Гібридна агент-орієнтованамодель оцінювання знаньучасників e-Learning

Артеменко В.Б.Львівська комерційна академія,

E-mail: artem@lac.lviv.ua

Мета доповіді:

üРозглянути напрями побудови гібридноїагент-орієнтованої моделі (АОМ) оцінкизнань у сфері ДН на базі використаннянейронних мереж – одного з напрямівштучного інтелекту.

üВисвітлити результати дослідження щодовикористання програмного забезпеченнядля реалізації гібриду АОМ: SWARM і Any-Logic, два найбільш популярних пакети дляагент-орієнтованого моделювання, та пакетSTATISTICA Neural Networks.

Агент-орієнтовані моделі (АОМ) єновим засобом для придбання знань.Кінцева мета АОМ – відстеження впливуфлуктуацій агентів на основі обчисленнярівноваги або псевдорівноваги досліджу-ваної системи, яка складається з безлічіконкретних агентів.

Искусственные общества – http://www.artsoc.ru/

Journal of Artificial Societies and Social Simulation –http://jasss.soc.surrey.ac.uk/

Інтернет-журнали:

Для побудови АОМ можна використовуватирізноманітні прикладні пакети.

Специфікація задачі розробкигібриду АОМ передбачає по-будову штучного суспільства,в якому взаємодіють такі тригрупи агентів:

vА1 – автори ДК,vА2 – тьютори, що супроводжують навчальний

процес у віртуальному середовищі ВНЗ,vА3 – студенти, учасники ДК.

Оцінювання знань агентами ДН відбуваєтьсяза результатами (кількість агентів, що спожи-ли знання) кількості кліків учасників ДК.

� з точки зору прийняття рішень, агентирухаються у двовимірному просторі,мають кінцевий горизонт бачення;� будь-які агенти з’являються у віртуально-му середовищі випадковим чином, з різнимиймовірностями, мають кінцевий термін життя;� мета автора ДК – виробити якомогабільше знань і передати їх тьютору, метоютьютора є поширити знання серед якомогабільшого числа студентів, а мета студентів –спожити якомога більше знань.

Основні припущення моделі:

Умовні позначення:– шкала представлення авторів ДК;– шкала представлення тьюторів;

– шкала представлення студентів;Вісь X – час перебування у Веб-центрі ЛКА;Вісь Y – величина сумарного досвіду.

Діаграма сукупного досвіду для груп агентів

Умовні позначення:– шкала представлення авторів ДК;

Вісь X – час перебування у Веб-центрі ЛКА;Вісь Y – кількість продукованих знань.

Діаграма продукування знань агентами 1-ої групи

Розглянемо:q методологічні підходи до побудови

гібридної АОМ оцінки знань у сферідистанційного навчання з використаннямнейронних мереж, одного з напрямівштучного інтелекту;

q результати досліджень програмногозабезпечення для реалізації гібридноїАОМ: AnyLogic та STATISTICA NeuralNetworks.

Загальна схема гібриду моделі

Нейронні мережі

А3 -А2 -

…

...

…

А1 -

Через кількість записів (кліків), опублікованиху журналі подій системи Moodle, можна прово-дити річний моніторинг (упродовж 12 останніхмісяців), зокрема таких дій агентів ДН:перегляд, оновлення, додавання, видаленняресурсів і завдань.

В нашому дослідженні використовуються 4-місячні дані, що характеризують 117 000 дійпонад 500 агентів, серед яких близько 10%становлять автори ДК, приблизно 20% –тьютори, решта – студенти.

Для побудови нейронних мереж буливикористані дані, які характеризуютьактивність добування знань агентами.

Етапи побудови та застосуваннянейронних мереж

Вибір типу мережі Навчання мережі Застосування

Базаданих

Налашту-вання вагмережі

Відповідь

Дані

Навчена мережа

Архітектури мереж, які запропонованіМайстром рішень STATISTICA Neural Networks:

багатошарові персептрони

Profi le : MLP s6 1:6-2-1:1 , Index = 14Train Perf. = 0,615074 , Select Perf. = 0,671297 , Test Perf. = 0,594293

Profi le : MLP s6 1:6-3-1:1 , Index = 15Train Perf. = 0,851079 , Select Perf. = 0,738380 , Test Perf. = 0,842528

Перелічимо призначення нейронних мереждля створюваного гібриду АОМ:

vНейронна мережа №1 – визначає рівеньактивності кожного з учасників е-навчанняпершої групи, оцінюючи корисність знання,що виробляється і поширюється.vНейронна мережа №2 – визначає рівеньактивності кожного з учасників е-навчаннядругої групи, оцінюючи корисність знання,що виробляється і поширюється.vНейронна мережа №3 – визначає рівеньактивності кожного з учасників е-навчаннятретьої групи, оцінюючи корисність знання,що виробляється і поширюється.

Приклад специфікації об'єктів АОМ

Дія при виході передбачає три випадки:1. Під час зустрічі двох авторів ДК в обохвідбувається приріст знань пропорційнознанню співрозмовника.2. При зустрічі з тьютором у автора курсуприросту знань не відбувається, а відбу-вається приріст показника, який характе-ризує передачу знань. У тьютора відбува-ється приріст знань пропорційно кількостізнань автора ДК.3. Під час зустрічі зі студентом у авторавідбувається приріст (істотно менше, ніжпри зустрічі з тьютором) переданих знань,а у студента - приріст спожитих знань.

Блок-схема (діаграма) дій агента AvtorDK

Головне вікно комп’ютерних експериментів

Діаграми залишку знань і зустрічей агентівна прикладі авторів ДК

Висновки (1):

Агент-орієнтоване моделювання та штучнінейронні мережі можна розглядати як ефек-тивні засоби для проведення досліджень усфері виробництва і розповсюдження знаньучасниками дистанційного (електронного)навчання.

Висновки (2):

Експерименти з прототипом гібридної АОМвказують на можливі напрями її практичногозастосування щодо визначення:

ü часових параметрів під Open Source-проект«Електронний деканат» (розробка модуля типу«блок» у системі Moodle), зокрема для об’єкту«Розклад занять», на підставі таких характери-стик аналізованих агентів, як кінцевий термінїхнього життя;

Висновки (2):

üтакої раціональної структури груп учасниківе-навчання, при якій кількість виробленого ірозповсюдженого знання прагне домаксимального значення;

üпотреб щодо перепроектування дистанційнихкурсів і поліпшення їх якості на засадахадаптивних механізмів взаємодії ключовихагентів е-навчання, серед яких важливу рольвідіграють чати, вебінари, тематичні дискусіїтощо.

Висновки (3):

Надалі ми маємо намір продовжити дослід-ження шляхів ефективного використанняпакетів AnyLogic та STATISTICA NeuralNetworks для розроблення та практичногозастосування аналізованого гібриду АОМоцінювання знань учасниками дистанційногонавчання.