2.3 学习者模型

　　定义：学习者模型是指对学习者属性的详细描述，包括个人信息，安全信息，学业信息，偏好信息，关系信息，学习行为六个元组。描述如下：

　　学习者模型={个人信息，安全信息，学业信息，偏好信息，关系信息，学习行为}

　　⑴ 个人信息是与学习者绩效的度量和记录没有直接联系，主要与管理有关的个人信息。一般说来，这类信息属于个人隐私，是机密的。

　　个人信息：：=<学习者标识，姓名，性别，出生日期，电话，Email，扩展基>。

　　⑵ 安全信息是有关学习者安全凭证的信息。

　　安全信息：：=<学习者标识，登录口令，扩展基>。

　　⑶ 学业信息是与学习者的学习相关的一些简要信息。

　　学业信息：：=<学习者标识，学习课程，完成情况，扩展基>。

　　⑷ 偏好信息描述可促进人机交互的参数选择。

　　偏好信息：：=<学习者标识，情感，兴趣，媒体偏好，学习类型，扩展基>。

　　⑸ 关系信息是描述学习者与其它系统用户(如教师和其它学习者)之间关系的信息。

　　关系信息：：=<学习者标识，关系，程度，扩展基>。

　　⑹ 学习行为是描述学习者对所学知识点的相关操作信息(如作业信息、练习信息、测试信息、提问信息和媒体学习信息)。

　　学习行为信息={作业信息，练习信息，测试信息，提问信息，媒体学习信息，扩展基}。

　　作业信息、练习信息和测试信息的结构相同，如下：

　　① 作业(练习、测试)信息：：=<学习者标识，知识点标识，起始时间，完成时间，总用时间，有效时间，正确信息，错误信息，难度信息，扩展基>。

　　② 提问信息：：=<学习者标识，知识点标识，提问时间，提问内容，回答时间，回答人，回答内容，满意程度，扩展基>。

　　③ 媒体学习信息：：=<学习者标识，知识点标识，媒体资源，起始时间，结束时间，总用时间，有效时间，学习次数，扩展基>。

　　2.4 规则模型

　　规则采用人工智能中加权不确定性推理方法得出，知识的不确定性表示形式如下：

　　R i：If  Ei (ωi)  Then  Hi (CF ( Hi，Ei )，λ )

　　其中，Ei是知识的前提条件，它既可以是一个简单条件，也可以是用AND及OR把多个简单条件连接起来所构成的复合条件。Hi是结论，它可以是一个单一的结论，也可以是多个结论。CF(Hi，Ei)是该条知识的可信度，称为可信度因子(Certainty Factor)或规则强度。(可信度是对事物为真的相信程度的一个量化表示，其初始值由领域专家确定，阈值范围为-1～1)。λ是阈值，它对相应知识的可应用性规定了一个限度，只有当前提条件Ei的可信度CF(Ei)达到或超过这个限度，即CF(Ei)≥λ时，相应的知识才有可能被应用。ωi (i=1，2，…，n)是加权因子，ωi是阈值，其值均由领域专家给出[9]。

　　条件信息：：=<规则标识，条件标识，关键词，内容，可信度，加权因子，扩展基>

　　结论信息：：=<规则标识，结论标识，关键词，内容，可信度，λ阈值，扩展基>

　　学习者规则信息：：=<学习者标识，规则标识，可信度，扩展基>

　　3.ITS结构和运行机制

　　在基于Internet的学习系统(如图2)中[10]，ITS根据学习者信息库和规则库中的相应记录信息，通过接口参数和工具系统间通信，调用资源库中的相应资源，形成个性化学习环境，满足学习者个性化学习需求。系统包括了网络学习的主要工具：学习工具、练习工具、作业工具、测试工具、答疑工具、交流工具。学习者信息库包括个人信息、安全信息、学业信息、偏好信息、关系信息、作业信息、练习信息、测试信息、提问信息、媒体学习信息等。

　　3.1 ITS结构

　　ITS包括：信息收集、个性化分析、个性化调度和规则适应四个子系统，及学习者信息库、Web日志和规则库，(具体结构如图3)。另外，国内外也有许多研究者用人工智能Agent思想来阐述ITS [11] [12] [13] [14]。

　　3.2 ITS运行机制

　　学习者经过身份认证登录后，信息收集系统取出学习者标识，传递给个性化调度系统，个性化调度系统查看学习者信息库和规则库中相应记录，根据这些记录信息，为学习者提供本次学习的相应学习环境。因为每个学习者信息库中的记录信息不同，所以不同的学习者登录后的学习环境也是不同的。在整个学习过程中，信息收集系统以知识点为基本单位，不断的收集学习者的学习信息(作业信息、测试信息、练习信息、提问信息和媒体资源学习信息)，并把这些信息存入学习者信息库中，与Web日志一起作为个性化分析系统个性分析和挖掘的源数据，个性化分析系统将分析和挖掘出的学习者个性和学习者共性存入规则库中，个性化调度系统根据这些规则，调度工具系统，形成适合学习者的个性化学习环境。规则适应系统根据学习者在形成的个性化学习环境中取得的学习效果，来测评修改个性化分析参数和推理时使用的加权因子、λ阈值和可信度的初始值，使个性化分析出的规则更适用于学习者的学习，不断的提高规则的可信度和学习者的学习效果。ITS四大功能系统之间的交互配合，共同实现了ITS在基于Internet的学习系统中的智能导学作用，为每一位学习者营造了与众不同的个性化学习环境。

　　4.关键问题研究

　　ITS是现代远程教育向智能化发展的新阶段。其实现涉及人工智能、数据挖掘、认知理论和教育理论等多方面的知识。在系统设计和开发过程中还有许多问题亟待进一步解决，今后笔者将进一步研究以下关键问题：

　　⑴ 规则的产生和教学策略的制定。如何从大量的信息中提取有效的规则，然后根据规则制定与之相应的、行之有效的教学策略。这需要丰富的教学经验和反复、大量的实验。

　　⑵ ITS和学习工具、练习工具、作业工具、测试工具、答疑工具、交流工具等系统接口参数的确定。工具系统通过ITS传递的参数，合理调用规则库里的规则。

　　⑶ 条件可信度、加权因子和规则可信度的确定。由于主观因素，领域专家确定的初始值因人而异，与实际情况存在误差。

　　⑷ 规则绩效的测评。建立怎样的一个测评系统，能有效地评估学习者在根据规则形成的个性化学习环境中取得的学习效果，给规则一个合理的评价。

　　⑸ I TS个性化分析参数的调整和规则的自适应修改。根据规则绩效测评的结果，适当的修改个性化分析参数和规则可信度，使个性化分析出的规则更符合学习者的学习规律。

　　参考文献：

　　[1]荆永君，钟绍春. 现代远程教学模式及支撑平台分析[J]. 教育技术研究 .2003.4

　　[2]清华同方自主学习网络平台URL: http://www.cenre.com/product/index54-2.asp .2003.11.12

　　[3]Learn To Speak English 8.1 URL: http://www.software-blowouts.com/letospen814c.html. 2003.12.1

　　[4]An intelligent tutoring system for physics URL: http://www.pitt.edu/~vanlehn/andes.html .2003.11.10

　　[5]智勇，李艺. 论分布式学习环境下的智能授导系统发展[J] .中国电化教育. 2003.9

　　[6]邓晖 论网络环境下的学生特征分析系统设计[J]. 开放教育研究.2003.1

　　[7]吕皖丽，陈宁江，钟诚 教学知识树算法的研究与应用[J]. 计算机工程与应用. 2002.24

　　[8]潘登，董小社，杨麦顺，冯锐，张晓亮 .从Web数据中挖掘频繁访问模式[J]. 西安交通大学学报 .2002.6

　　[9]王永庆. 人工智能原理与方法[J]. 西安交通大学出版社 .1998.5

　　[10]曲红亭，申瑞民 .基于数据挖掘的个性化学习导航系统的设计与实现[J] .计算机工程. Vol.29 No.8 2003.5

　　[11]李力. 关于采用Agent技术构建远程教育智能导学系统的研究[J] .电化教育研究. 2001.5

　　[12]申瑞民、许彦青、张同珍、申丽萍.基于多代理的智能型远程教学环境研究[J].计算机工程与应用. 2002.4

　　[13]Vladan Devedzic and Andreas Harrer, Architectural Patterns in Pedagogical Agents, Intelligent Tutoring Systems : 6th International Conference, ITS 2002, Biarritz, France and San Sebastian, Spain, June 2-7, 2002

　　[14]Ioannis Hatzilygeroudis and Jim Prentzas, Using a Hybrid Rule-Based Approach in Developing an Intelligent Tutoring System with Knowledge Acquisition and Update Capabilities, University of Patras, School of Engineering Dept of Computer Engin. & Informatics, 26500 Patras, ellas (Greece).