周尤明 ， 古華茂

(1.湖州職業(yè)技術(shù)學(xué)院 物流與信息工程學(xué)院， 浙江 湖州 313000； 2.浙江工商大學(xué) 計算機(jī)與信息工程學(xué)院， 浙江 杭州 310018)

基于智能型Agent的教學(xué)平臺設(shè)計

周尤明1， 古華茂2

(1.湖州職業(yè)技術(shù)學(xué)院 物流與信息工程學(xué)院， 浙江 湖州 313000； 2.浙江工商大學(xué) 計算機(jī)與信息工程學(xué)院， 浙江 杭州 310018)

目前的教學(xué)平臺設(shè)計，很難針對學(xué)生和學(xué)習(xí)問題(教學(xué)任務(wù)、學(xué)習(xí)任務(wù))的特點，對教學(xué)資源進(jìn)行有效的任務(wù)適應(yīng)性及個性化協(xié)同管理，基于智能型Agent平臺能有效克服上述障礙。智能型Agent模型包括：通過概念分類體系、學(xué)習(xí)問題描述模式、問題解決(或者學(xué)習(xí)問題)與資源的關(guān)聯(lián)、根據(jù)處方進(jìn)行任務(wù)分解與教學(xué)資源開放式組合等技術(shù)，來解決任務(wù)適應(yīng)性的資源精確查找問題；通過教學(xué)培訓(xùn)資源難易程度的嚴(yán)密的組織、在同類難易程度教學(xué)資源中個性化推薦來實現(xiàn)分類及個性化資源尋求。實例表明智能型Agent能夠在資源尋求時有效地提高學(xué)習(xí)任務(wù)適應(yīng)性和面向?qū)W生資源推薦時的個性需求。

智能Agent； 教學(xué)資源； 協(xié)同管理； 教學(xué)平臺

一、網(wǎng)絡(luò)教學(xué)資源現(xiàn)狀及存在問題

目前，教學(xué)資源超載(無序堆積)問題還沒有得到解決，互聯(lián)網(wǎng)上的開放教育資源正在以極快的速度增長，雖然內(nèi)容豐富，但質(zhì)量參差不齊，適用對象不明確，令學(xué)習(xí)者頭暈?zāi)垦！㈦y以駕馭?；ヂ?lián)網(wǎng)上教學(xué)網(wǎng)站漸多、教學(xué)資源眾多，眾多的教學(xué)資源使得用戶無法高效獲取自己需要的教學(xué)資源，教學(xué)資源使用率降低。如何有效、合理地使用這些資源？這是網(wǎng)絡(luò)課程健康發(fā)展迫切需要解決的現(xiàn)實難題。要解決教學(xué)資源超載問題，應(yīng)從以下兩方面入手：

首先，解決針對學(xué)習(xí)任務(wù)情景的資源精確查找問題。學(xué)生某一個時段的學(xué)習(xí)任務(wù)具有局部性，也就是學(xué)習(xí)任務(wù)所涉及的知識點是有限的，工作中遇到的問題所涉及的知識點往往也是有限的。人們希望提高資源的任務(wù)適應(yīng)性，即牽涉盡量少的知識點(資源)，但能有效解決實際遇到的問題。基于關(guān)鍵詞的搜索往往搜到大量無關(guān)資源，卻無益問題解決。盡管學(xué)習(xí)思維(或者解決問題)過程一般不受外界控制，但是人們總是想通過學(xué)習(xí)(工作)問題情景去找到適用性好的明晰資源， 根據(jù)問題情景匹配到的真正能解決學(xué)習(xí)(工作)問題有限資源才有助于催化學(xué)習(xí)(解決問題)靈感的產(chǎn)生。因此以基于教學(xué)域本體的任務(wù)情景描述模式作為統(tǒng)一的語義基礎(chǔ)，去確切、全面和便捷地描述教學(xué)工作的查詢需求和受檢資源的適用性，通過問題情景找學(xué)習(xí)資源，這是資源管理的關(guān)鍵。

其次，解決根據(jù)學(xué)習(xí)者個性尋求資源的問題。學(xué)習(xí)者是參差不齊的，每個學(xué)生的基礎(chǔ)千差萬別，因而面對資源的難易程度、實訓(xùn)技能強度、知識的綜合度，不同學(xué)生的適應(yīng)程度是不一樣的。他們總是希望找到符合自己心里需求的教學(xué)資源。這就得對資源按難易程度(或者實訓(xùn)技能強度、知識的綜合度)進(jìn)行分類組織，并根據(jù)學(xué)習(xí)者特點對所需類型資源進(jìn)行協(xié)同過濾推薦，找到符合學(xué)習(xí)者特點的資源。

很多學(xué)者利用Agent技術(shù)構(gòu)建教學(xué)網(wǎng)站，并對教育培訓(xùn)資源管理進(jìn)行了相關(guān)研究。目前對教學(xué)平臺和教學(xué)資源管理的研究主要有以下幾個方面：1)研究了Agent模型[1]23-27 [2]56-59，包括教學(xué)Agent建模BDI、學(xué)習(xí)推理Agent模型和遠(yuǎn)程學(xué)習(xí)者情感與認(rèn)知識別的Agent模型；2)研究了基于Agent的網(wǎng)絡(luò)教學(xué)系統(tǒng)設(shè)計與開發(fā)[3]5-7 [4]67-69 [5]72 [6]45-47 [7]23-26 [8]63-68 [9]423-426，包括自適應(yīng)遠(yuǎn)程教學(xué)系統(tǒng)模型、實訓(xùn)教學(xué)系統(tǒng)、信息檢索課教學(xué)系統(tǒng)、商務(wù)英語遠(yuǎn)程教學(xué)系統(tǒng)等；3)研究了基于Agent的網(wǎng)絡(luò)教學(xué)評價[10]112-113 [11]93-94，包括多Agent的網(wǎng)絡(luò)教學(xué)評價模型、學(xué)生職業(yè)能力測評系統(tǒng)等研究；4)研究了教學(xué)資源建設(shè)，包括云計算的教學(xué)資源共享方案[12] [13]42-43、MOOC背景下教學(xué)資源建設(shè)[14]34-35和優(yōu)質(zhì)教學(xué)資源建設(shè)[15]17-19等；5)通過任務(wù)情景的描述模式[16]1993-2003對知識進(jìn)行精確查找，通過服務(wù)信任機(jī)制(評分值)[17]75-79 [18]529-538 [19]893-897來優(yōu)化服務(wù)選擇。

通過查閱上述文獻(xiàn)，不難發(fā)現(xiàn)：1)目前基于Agent的智能教學(xué)平臺未能解決以上與教育資源密切相關(guān)的問題，包括教學(xué)資源超載、學(xué)習(xí)任務(wù)情景的資源精確查找和學(xué)習(xí)者參差不齊等問題；2)由于沒有考慮分布式任務(wù)，已有的任務(wù)情景描述模式的知識管理研究局限于封閉知識的管理，缺少協(xié)同開放性，無法適應(yīng)目前教學(xué)資源的分布式管理要求。只有通過處方分解教學(xué)任務(wù)，才能以Agent的任務(wù)分擔(dān)為橋梁實現(xiàn)任務(wù)情景的分布式教學(xué)資源管理；3)已有的服務(wù)信任機(jī)制的信任值(評分值)的計算基于服務(wù)本身，而非資源(教學(xué))的評分。在教學(xué)資源超載情況下，缺少對分布式教學(xué)資源的評分機(jī)制。

當(dāng)基于MOOC/SPOC等網(wǎng)絡(luò)教學(xué)技術(shù)成為時代潮流時，資源管理問題將是網(wǎng)絡(luò)教學(xué)平臺和課堂教學(xué)改革的基石，高效的教學(xué)網(wǎng)站資源管理才能提高網(wǎng)絡(luò)教學(xué)的效率。解決上述問題的核心，就是如何根據(jù)學(xué)生和學(xué)習(xí)任務(wù)特點，對教學(xué)資源進(jìn)行有效的個性化協(xié)同管理，為教師和學(xué)生打造個性化、智能化的教育資源共享和應(yīng)用環(huán)境，為廣大一線教師、學(xué)生和再就業(yè)人員提供個性化和開放式的教學(xué)資源管理。這對營造高效的網(wǎng)絡(luò)教學(xué)環(huán)境具有十分重要的意義。

本文提出的基于智能型Agent的任務(wù)適應(yīng)性教學(xué)資源個性化協(xié)同管理，通過OP4R技術(shù)對教育資源實行個性化協(xié)同適應(yīng)性管理，包括通過概念分類體系、學(xué)習(xí)問題描述模式、問題解決(或者學(xué)習(xí)問題)與資源的關(guān)聯(lián)、根據(jù)處方進(jìn)行任務(wù)分解與教學(xué)資源開放式組合等技術(shù)來解決任務(wù)適應(yīng)性的資源精確查找問題，通過教學(xué)培訓(xùn)資源難易程度的嚴(yán)密組織、在同類難易程度教學(xué)資源中個性化推薦實現(xiàn)分類、個性化資源尋求。本研究旨在提高教育資源管理效率，解決目前智能教學(xué)平臺存在的問題，滿足廣大師生和成年學(xué)習(xí)者的學(xué)習(xí)和工作需求。

二、智能型Agent模型描述

智能型Agent模型包括概念分類體系、學(xué)習(xí)問題描述模式、問題解決(或者學(xué)習(xí)問題)與資源的關(guān)聯(lián)、教學(xué)培訓(xùn)資源的嚴(yán)密組織、基于處方的任務(wù)分解與教學(xué)資源開放式組合、基于協(xié)同過濾的資源個性化推薦?？梢越３?元組：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擁有的資源；

3)Ontology是教學(xué)域共享本體論，是學(xué)習(xí)問題描述模式、匹配資源尋求與資源提供的語義基礎(chǔ)。為以下6元組：Ontology= (Oa，WORK，Solving，Pattern，Describing，Matching )。

①Oa：教學(xué)域基礎(chǔ)本體論.包括術(shù)語集、術(shù)語分類體系、同義詞，根據(jù)領(lǐng)域?qū)＜业囊庖娨话阌帽倔w表示語言O(shè)RL定義。 ORL 實現(xiàn)教學(xué)域的概念化描述，包括概念(對象類)、關(guān)系和特性，并支持教學(xué)域術(shù)語集和術(shù)語分類體系的建立，是Pattern的語義基礎(chǔ)；②WORK：教學(xué)域任務(wù)(問題)集；③Solving：問題解決集；④Describing：WORK(Solving)→Pattern；⑤Pattern：學(xué)習(xí)問題描述模式(抽象任務(wù))或者是問題解決(服務(wù))描述模式。抽象任務(wù)的描述模式(資源R描述模式與之一致)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是提供槽值的可選術(shù)語集：tcsiT={termi1T，termi2T，…，termimT}。具體任務(wù)t的描述(具體資源r的描述與之一致)Patternt={fs1t，fs2t，…，fsnt}，fsit=，tcsit?tcsiT。理論上，抽象學(xué)習(xí)任務(wù)T的情景描述模式應(yīng)包含完備的特征槽集以及完備的術(shù)語選擇集，這樣就可以包含任務(wù)示例的所有可能的情景描述；但要做到絕對的完備性幾乎不可能達(dá)到。然而，只要教學(xué)域充分狹窄(如某專業(yè)領(lǐng)域的某一個課程)，就易于達(dá)成術(shù)語一致，建立相對完備的術(shù)語是可能的；⑥Matching：WORK→Solving，根據(jù)問題，通過學(xué)習(xí)問題描述與問題解決(服務(wù))描述的相容匹配，找到問題解決。如果匹配成功，則問題解決找到。

在進(jìn)行相容匹配時，可以分別采取and、partand、or、partor策略。當(dāng)采用and策略時，要求學(xué)習(xí)問題描述與問題解決描述所有特征槽都相容匹配，則匹配成功；當(dāng)采用partand策略時，要求學(xué)習(xí)問題描述與問題解決描述部分特征槽都相容匹配，則匹配成功；當(dāng)采用or策略時，要求學(xué)習(xí)問題描述與問題解決描述所有特征槽中有一個相容匹配，則匹配成功；當(dāng)采用partor策略時，要求學(xué)習(xí)問題描述與問題解決描述部分特征槽中有一個相容匹配，則匹配成功。默認(rèn)情況下一般采用partand策略。

顯然，and和partand策略適合于涉及同一抽象任務(wù)的資源集數(shù)量較大的資源庫，嚴(yán)格的相容匹配使得只有少量教學(xué)資源能夠滿足查詢需求，并按資源總體分值排序適用性；or和partor策略則適合于滿足查詢需求的資源很少的情況，使得相容匹配程度較差(但仍有參考價值)的資源有機(jī)會被檢索到。

例如，用戶具體教學(xué)任務(wù)和問題解決從任務(wù)類別、任務(wù)內(nèi)容、數(shù)據(jù)接收方式、數(shù)據(jù)接收語法等情景描述如下(強度實訓(xùn)按基本技能實訓(xùn)、拓展類實訓(xùn)、特色實訓(xùn)、綜合技能實訓(xùn)遞增)。

教學(xué)任務(wù)：使用的語言：ASP；任務(wù)類別(難易程度)：{基本技能實訓(xùn)、特色實訓(xùn)}；任務(wù)內(nèi)容：{Request對象、Form數(shù)據(jù)集合、Post方法}；數(shù)據(jù)接收方式：{Form}；數(shù)據(jù)接收語法：{循環(huán)接收}。

問題解決：使用的語言：ASP；服務(wù)類別(難易程度)：{基本技能實訓(xùn)、拓展類實訓(xùn)、特色實訓(xùn)}；服務(wù)內(nèi)容：{Request對象、Form數(shù)據(jù)集合、Post方法、ASP的內(nèi)置對象、Get方法}；數(shù)據(jù)接收方式：{Form}；數(shù)據(jù)接收語法：{循環(huán)接收}。

則教學(xué)任務(wù)與問題解決符合and相容匹配，然后可以根據(jù)問題解決名稱找到相應(yīng)的教學(xué)資源。

4)Recipe是處方，是任務(wù)分解和執(zhí)行流程定義。當(dāng)Agent不能完成接收到的請求任務(wù)(Agent本地沒有足夠的教學(xué)資源)時，要進(jìn)行任務(wù)分解，再請求其它Agent完成分解后的子任務(wù)；

5)Relevance：Solving(WORK)→2RES；是問題解決與資源的關(guān)聯(lián)，一個問題解決(問題)名稱對應(yīng)多個可選資源集。

6)Regimentation是Agent對自己管控的教學(xué)培訓(xùn)資源的嚴(yán)密組織。針對不同類型的學(xué)習(xí)者，對Relevance按資源的難易程度(難、中、易等程度)進(jìn)行分類組織。Regimentation的BNF范式為Reg：=，difficType是資源的難易程度；

7)Recommendation是從同類(難易程度)、同名問題解決對應(yīng)的教學(xué)資源中向?qū)W習(xí)者進(jìn)行推薦，推薦符合學(xué)習(xí)者特點的教學(xué)資源。在Relevance中，一個問題解決對應(yīng)多個可選資源集，Recommendation從多個可選資源集選出最適合學(xué)習(xí)者的教學(xué)資源集給請求任務(wù)的學(xué)習(xí)者。

設(shè)R1，R2，…，Rn是任務(wù)t關(guān)聯(lián)的某類可選資源集SR中的資源，和資源尋求者同類的某學(xué)習(xí)者對R1，R2，…，Rn的評分分別是C1，C2，…，Cn，0Cn1，θ1，θ2，…，θn都大于0，且θ1+θ2+…+θn=1。則某學(xué)習(xí)者對可選資源集SR推薦分值C(SR) = θ1C1+θ2C2+…+θnCn。

設(shè)和資源尋求者同類的學(xué)習(xí)者N1，N2，…，Nm對任務(wù)t關(guān)聯(lián)的某類可選資源集SR的評分值分別是C1(SR)，C2(SR)，…，Cn(SR)，0Ci(SR)1，σ1，σ2，…，σn都大于0，且σ1+σ2+…+σn=1。 則可選資源集SR總體推薦分值CR(SR) = σ1C1(SR)+σ2C2(SR)+…+σnCn(SR)。

i)學(xué)習(xí)者ST是任務(wù)t對應(yīng)資源的初始學(xué)習(xí)者：

設(shè)S1R，S2R，…，SnR分別是任務(wù)t關(guān)聯(lián)的某類可選資源集，總體分值推薦分別是CR(S1R)，CR(S2R)，…，CR(SnR)，則總體推薦分值最高者CR(SiR)對應(yīng)的可選資源集SiR推薦給學(xué)習(xí)者ST。

ii)學(xué)習(xí)者ST使用過任務(wù)t對應(yīng)資源：

設(shè)S1R，S2R，…，SnR分別是任務(wù)t關(guān)聯(lián)的某類可選資源集，總體分值推薦分別是CT(S1R)，CT(S2R)，…，CT(SnR)，學(xué)習(xí)者ST對S1R，S2R，…，SnR的評分是C(S1R)，C(S2R)，…，C(SnR)。SiR的總體評分是CT(SiR) =λC(SiR)+(1-λ)CR(SiR)，0λ1。則總體分值最高者CT(SjR)對應(yīng)的可選資源集SjR推薦給學(xué)習(xí)者ST。

三、智能型Agent工作過程

智能型Agent運用涉及到的關(guān)鍵技術(shù)，為學(xué)習(xí)者或者工作者個性化精確尋求解決問題的資源，滿足廣大師生和培訓(xùn)工作者的學(xué)習(xí)和工作要求，其工作過程如下：

(1)對于請求的任務(wù)，根據(jù)問題解決與資源的關(guān)聯(lián)模型，判斷本地是否有足夠的教學(xué)資源滿足學(xué)習(xí)問題，如果滿足，則根據(jù)請求的任務(wù)在Regimentation中找到跟任務(wù)難易程度同類的可選資源集。再在同類資源集中根據(jù)Recommendation選出最適合學(xué)習(xí)者的教學(xué)資源集返回給請求Agent；(2)根據(jù)教學(xué)域共享本體論，產(chǎn)生請求的任務(wù)的問題描述，通過中介Agent判斷是否存在某個Agent的問題解決可匹配任務(wù)的問題描述。從匹配成功的Agent集中通過Recommendation選出最適合學(xué)習(xí)者的教學(xué)資源集對應(yīng)的Agent，把請求任務(wù)交給此Agent，轉(zhuǎn)向步驟(6)；(3)根據(jù)處方集對學(xué)習(xí)任務(wù)進(jìn)行分解，得到學(xué)習(xí)任務(wù)的分解方案集。對于每個分解方案，計算每個子任務(wù)的最高總體分值，再根據(jù)子任務(wù)的串、并執(zhí)行流程，計算每個分解方案的最高總體分值，然后根據(jù)每個分解方案的最高總體分值由高到低對分解方案進(jìn)行排序；(4)取出分解方案集中的第一個方案，指針下移，如果方案不為空，把各請求子任務(wù)交給此子任務(wù)總體分值最高者對應(yīng)的Agent，否則轉(zhuǎn)向步驟(8)；(5)如果各個Agent返回資源成功，則轉(zhuǎn)向步驟(7)，否則轉(zhuǎn)向步驟(4)；(6)如果Agent返回資源不成功，則轉(zhuǎn)向步驟(3)；(7)如果返回資源成功，返回；(8)返回提供資源失敗。

四、例證實驗

課題組利用智能型Agent技術(shù)開發(fā)了計算機(jī)信息課程教學(xué)資源管理系統(tǒng)原型。定義了Agent技術(shù)的教學(xué)域共享本體論。從網(wǎng)上下載并編輯了185個信息教學(xué)資源，自己動手做了35個教學(xué)資源，收集了教學(xué)域術(shù)語546個，用于建立學(xué)習(xí)任務(wù)特征槽的術(shù)語可選集。同時對教學(xué)資源進(jìn)行了分類組織，對各類難易程度的教學(xué)資源進(jìn)行了評分。實驗表明，通過概念分類體系、學(xué)習(xí)問題描述模式、問題解決(或者學(xué)習(xí)問題)與資源的關(guān)聯(lián)、根據(jù)處方進(jìn)行任務(wù)分解與教學(xué)資源開放式組合等技術(shù)提高了教學(xué)資源搜索的適用性；通過教學(xué)培訓(xùn)資源按難易程度和任務(wù)的嚴(yán)密組織，在同類難易程度教學(xué)資源中基于協(xié)同過濾的個性化推薦實現(xiàn)個性化資源尋求。例如，在尋求request對象資源時，使用“Request對象”關(guān)鍵詞，返回46個資源，再加上關(guān)鍵詞“Post方法”時，也會返回43個資源。況且，返回的資源中實訓(xùn)強度各異，各個資源的評分也差異很大，很難適應(yīng)學(xué)生個性化的學(xué)習(xí)需求。但是，當(dāng)根據(jù)學(xué)習(xí)任務(wù)的情景描述進(jìn)行資源搜索時，附加上“Post方法”任務(wù)的情景描述，任務(wù)情景中附加上實訓(xùn)強度等級，同時利用Recommendation對任務(wù)情景匹配上的學(xué)習(xí)資源進(jìn)行評分帥選，返回資源數(shù)是2個(對應(yīng)任務(wù)的一個可選資源集)，都滿足任務(wù)情景實訓(xùn)強度等級，且資源的平均分值比基于關(guān)鍵詞的搜索資源的平均分值高出很多，更能夠滿足學(xué)生(工作者)個性化解決學(xué)習(xí)(工作)問題的尋求。用關(guān)鍵詞返回的43個資源中，盡管包含任務(wù)情景返回的2個資源，但是其他資源僅提及術(shù)語“Post方法”，并未涉及“Post方法”技術(shù)細(xì)節(jié)。顯然，在學(xué)習(xí)資源豐富多彩的今天，特別是在目前教學(xué)資源超載、質(zhì)量參差不齊、適用對象不明確、教學(xué)網(wǎng)站漸多、教學(xué)資源眾多的情況下本方法提高了資源的適應(yīng)性。

另外，當(dāng)關(guān)鍵詞偏僻或者關(guān)鍵詞多于3個時，基于關(guān)鍵詞的資源搜索往往搜不到學(xué)習(xí)資源?？梢苑艑掃m應(yīng)性匹配的策略，采用partand、or、partor策略，基于智能型Agent搜索技術(shù)依然能夠提供具有潛在參考價值的學(xué)習(xí)資源。

五、結(jié) 語

目前教學(xué)資源超載，使得其使用率非常低，教學(xué)資源的使用很難適應(yīng)學(xué)生和學(xué)習(xí)問題特點。而基于關(guān)鍵詞的教學(xué)資源搜索無法解決以上問題。本文提出的基于智能型Agent的任務(wù)適應(yīng)性教學(xué)資源個性化協(xié)同管理，通過使用概念分類體系、學(xué)習(xí)問題描述模式、問題解決(或者學(xué)習(xí)問題)與資源的關(guān)聯(lián)、根據(jù)處方進(jìn)行任務(wù)分解與教學(xué)資源開放式組合等技術(shù)解決了資源的精確適應(yīng)性查找，具有學(xué)習(xí)任務(wù)的針對性，通過教學(xué)培訓(xùn)資源難易程度的嚴(yán)密的組織、在同類難易程度教學(xué)資源中基于協(xié)同過濾的個性化推薦實現(xiàn)個性化資源尋求，針對了學(xué)習(xí)者的特點。另外通過適應(yīng)性匹配的策略，可以找到潛在的有參考價值的學(xué)習(xí)資源。在已有的任務(wù)情景描述模式的知識管理沒有考慮分布式任務(wù)，而已有的服務(wù)信任又缺少對分布式教學(xué)資源評分機(jī)制的情況下，所有這些技術(shù)在提高教育資源管理效率、解決目前智能教學(xué)平臺存在的問題、滿足廣大師生和成年人的學(xué)習(xí)和工作要求方面具有重要的現(xiàn)實意義。

[1] 姜振鳳.智能教學(xué)系統(tǒng)中基于BDI的教學(xué)Agent建模研究[J].寧夏師范學(xué)院學(xué)報(自然科學(xué)),2009(3).

[2] 鄺天福,徐慶生.智能教學(xué)系統(tǒng)中的學(xué)習(xí)推理模型研究[J].楚雄師范學(xué)院學(xué)報,2011(9).

[3] 張格瑩.基于Agent的網(wǎng)絡(luò)教學(xué)構(gòu)建技術(shù)研究[J].中國教育信息化,2012(1).

[4] 李姝博.基于Agent的網(wǎng)絡(luò)教學(xué)系統(tǒng)設(shè)計[J].計算機(jī)時代,2014(2).

[5] 錢貴平.基于Multi-Agent的商務(wù)英語遠(yuǎn)程教學(xué)系統(tǒng)研究[J].科技信息,2013(12).

[6] 高仲慧,林筑英,魏高起.基于多Agent的自適應(yīng)遠(yuǎn)程教學(xué)系統(tǒng)模型[J].貴州師范大學(xué)學(xué)報(自然科學(xué)版),2009(3).

[7] 孫 瑜,李志平,鄺天富.基于多Agent和知識地圖的智能教學(xué)系統(tǒng)研究[J].華中科技大學(xué)學(xué)報(自然科學(xué)版),2011(11).

[8] 曾茂林.建立Agent實訓(xùn)教學(xué)系統(tǒng)破解高師教育實踐困境[J].環(huán)境建設(shè)與資源開發(fā),2012(12).

[9] 馮 凱.信息檢索課程基于Agent的網(wǎng)絡(luò)教學(xué)系統(tǒng)設(shè)計與開發(fā)[J].情報理論與實踐,2007(5).

[10] 劉海嬌.基于多Agent 的網(wǎng)絡(luò)教學(xué)評價模型研究[J].電腦編程技巧與維護(hù),2012(2).

[11] 胡 旻.基于多Agent 學(xué)生職業(yè)能力測評系統(tǒng)的研究和開發(fā)[J].信息通信,2013(10).

[12] 羅桂聯(lián).基于云計算的教學(xué)資源共享方案[D].廣州大學(xué)碩士學(xué)位論文,2013.

[13] 孫 寧,盧春艷,孫 晨.關(guān)于優(yōu)質(zhì)教學(xué)資源建設(shè)的思考[J].中國電化教育,2013(11).

[14] 王 鵬,邊 琦,肖鳳艷,等.MOOC背景下教學(xué)資源建設(shè)的發(fā)展方向----基于對國家精品開放課程工作的回顧[J].現(xiàn)代教育技術(shù),

2014(4).

[15] 張懷南,楊 成.基于云計算的區(qū)域性高校數(shù)字教學(xué)資源建設(shè)研究[J].現(xiàn)代教育技術(shù),2012(6).

[16] 高 濟(jì).支持創(chuàng)新型組織學(xué)習(xí)：基于任務(wù)情景的知識適用性管理[J].計算機(jī)學(xué)報,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年度全國教育信息技術(shù)研究課題“信息課程智能教學(xué)平臺個性化資源管理研究”(156232397)和2015年度湖州市市級科技特派員項目“本體知識庫的動態(tài)、開放性研究----以街道管理突發(fā)事故應(yīng)急處理領(lǐng)域為例”(2015KTZ21)的研究成果之一。

周尤明(1972-)，男，江西泰和人，講師，高工，計算機(jī)科學(xué)與技術(shù)博士，主要從事計算機(jī)技術(shù)研究；古華茂(1975-)，男，江西安遠(yuǎn)人，副教授，計算機(jī)科學(xué)與技術(shù)博士，主要從事計算機(jī)技術(shù)研究。

TP399

A

1672-2388(2017)01-0081-05