Использование Веб-служб для индивидуализированного обучения, основанного на Веб-технологиях (стр. 3 из 5)

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.