаний, а именно: начинающие, средние и опытные. Каждый из этих классов представляет возрастающий уровень мастерства в использовании отдельной программы для манипулирования хранилищем файлов. Такая классификация считается важной, потому что она позволяет комплексу получить первое представление об обычных ошибках и неправильных представлениях пользователя, принадлежащего к какой-либо группе. Например, начинающие пользователи обычно склонны к ошибкам из-за неправильного выбора команд или неправильного выполнения команды, тогда как опытные пользователи обычно делают ошибки из-за невнимательности. Поэтому другой классификацией, которая считалась важной, было деление пользователей на две группы: внимательные и невнимательные.
Стереотипы могут служить как инструмент для моделирования убеждений и предпочтений, которые может иметь пользователь комплекса. Основная причина применения стереотипов заключается в том, что они предоставляют набор начальных предположений, которые могут оказаться очень полезными во время получения гипотез о пользователе. Получение начальных предположений может оказаться очень эффективным при моделировании большого набора пользователей. Однако данный подход также имеет много недостатков. Например, несмотря на схожее поведение, которое могут иметь пользователи одной группы, каждый из них является индивидуумом, поэтому отличается от всех остальных по многим параметрам. Поэтому стереотипы должны быть использованы только при инициализации пользовательской модели, до тех пор, пока не появится больше индивидуальных сведений. Таким образом, WebF-SMILE хранит библиотеку моделей для каждой группы пользователей, и при каждом взаимодействии нового пользователя с системой Агент МУДП в WebF-SMILE должен определить класс, к которому принадлежит данный пользователь.
Все начальные предположения в стереотипах, используемых в WebF-SMILE, предоставляют сведения об ошибках, которые пользователи данной категории обычно делают. Сведения о каждой ошибке выражаются с использованием параметров достоверных событий теории HPR (теории правдоподобных человеческих рассуждений - HumanPlausibleReasoningtheory). Таким образом, мы использовали частотнгость, чтобы показать насколько часто пользователи, принадлежащие определенной группе, совершают отдельную ошибку. Другой частью информации, которая может быть получена из стереотипа, являются наиболее частые виды ошибок, совершаемых пользователями, принадлежащими данному стереотипу. Последнее выражается как число, представляющее преобладание определенной ошибки среди набора из всех ошибок пользователей, принадлежащих данному стереотипу. И, наконец, типичность показывает, насколько типична команда во множестве всех команд, данных пользователем.
Для того чтобы определить, к какому стереотипу принадлежит пользователь, ему предлагается ответить на несколько вопросов о его/ее уровне опыта в Графических Интерфейсах Пользователя (GUIs), его/ее опыте в операционных системах и других программах для манипулирования файлами и т.д. Данная информация далее обрабатывается Агентом МУКП для того, чтобы активизировать соответствующий стереотип.
После того, как стереотип был активизирован, комплекс делает несколько начальных предположений о возможных ошибках пользователя и может предоставить некоторое подобие совета. В самом начале, только стереотип предоставляет сведения. Однако комплекс также постоянно собирает сведения об образе действия и ошибках отдельного пользователя, а также передает данные индивидуальной модели учащегося. По мере того, как комплекс собирает все больше и больше данных об учащемся, сведения получаются частично из стереотипа, а частично из индивидуальной модели учащегося. Процент сведений, получаемых из стереотипа, уменьшается с возрастанием процента данных, собранных индивидуальной моделью учащегося.
В частности, для каждого нового взаимодействия Агент МУКП создает новую запись в модели учащегося с использованием временной метки, таким образом, каждая запись привязана к дате и времени взаимодействия. Таким образом, каждое взаимодействие отличае?