4933-1 (616296), страница 2

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

В заключение, Веб службы придерживаются протокола WSDL (Web Services Description Language - Язык Описания Веб Служб) для предоставления метаданных, необходимых для запуска службы, и UDDI (Universal Description Discovery and Integration = Универсальные Обнаружение и Интеграция Описаний) для размещения служб на UDDI серверах. Последнее позволяет динамически интегрировать приложения, распределенные в сети, независимо от их базовых платформ (underlying platforms). В целом, как указывают Tsalgatidou & Pilioura (2002), парадигма Веб-служб побуждает разработчиков к созданию приложений с размещением и использованием уже существующих Веб служб, а не к созданию требуемых выполняемых функций с нуля, способствуя, таким образом, быстрой и эффективной разработке приложений и оперативной интеграции (just-in-time integration).

В большинстве обучающих систем, основанных на Веб технологиях, (web-based educational systems) (Okazaki и др., 1996, López и др., 1998, Brusilovsky и др., 1996, Ritter, 1997, Machado и др., 1999) модель учащегося (student model) хранится на стороне сервера, но основные решения по поводу обучения (instructional decisions) принимаются клиентским приложением.

В Web F-SMILE также использован данный подход. Однако, в отличие от всех систем, перечисленных выше, Web F-SMILE имеет значительное преимущество, заключающееся в том, что он может быть также использован на пользовательских ПК, не подключенных к сети Интернет. Это сделано для того, чтобы пользователи могли использовать обучающую среду (learning environment) даже если по какой-то причине не удается установить подключение к Интернету. Для обеспечения работы Web F-SMILE в обоих режимах, в Web F-SMILE используются две модели учащегося (learner models) для каждого учащегося; одна хранится локально на компьютере пользователя, а другая – централизованно на сервере. Подобный подход также используется в DCG (Vassileva, 1997), а именно: в DCG при загрузке когда пользователь загружает Java приложение, копия его/ее модели учащегося (student model) создается локально на пользовательском ПК. Вся новая информация, собираемая во время взаимодействия учащегося (student) с системой сохраняется в локальной пользовательской модели. Когда пользователь заканчивает работу с приложением, локальная копия загружается на сервер. Однако данный подход не принимает во внимание тот факт, что пользователь при завершении работы с приложением уже может быть не подключен к Интернету. Web F-SMILE решает данную проблему путем согласования взаимодействия пользовательских моделей на стороне клиента и на стороне сервера соответственно. Каждый раз, когда пользователь оказывается online, две модели эффективно взаимодействуют через Веб службу и обмениваются данными таким образом, чтобы обе модели содержали самые последние сведения об учащемся.

Работа комплекса

Web F-SMILE является Интеллектуальной Обучающей Средой (intelligent learning environment) с Графическим Интерфейсом Пользователя (GUI, Graphical User Interface) для начинающих пользователей, манипулирующих файлами, как в Проводнике Windows 98/NT (Windows 98/NT Explorer) (Microsoft Corporation, 1998). Главной отличительной чертой системы является то, что она может адаптировать свое взаимодействие к каждому конкретному учащемуся. Для этого Web F-SMILE назначает агентов (agents) для наблюдения за учащимся в то время как он(а) активно занимается своей обычной деятельностью и дает непосредственные, непринужденные и индивидуализированные советы и обучение (spontaneous and individualized advice and tutoring) в случае возникновения проблемы. Индивидуализированные советы и обучение основаны на модели учащегося (learner model). Комплекс может работать и как приложение, использующее Веб технологии (Web-based application), и как автономное приложение (standalone application), когда компьютер учащегося не подключен к Интернету. Когда система работает онлайн, сведения об учащемся сохраняются на Сервере Моделирования Учащихся (Learner Modelling Server) и отдаются в распоряжение любого клиента приложения, который вызывает его. Однако учащийся также может управлять файловым хранилищем, когда находится в оффлайн. По вышеуказанной причине комплекс хранит две копии моделей учащихся (learner models), одну на сервере, а другую на ПК пользователя, для того, чтобы комплекс мог работать, как онлайн, так и оффлайн. Таким образом, удобство и простота использования комплекса увеличиваются.

Web F-SMILE использует Веб службы для обеспечения взаимодействия агентов (agents) комплекса с Веб сервером. Веб службы, в широком смысле этого термина, являются службами, представленными через Веб. В последнее время, однако, этот термин относится к набору отдельных протоколов связанных с взаимодействием удаленных приложений. Если быть более конкретным, Веб службы являются отдельными (self-contained), модульными приложениями, которые предоставляют набор выполняемых функций любому, запрашивающему их.

Рис. 1: Начальное состояние файловой системы дискеты учащегося

Простой пример работы комплекса, полученный при реальном взаимодействии пользователя с Web F-SMILE, представлен в таблице 1. Начальное состояние файловой системы на дискете учащегося показано на рис.1. Конечная цель учащегося заключается в форматировании дискеты. Однако дискета содержит папку с некоторыми важными письмами. Поэтому учащемуся требуется переместить папку в безопасное место (жесткий диск его/ее компьютера).

Таблица 1: Пример взаимодействия пользователя с Web F-SMILE

Для того чтобы достичь своей цели и переместить папку «importantLetters», пользователь дает команду «вырезать» (действие 1). Однако, вероятно учащийся не знает, как осуществить свой план, потому что вторым действием он(а) ошибочно использует команду «копировать» вместо команды «вставать». Web F-SMILE находит это действие подозрительным, потому что в случае выполнения, такое действие привело бы к удалению содержимого из буфера обмена до того, как оно было использовано где-либо. Поэтому комплекс пытается сгенерировать альтернативные действия, которые учащийся, возможно, намеревался выполнить взамен. Для того чтобы выбрать наиболее подходящий совет, комплекс использует сведения об учащемся, которые доступны из модели учащегося (learner model). Web F-SMILE полагает, что альтернативное действие, которое наиболее вероятно намеревался выполнить пользователь – это «вставить(C:\My Documents\)», поскольку оно эффективно использует содержимое буфера обмена. Более того, команды «копировать» и «вставить» полагаются достаточно похожими, поскольку обе они связаны с буфером обмена. Поэтому пользователь мог перепутать их.

Более того, комплекс также выдает дополнительные темы для изучения (produces additional tutoring) в области копирования и перемещения объектов, которые он считает существенными для выполнения пользователем его/ее планов и достижения целей. Сведения из модели учащегося (learner model) показывают, что отдельный пользователь не имеет достаточного опыта в копировании и перемещении объектов и что в прошлом он(а) неоднократно делал ошибки вследствие недостаточной осведомленности по данной теме. Несомненно, учащийся признает совет комплекса очень полезным и поэтому воспользуется предложенным ему советом в действии 3. Затем в действии 4 учащийся отформатирует дискету, что и было его конечной целью. В случае если бы учащийся использовал стандартную программу для манипулирования файлами, его/ее ошибка в команде 2 могла бы быть не распознана и тогда учащийся отформатировал бы дискету и полезные данные были бы утеряны.

Архитектура мульти-агента

Web F-SMILE основана на архитектуре мульти-агента (multi-agent). Комплекс мульти-агента состоит из группы агентов (agents), которые являются автономными или полуавтономными и взаимодействуют или работают вместе для того, чтобы выполнить некоторые задания или достичь каких-то целей (Lesser, 1995). Разрабатывая отдельных агентов (agents) внутри комплекса мульти-агента, как преимущество получаем независимость от разработки других агентов (agents). Последнее значительно способствует разбиению сложного на более простые части (breakdown of complexity) (El-Beltagy и др., 1999).

Архитектура Web F-SMILE состоит из пяти агентов, а именно: Агент Моделирования Учащегося в Краткосрочном Периоде (МУКП) (Short Term Learner Modelling (STLM) Agent), Агент Моделирования в Долгосрочном Периоде (МУДП) (Long Term Learner Modelling (LTLM) Agent), Консультирующий Агент (Advising Agent), Обучающий Агент (Tutoring Agent) и Управляющий Речью Агент (Speech-driven Agent). Архитектура Web F-SMILE представлена на рис. 2, где проиллюстрированы все агенты (agents) и компонент представления области знаний (domain representation). 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 (cognitive state), 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 (analysis engine) для того, чтобы получить новые «факты» об учащемся и ответить на запросы других агентов. Анализирующий инструмент основан на механизме распознавания с ограниченными целями (limited goal recognition mechanism) и теории правдоподобных человеческих рассуждений (Human Plausible Reasoning theory, HPR theory) (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 Web F-SMILE, HPR также успешно использовалась для моделирования пользовательских рассуждений в справочной системе (help system) для графического пользовательского интерфейса (Virvou & Kabassi, 2002) и в справочной системе для интерфейса командного языка (command language interface) (Virvou & Du Boulay, 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 (Advising Agent), который несет ответственность за выбор альтернативного действия, которое учащийся вероятнее всего намеревался сделать. Рассуждения Консультирующего Агента (Advising Agent) были оценены (Virvou & Kabassi, 2001) и результаты выражают веское доказательство того, что отдельный агент действительно может воспроизвести рассуждения человека-преподавателя (human tutor), 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 (Tutoring Agent) об этом. Обучающий Агент (Tutoring Agent) отвечает за формирование адаптивного представления урока, который должен усвоить учащийся. Консультирующий и Обучающий Агенты (Advising and the Tutoring Agent) 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 (Advising and the Tutoring Agent) 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 (case adaptation) 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 Web F-SMILE методы адаптивного представления используются, чтобы представить примеры использования неизвестной команды в контексте собственного файлового хранилища (file-store) учащегося. Поэтому Обучающий Агент (Tutoring Agent) 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 (adaptive link annotation techniques) для представления учащемуся других частей материала, который считается интересным учащемуся в данном конкретном случае.

И Консультирующий Агент (Advising Agent) и Обучающий Агент (Tutoring Agent) направляет результаты своей работы Управляющему речью агенту (Speech-driven Agent), который также расположен на стороне клиента. Управляющий речью Агент (Speech-driven Agent) отвечает за представление информации в единой и легкой доступной форме. Для того чтобы сделать взаимодействие более естественным и приятным, для представления совета учащемуся (system’s advice to the learner) используется анимированный Управляющий речью Агент (Speech-driven Agent) 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-driven Agent) 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 (the particular agent) не содержит каких-либо дальнейших механизмов рассуждений.

Агент МУКП

Моделирование Учащихся

Агент МУДП

Коммуникационный модуль

Характеристики

Список файлов курсовой работы