基于多Agent的智能模型策略研究

～　（４）如果ｉ＞３，则退出；　（５）ｉ＝Ｏ；　（６）如果ｍ　＞０，从本单元第Ｎ章中抽取难度为　ｉ的题目保存到试题向量Ｖｅｃｔｏｒ中，ｊ＿ｊ＋ｌ；　（７）如果ｊ＞ｍｉ／ｎ且ｉ＜３，则ｉ＝ｉ＋ｌ，转至（６），否则　如果ｉ＜３则ｉ＝ｉ＋ｌ，转至（５）；　（８）如果ｉ＞５且Ｎ＜ｎ，则Ｎ＝Ｎ＋Ｉ并转至（２），否　则如果Ｎ＞：ｎ，则退｝｝｛。　将抽取试题保存在向量Ｖｅｃｔｏｒ中，组成一份涵　盖训练者所学单元所有章节的试题，由训练者Ａ．　ｇｅｎｔ以界面形式呈现给训练者。　２方法调整规则　训练者完成测试以后，由多Ａｇｅｎｔ负责批改试　题，同时对训练者在各章节的测试得分及总分进行　计算分析，最终反馈给训练者Ａｇｅｎｔ。训练者Ａｇｅｎｔ　选择适当的时间应用测试分析法，分析计算出识记　能力、理解能力、实践操作能力以及拓展能力的分　值。针对不同的课程，训练者的认知水平是不同的。　因此，网络训练系统应该允许同一训练者对待不同　课程的认知水平存在差异。　训练方法调整规则是网络训练系统将训练者各　章节的训练成绩作为划分条件，从而分析鉴别训练　者训练行为特征的规则。它的形式主要包括条件和　结论两部分。　在训练策略的知识表示部分，讲述＿『基于知识　点的难度不同，埔定不同的训练策略。除此之外，训　练Ａｇｅｎｔ还根据训练者的识记能力、理解能力和动　手操作能力，修订训练策略，调整训练进度。如果训　５Ｑ　练者测试效果较好，则提升难度；反之，降低难度。采　取的规则如下：　设训练者Ｓｉ对某章的得分为Ｓｃｏｒｅ．，令△Ｓ—　ｃｏｒｅ＝Ｋ　Ｓｃｏｒｅ（Ｓｃｏｒｅ表示所有训练者对这章的得分　均值；Ｋ表示常数因子，建议取０．１～０．２）。如果　Ｓｃｏｒｅｉ∈［０，Ｓｃｏｒｅ一／ｋＳｃｏｒｅ）则建议再训练；如果　Ｓｃｏｒｅ。∈［Ｓｃｏｒｅ一△Ｓｃｏｒｅ，Ｓｃｏｒｅ＋△Ｓｃｏｒｅ）则提示再　复习一遍，也可以训练新章节。如果Ｓｃｏｒｅ，　＋△Ｓ．　ｃｏｒｅ则提示表扬信息，建议洲练新内容。　通过运用课程一单元…・章节的知识体系结构，　便于追溯训练者知识体系中存在的不足，以便查漏　补缺，进行针对性地强化训练，提高训练效果。　３基于错误诊断的强化训练　网络训练系统有一个非常重要的功能就是对训　练者的错误进行诊断。如果系统不能够对训练者进　行正确的评价和适时的训练调整那就不具备错误诊　断功能。系统必须对训练者每次的训练进行解析和　评价，通过对错误的检查、诊断，找到训练者知识的　薄弱环节，给出合理建议，以此提高训练者的训练效　率。具体的实施策略如下：　３．１分析过程和制定强化训练途径　当训练者完成测试后，系统会根据试题找到相　关知识点，并建立关系，如表一所示。　表格中包含了所有试题对应的知识点。　Ｔ　～Ｔ　。ｉ表示ｌ０个测试题目；　Ｋｌ～　：表示该单元中所有的原子知识点；　Ｓ（　）：表示测试结果中元知识点　所占的比　重；　表一题目与知识点的关系表　Ｋ，　ＴＫａ　０　３　０　Ｉ（３　ｌ　４　６　Ｋ４　Ｏ　０　Ｏ　Ｋ５　Ｏ　０　Ｏ　Ｋ６　０　０　Ｏ　Ｋ７　０　Ｏ　０　Ｋｓ　０　０　０　基　于　ｃｏ　ｃＤ　ｌ　５　Ｏ　０　多　Ｔ２　Ｔ３　３　Ｔ４　１　Ｏ　Ｏ　３　Ｏ　０　１　０　Ｔ５　Ｔ６　Ｏ　Ｏ　Ｏ　Ｏ　１　３　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　０　０　Ｏ　ｌ　ｌ　５　０　０　Ｏ　５　０　２　０　３　Ｏ　Ｏ　０　１　Ｏ　Ｏ　Ｏ　２　４　Ｏ　０　１　１　Ｏ　Ｔｖ　的　智　能　模　型　策　略　研　Ｔ８　Ｔ９　究　Ｔ１ｏ　Ｏ　０　０　０　２　ｌ　４　ｓ（　）　Ｅ（Ｋｉ）　ＥＲ（Ｋｊ）　７　６　Ｏ．１４　６　Ｏ　Ｏ　ｌ１　６　０．５４　１０　ｌ　Ｑ１　９　５　Ｏ．５６　５　ｌ　０．２　７　４　Ｏ．５７　６　０　０　Ｅ（Ｋ．）：表示测试结果中错误答案与知识点Ｋ，　所占的比重；　阈值Ｌ代表训练者掌握特定知识点的指标。当　ＥＲ（Ｋｊ）＜Ｌ，说明训练者己经掌握　，在训练者知识　ＥＲ（Ｋｊ）：表示测试结果中错误答案与中权重的　比例关系。　题目测试结果假定为Ｔ，，Ｔ　，Ｔ　，ＥＲ（Ｋ４）　＝树中将　的ｍａｓｔｅｒ属性改为１，表示已掌握，否则　仍需要加强该原子知识点的训练，在训练者知识树　中将Ｋ的ｍａｓｔｅｒ属性改为０．５，表示未掌握。　１／１０＝０．１，ＥＲ（Ｋ５）＝５／９＝０．５６，ＥＲ（Ｋ６）＝１／５＝ｏ．２。　假定阈值Ｌ降低到０．５，则需要重点训练的知　识点将包括　，Ｋ３，Ｋ　，Ｋ　。对照图一，训练的顺序应　▲　●Ｃ　＝二二　・　Ｋｓ　▲　１’Ｉ　该为：Ｋ，－－－￣Ｋ３　Ｋｓ　Ｋ７。在这条路径中，Ｋ一和Ｋ３是　训练的重点，系统将建议训练者更深入训练Ｋ。和　Ｋ　。　Ｋ６　３．２错误诊断算法　Ｋ３　▲／／＝　Ｋ２　／　．　为了判断训练者没有掌握的知识引入了诊断错　ｌ　ｆ　图一知识点依赖关系图　ｌ　误算法，根据训练者的测试情况，通过逻辑推理得出　训练者知识点的薄弱环节，制定强化训练力案。诊断　知识点间的相互依赖关系如图一所示。图一中，　下层知识点的前驱知识点是上层知识点，假设　的　前驱知识点是　，那么必须先训练　再训练　。　错误算法是在训练者测试后，整理出所有错议的１人】　容，得出需要加强的训练范围。诊断错误算法的代码　如下：　５１　—　Ｄｉａｇｎｏｓｅ（ｅｘａｍ＿ａｎｓｗｅｒ）｛　／／接受训练者输入的测试答案ｅｘａｍ　ａｎｓｗｅｒ；　ｆｏｒ（ｉｎｔ　ｉ＝ｌ；ｉ＜－试题数量ｎ；ｉ＋＋）｛　／／计算训练者答案对应的ＥＲ（Ｋｊ）值；　ｉｆ（ＥＲ（Ｋｊ）＜Ｌ）｛　把知识点　加入错误知识集；　把训练者知识树中知识点　的掌握属性改为　０．５；　）　／／根据错误概念集构造加强训练路径；　／／其中含ＥＲ值最大的路径为最佳路径；　／／最佳路径所包含的根知识为核心知识；　｝　｝　首先，分析Ａｇｅｎｔ接收训练者输入的测试答案；　通过对训练者测试答案的分析批改，计算出测试题　目的Ｓ，Ｅ，ＥＲ值，然后在错误知识集中增加ＥＲ值　超过阈值Ｌ的概念，同时在训练者Ａｇｅｎｔ中修改这　些知识点的属性。最后，基于错误知识集自动生成加　强训练的路径，发生信息使训练者Ａｇｅｎｔ把路径中　的知识点加人强化训练的知识点集ｓｔｒｅｎｇｔｈｅｎＬｉｓｔ　中。　测试结束后，训练者如何进行下一步训练主要　取决于诊断结果。基于测试结果，网络训练系统将会　为训练者推荐合适的练习题目。　４结束语　为了使网络训练系统平台具有个性化、智能化、　自适应性、实用性的特点，需要长时问的研究繁杂的　设计过程，通过不懈的努力才能得到提高。本文所探　讨的网络训练策略还只是初步的研究．在以后的　作中，将通过实践，努力完善网络训练策略其他＿方面　的研究。　参考文献　［１］张婧．基于多Ａｇｅｎｔ的智能网络训练系统模　型研究［Ｄ］．南昌：华东交通大学，２００９．　［２］刘洁．多媒体远程教育技术的发展现状及问　题初探［Ｊ］．电化教育研究，２０００，（０８）：１７一ｌ９．　［３］彭庆波．基于多Ａｇｅｎｔ的智能网络训练系统　研究［Ｄ］．长沙：国防科学技术大学，２００５．　作者简介　邹定锋（１９７５一），男，在读工程硕士，主要研究　方向：计算机应用。