CC BY
23АРХИТЕКТУРА МНОГОАГЕНТНОЙ СИСТЕМЫ (МАС) ОБУЧЕНИЯ НА БАЗЕ LMS MOODLE
Шарамазанов Руслан Мовлидгаджиевич
аспирант, ФГБОУ ВПО "МГУ им. Н.П. Огарёва", г.Саранск
Савкина Анастасия Васильевна к.т.н., доцент, ФГБОУ ВПО "МГУ им. Н.П. Огарёва", г.Саранск
Нуштаева Анастасия Васильевна
к.т.н., ФГБОУ ВПО "МГУ им. Н.П. Огарёва", г.Саранск
A MULTI-AGENT SYSTEM ARCHITECTURE FOR E-LEARNING SYSTEMS USING A MOODLE LMS Sharamazanov Ruslan, postgraduate student, Ogarev Mordovia State University, Saransk Savkina Anastasia, candidate of science, assistant professor, Ogarev Mordovia State University, Saransk Nushtaeva Anastasia, candidate of science, professor, Ogarev Mordovia State University, Saransk АННОТАЦИЯ
В данной статье рассматриваются основные компоненты интеллектуальной системы обучения, рассмотрен многоагентный подход построения информационных систем и предложена архитектура многоагентной системы дистанционного обучения на базе LMS Moodle. ABSTRACT
In this article discusses the major components of learning systems, considered a multi-agent approach of information systems and proposed multi-agent architecture of intelligent learning systems based on LMS Moodle.
Ключевые слова: многоагентная система; онтология; адаптивные гипермедиа; дистанционное обучение; moodle.
Keywords: multi-agent system; ontology; adaptive hypermedia; e-learning; moodle.
В последнее десятилетие электронное дистанционное обучение получило массовое распространение, как за границей, так и в нашей стране. Помимо неоспоримых преимуществ, например доступность учебных курсов в любом месте, в любое удобное время, с любого устройства, подобная организация учебного процесса имеет и ряд недостатков. Несмотря на большое количество доступных систем дистанционного обучения (СДО), все они предлагают лишь простые статичные гипертекстовые страницы для всех пользователей, независимо от их индивидуальных способностей. Учебный материал может быть слишком сложным или наоборот слишком простым, предлагаться не в той последовательности, пользователь может запросто запутаться в предлагаемом материале и потерять мотивацию к его изучению, не получая удовлетворения от обучения. В связи с этим возросло число исследовательских проектов, разрабатывающих различные технологии и методы адаптации к возможностям, целям и окружению пользователя [1, 2, 3]. Для достижения совместимости между системами электронного обучения были разработаны различные стандарты и модели представления учебного материала: SCORM, OpenMath и др. [4, 5].
В то же время, разработанные в ходе различных исследований интеллектуальные системы обучения (ИСО) пока так и не нашли широкого применения, а те из них, что все же были внедрены или находятся в стадии внедрения, являются узкоспециализированными и применяются в ограниченном круге учебных заведений.
Так, для улучшения качества обучения по математическим дисциплинам, инженерно-техническим дисциплинам, использующих математический аппарат предполагается использовать базу знаний интеллектуальной системы обучения математике Math-Bridge [6], разработанной под эгидой Немецкого центра искусственного интеллекта и университета Саарлэнда (Германия), которая будет, с одной стороны, адаптирована к условиям страны, в
которой проживает обучаемый; с другой - единая электронная поисковая система и база знаний позволят поддерживать академическую мобильность студентов инженерных специальностей в рамках Болонского процесса.
На данный момент существует огромное число функционирующих инсталляций традиционных СДО, содержащих статистику и информацию о взаимодействии пользователей с учебными материалами, на основе которой можно судить об их предпочтениях, общих тенденциях усвояемости учебного материала и качества обучения и которые можно использовать в качестве базы для многоагентной системы обучения [7, 8].
В данной статье предлагается архитектура интеллектуальной системы дистанционного обучения (ИСДО) на основе мультиагентного подхода построения информационных систем и базирующейся на LMS Moodle [9].
Рассмотрим подход к построению соответствующей архитектуры. Как известно, классическая ИСО состоит из четырёх компонентов - модели предметной области, модели учебного процесса, модели обучаемого и интерфейса.
Модель предметной области состоит из знаний предметной области, тем, материалов и заданий учебного курса и их взаимосвязей. При описании знаний предметной области в настоящее время широкое применение получили онтологии. Под онтологией в данном случае понимается концептуальная схема, содержащая понятия некоторой предметной области и связях между ними. Онтологии используются для формальной спецификации понятий и отношений, которые характеризуют определенную область знаний и широко используются в различных системах управления знаниями. Преимуществом онтологий в качестве способа представления знаний является их формальная структура, которая упрощает их компьютерную обработку [10]. Структура онтологии образована из элементов четырех типов:
■ понятия - описывают группу сущностей, объединенных общими свойствами;
■ отношения - связывают и описывают понятия;
■ аксиомы - выражают некоторые утверждения, на основе которых могут быть выведены другие утверждения;
■ индивидуальные экземпляры - конкретные элементы какого-либо типа;
Модель учебного процесса основана на педагогических стратегиях, описывающих различные знания, не зависящие от предметной области. Другими словами, педагогические стратегии описывают некоторый срез вариантов поведения преподавателя в процессе реального персонального обучения, в зависимости от степени усвояемости материала учеником, направленных на ее повышение либо достижение определенных образовательных целей.
Модель обучаемого представляется профилем пользователя, его предпочтениями, целями, стилем обучения, уровнем и количеством компетенций, имеющихся и приобретенных знаниях, на основе которых можно делать вывод об уровне освоения материала, имеющихся трудностях и вариантах адаптации. Анализ моделей нескольких пользователей позволяет делать выводы об общих тенденциях и сложности предлагаемого учебного материала, обеспечивая обратную связь для системы и преподавателя.
Интерфейсная составляющая ИСО призвана представлять учебный материал с учетом результатов анализа различных компонентов системы в наиболее удобном для пользователя виде, в зависимости от его окружения и аппаратного обеспечения, при помощи которого он взаимодействует с системой.
Одной из отличительных особенностей ИСО, выделяющей ее на фоне традиционной СДО, является возможность адаптации содержимого и окружения к целям, возможностям, знаниям и интересам обучаемого, что в свою
очередь делает её одной из разновидностей более общей системы адаптивных гипермедиа.
Наиболее полное описание адаптивных гипермедиа систем представлено в работах Брусиловского [11], [12]. Выделяется два вида адаптации - адаптация гипертекста и адаптация гипермедиа [13].
Адаптация гипертекста заключается в различных манипуляциях с гиперссылками (сокрытие, сортировка по уровню релевантности в контексте текущего пользователя и др.), таблицами стилей и является на данный момент наиболее изученной и применяемой технологией.
Адаптация гипермедиа призвана адаптировать непосредственно содержимое мультимедиа, текстов, навигации по материалу под текущую модель пользователя, что является более высоким уровнем адаптации. В то же время, на практике данный метод сталкивается с рядом ограничений, в числе которых можно выделить невозможность адаптации таких мультимедиа, как видео или аудио, крайняя специализация предметной области, сложность разработки учебных курсов. В связи с этим, на данный момент применение данного метода адаптации в наиболее полном объёме исследовано и реализовано лишь в крайне специализированных системах, таких как системы обучения математики ActiveMath[14] и MathBridge [6].
Активно развивающимся направлением искусственного интеллекта на данный момент являются много-агентные системы, состоящие из помещенных в некоторую информационную среду интеллектуальных агентов. Интеллектуальный агент - это сущность, автономно функционирующая для достижения целей, поставленных перед ней владельцем или пользователем, обладающая определенными интеллектуальными способностями [15].
Базовая архитектура интеллектуального агента приведена на рисунке 1.
Рисунок 1. Базовая архитектура интеллектуального агента
Агент состоит из сенсоров, реактора, принимающего решения и ряда эффекторов. Выделяется три базовых модели интеллектуальных агентов [16]: делибератив-ная (deliberative) модель, реактивная (reactive) и гибридная (hybrid). Делиберативные агенты содержат точную символическую модель мира и принимают решения на основе логического вывода. Реактивные агенты содержат коллекцию простых поведенческих схем, которые реагируют на изменения в среде в форме «стимул-реакция» и не знают полной картины модели мира. Гибридные модели используют делиберативную и реактивную составляющие. Агенты обладают рядом свойств, среди которых можно выделить следующие:
- автономность - агенты функционируют на основе собственных представлений об окружении без всякого глобального внешнего воздействия. При этом, зачастую, агенты могут не знать структуры всей системы и взаимодействовать только с теми
агентами, которые необходимы для достижения цели;
- социальность - для получения определённых данных и координации действий, агенты взаимодействуют с другими агентами в среде на языке коммуникации;
- реактивное поведение - посредством сенсоров, агенты способны воспринимать внешнюю информацию и реагировать на нее посредством эффекторов;
- инициативность - агенты могут выполнять действия не только по запросу извне, но и согласно своим собственным целям и желаниям;
- адаптивность - агенты формируют знания о других агентах и используют эти знания при выборе других агентов для решения тех или иных задач в зависимости от обстоятельств [17];
- распределенность - агенты могут функционировать как на одном, так и на множестве распределенных в пространстве компьютеров при отсутствии каких-либо централизованных элементов. Совокупность агентов, находящихся в одной гетерогенной среде и взаимодействующих между собой посредством языка коммуникации образуют мгогоагентную систему. Многоагентные системы стали объектом повышенного интереса со стороны многих исследователей. Основную работу по стандартизации агентов и агентных систем выполняет международная организация FIPA (Foundation for Intelligent Physical Agents). Спецификации FIPA представляют собой набор стандартов, которые предназначены для содействия интероперабельности гетерогенных агентов и услуг, которые они могут представлять [18]. На сегодняшний день существует целый ряд мультиагентных платформ программирования, отвечающих спецификациям FIPA. Среди них можно выделить инструментальную среду MASDK - разработка Санкт-Петербургского института информатики и автоматизации РАН [19]. А также платформу JADE (Java Agent Development Framework) - свободно распространяемый продукт написанный на языке программирования Java, позволяющий упростить разработку мультиагентных систем при поддержке FIPA-спецификаций, инструментов отладки и развертывания системы [20].
Одной из самых распространенных СДО в мире и странах СНГ на сегодняшний день является LMS Moodle. На 2015 год она имеет 46 506 инсталляций в 214 странах мира, 1 129 из которых в России [9]. Moodle является открытой, свободно распространяемой системой управления курсов (Content Managment System), поддерживающей организацию как дистанционного электронного обучения, так и обучения с преподавателем. Система содержит встроенные средства управления пользователями, форумами, поддержку стандарта SCORM, организацию групп пользователей и категорий учебных курсов. Учебный курс в системы состоит из разделов и учебных материалов курса. В качестве материалов могут выступать различные файлы, мультимедиа, тесты, задания, SCORM-курсы. В то же время, система лишена адаптивности учебных материалов и их представления к пользователю. Из-за своей открытости и модульной структуры, данная система может выступать в качестве основы для проектирования и разработки интеллектуальной системы дистанционного обучения.
С этой целью предлагается архитектура много-агентной системы, представленная на рисунке 2 и состоящая из следующих агентов следующих типов: агент СДО, агент студента, агент учителя, агент курса, агент стратегии обучения, агент адаптации курса.
АСДО - агент системы дистанционного обучения. Исходя из того, что интеллектуальная система базируется на традиционной СДО, необходим отдельный агент, представляющие ее интересы в сообществе агентов. Данный агент обеспечивает независимость остальных агентов от архитектуры СДО и выступает буфером между СДО и системой. Все взаимодействия других агентов с СДО осу-
ществляются только через него. Таким образом поддерживается дальнейшее сопровождение всей архитектуры ИСДО в целом.
АС - агент студента. Все взаимодействия ученика с ИСДО осуществляются через индивидуального агента. В процессе работы учащегося с системой, данный агент аккумулирует модель пользователя, содержащую как реальную составляющую - профиль пользователя, так и выводы системы о целях, компетенциях, мотивации, окружении, знаниях и стиле обучения учащегося, полученные на основе предварительного анкетирования, ассоциативных правилах и гипотезах, а также выводы системы о предположительных дальнейших действиях учащегося.
АУ — агент учителя. Данный тип агента аккумулирует модель учителя, аналогично агенту студента. В общем случае, в традиционных СДО, роль учителя выше, чем в автономных, узкоспециализированных ИСО. Учитель в СДО формирует структуру курсов, дает задания, общается с учениками посредством личных сообщений и форумов. Другими словами, учитель может явным образом влиять на ход обучения.
Предполагается разработка методов, позволяющих системе на основе анализа модели ученика и модели учителя своевременно уведомлять преподавателя об общих тенденциях процесса обучения, для внесения оперативных изменений в тех случаях, когда система считает, что имеющихся у нее возможностей по адаптации курса не хватает для достижения педагогических стратегий.
АК — агент курса. В традиционной СДО учебный курс состоит из набора разнородных материалов (лекции, файлы, тесты, задания, мультимедиа, SCORM-пакеты), данный тип агента обеспечивает расширение метаданных материалов курса.
АСО — агент стратегии обучения. На основе педагогических стратегий и текущей модели пользователя, данный агент делает выводы об уровне усвоения материала учащимся, обеспечивая обратную связь и изменяя модель пользователя.
ААК — агент адаптации курса. Взаимодействуя с агентами студента, агентом курса и агентом стратегии обучения, агент адаптации курса формирует индивидуальный образовательный маршрут и адаптирует содержимое курса.
В результате разработку предложенной архитектуры многоагентной системы обучения на базе LMS Moodle можно разбить на три этапа.
1 этап. Разработка агента СДО, агентов студента, учителя и курса. На этом этапе в результате взаимодействия агентов, можно сформировать первичную модель пользователя и учителя.
2 этап. Внедрение агента стратегии обучения. Такой подход позволит получить автоматизированную систему оценки качества процесса обучения и в оперативном режиме выявлять общие негативные тенденции, либо при необходимости устранять их в ручном режиме.
3 этап. Разработка и внедрение агента адаптации курса. Этот этап позволит строить индивидуальные образовательные маршруты, обеспечив системе должный уровень интеллектуальности и автономности.
Рисунок 2. Архитектура многоагентной ИСДО на основе LMS Moodle
Литература
1. Walid Qassim Qwaider. Semantic Web Technologies Applied to E-Learning System // International Journal of Computer Applications, 2012, Vol. 47, No. 10, P. 1217
2. Valsamidis S., Kontogiannis S., Kazanidis I., Theodosiou T., Karakos A. A Clustering Methodology of Web Log Data for Learning Management Systems. // Educational Technology & Society, 2012, Vol. 15, No. 2, P. 154-167.
3. Pham Quang Dung, Adina Magda Florea. Adaptation To Learners' Learning Styles In A Multi-Agent E-Learning System // Internet Learning, 2013, Vol. 1 No. 2, P. 11-20.
4. Официальный сайт стандарта SCORM [Электронный ресурс] // Режим доступа: http://www.adlnet.org /scorm (Дата обращения 02.08.2015).
5. The OpenMath Standard [Электронный ресурс] // Режим доступа: http://www.openmath.org/standard (Дата обращения 02.08.2015).
6. Math-Bridge - Education Solution [Электронный ресурс] // Режим доступа: http://www.math-bridge. org (Дата обращения 02.08.2015).
7. Новикова С.В. Дистанционное обучение как интегрированный компонент системы моделирования сложных технологических процессов. // Проблемы техники и телекоммуникаций ПТиТТ-2014. Оптические технологии в телекоммуникациях 0ТТ-2014. Материалы Международных научно-технических конференций. Казань, 2014. С. 440-442.
8. Новикова С. В. Дистанционная система обучения по теме «Адаптивная коррекция параметрических систем» // Вестник Казанского государственного технического университета им. А. Н. Туполева, 2002. № 3. С. 74-78.
9. Официальный сайт Moodle [Электронный ресурс] // Режим доступа: https://moodle.org (Дата обращения 02.08.2015).
10. Митрофанова О.А., Н.С. Константинова. Онтологии как системы хранения знаний // Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-телекоммуникационные системы», 2008. -54 с.
11. Brusilovsky P. Adaptive Hypermedia // User Modeling and User-Adapted Interaction, 2001, No. 11, P. 87110.
12. Brusilovsky P. Methods and techniques of adaptive hypermedia. // Adaptive Hypermedia and Hypermedia. Dordrecht: Kluwer Academic Publishers, 1998, P. 1-43.
13. Theophanis Tsandilas. Adaptive Hypermedia and Hypertext Navigation. Research Review for Depth Oral Examination [Электронный ресурс] // Режим доступа: http://insitu.lri.fr/~fanis/docs/Depth.pdf (Дата обращения 02.08.2015).
14. ActiveMath [Электронный ресурс] // Режим доступа: http://www.activemath.org (Дата обращения 02.08.2015).
15. Швецов А.Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям // Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-коммуникационные системы», 2008. - 101 c.
16. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. - 352 с.
17. Городецкий В.И. Открытые многоагентные системы и самоорганизация: Новые возможности / Тринадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2012) [Электронный ресурс] // Режим доступа: http://www.raai.org/resurs/papers/kii-2012 /present/Gorodetsky.pdf (Дата обращения 02.08.2015).
18. The Foundation for Intelligent Physical Agents [Электронный ресурс] // Режим доступа: http:// www.fipa.org (Дата обращения 02.08.2015).
19. Городецкий В.И., Карсаев О.В., Самойлов В.В., Конюший В.Г., Маньков Е.В., Малышев А.В. MASDK: Инструментальная среда разработки много-агентных систем. // Труды 9 Национальной конференции по искусственному интеллекту с международным участием, том 2. Москва, Физмтгиз, 2004, С. 591-599.
20. JAVA Agent DEvelopment Framework [Электронный ресурс] // Режим доступа: http://jade.tilab.com (Дата обращения 02.08.2015).
