Методы взаимодействия с активным агентом обучающей среды — страница 7

  • Просмотров 2691
  • Скачиваний 495
  • Размер файла 236
    Кб

нами анализ выявляет следующие недостатки: -использование психологических, а не педагогических (как социальных) критериев -персонализация присутствует во всех системах, но должна накапливать информацию методом обучения -интерфейс реализован как отголосок неинтеллектуальных безагентных систем -слабая мультиагентность, не отражающая теоретический строй и междисциплинарность Общий анализ Можно выделить порядка 10 обучающих

систем, в авангарде которых находится система IDEAL. Изучение документации систем создает видимость развитых средств моделирования интеллекта. Рассмотрим, к примеру, модель студента: -HBLE (hypermedia-based ...) основана на графе, в вершинах которого - оценки за тему -EON аналогично использует граф ошибок -FLUTE включает уровень знаний, прогрксс -KBS ориентируется на цели обучаемого -IDEAL сети Байеса для распр на уровни -SYDNEYпсихологический тест -Сеть

Хопфилда -нейронные сети, тип мышления Абсолютное большинство ОС использует оверлейные (векторные и сетевые) некумулятивные модели. Большинство уитывают уровень знаний и структуру курса, меньше -психотип и выполнение заданий, практически не учитывается стиль и метод обучения. Что и требовалось доказать. Общий анализ Систему IDEAL (Intelligent distributed environment for active learning) можно считать базовым стандартом для ОС. Безусловное достоинство

системы -открытая архитектура, доступная улучшению. Остальное выглядит безоблачно только в документации. Функционал: -персонализация по профилю уровня овладения материалом -автоматическая оценка результатов -заявленная многоагентность -планирование расписания обучения: агентом по степени готовности студента или студентов вручную при помощи диаграммы тем для повторения и изучения -возможность сборки лекции покомпонентно

Агенты: -персональный агент студента (использует сеть Байеса показателей продуктивности: по изученным главам распределяет по уровням знаний) -агенты курсов и учебных блоков со знаниями технологий курса -учебный агент пытается синтезировать даух предыдущих, понимает и генерирует язык -групповой агент, создающий групповой профиль -реализованы языком JavaSpace (неудачно) Межагентное взаимодействие Общий анализ Агентный подход

(agent-based) в целом наиболее эффективен, когда возникает большое число подзадач. Если рассматривать конкретно экспертные системы, то наибольшую пользу он приносит в системах со сложной структурой знаний, с неизвестной структурой знаний (к примеру, обучающие системы) либо если отношения между ними часто изменяются (к примеру, системы экстренного реагирования). А в ЭС с социальными знаниями агентный подход следует признать самым