何俊颖
(云南开放大学 云南省昆明市 650223)
在线学习者的学习效果,一直是开放教育所研究的重点问题。在开放教育中,在线学习者的学习效果,而学习效果的优劣既受到所获取的学习资源的影响,更与学习活动中知识的序列设计密切相关[1]。本文设计了基于知识点网络的在线学习仿真系统,对在线学习者的有效学习进行研究,对比章节线性顺序知识点学习[2]和知识点网络学习的不同学习效果。
知识点是学习活动中的最小单元,分布于整个课程的各个章节。目前,在线学习资源设计时,课程知识点一般按照知识点的先学关系分章节实施教学。学习者在学习过程中,也是按照按章节顺序对学习内容线性选取,没有区分重点,难点内容以及这些重难点内容与其他知识点之间的关系[2]。这样,学习者在学习过程中就出现有学习浮于表面,抓不住重点的问题。
针对这种情况,本文提出,构建知识点网络,不仅关注知识点的先学关系,更关注知识点间的关系。简要知识网络拓扑图[3]如下所示。
其过程是:首先,将课程内容剥离成相对独立不同的知识点,形成知识点列表,如图中所示:p1-p5和p21-p23均为独立知识点;其次,分析各知识点之间的关系,关注每个知识点的紧前与紧后知识点,形成学习顺序列表,如图中所示:箭头所示为知识点学些顺序;最后根据顺序列表,构建知识点关系网络,寻找紧前与紧后知识点大于等于3 的知识点,定义为重点与难点,如图中所示:P2紧前与紧后知识点为5,p3紧前与紧后知识点为3,因此p2、p3为重难点知识且p2比p3难度系数大。
以下主要从关键Agent、主要数据库表单的设计以及Agent 间的通信协作方式三个方面介绍仿真系统的设计:
通过前对学习者的学习过程、学习习惯进行梳理,对现行学习支持服务的分析,设计出两类Agent 模型。分别是是在线学习者Agent_stu 和学习支持服务导师Agent_tea。
学习者在在线学习过程中,学习能力、社交能力以及基础能力的不同对在线学习结果有重要的影响。学习能力主要表现在认定关键知识点的能力以及寻找有效学习路径的能力;社交能力主要表现在寻求老师帮助与向同伴学习的能力;基础能力主要表现在应用互联网、信息技术的能力。这三种不同维度的能力,决定学习者的学习效果,详细能力维度细分如表1 所示。
表1
表2
表3
在模拟仿真系统中,学习支持服务导师Agent_tea 主要是为Agent_stu 提供帮助,可以模拟在真实学习过程中老师对在线学习者的帮助,不同的Agent_tea 主要的不同是社交能力的不同,也就是为Agent_stu 提供帮助的主动程度会有所差异[4]。
在仿真系统中,主要用到的数据表单有学习者数据表、学习支持导师数据表,学习状态数据表、知识结点数据表,表中罗列出用到的基本数据字段。
2.2.1 学习者数据表:主要记录Stu_Agent 的基本信息
如表2 所示。
表4
表5
2.2.2 学习支持导师数据表:主要记录Tea_Agent 的基本信息
如表3 所示。
2.2.3 知识结点数据表:主要记录课程所有的知识点的基本信息
如表4 所示。
2.2.4 学习者状态数据表:主要记录学习者在仿真系统中的学习状态
如表5 所示。
多Agent 间的通信协作是保证多个Agents 能在一起共同工作的关键。同时,协作可以提高单个多Agent 系统整体行为的性能,增强多Agent 系统解决问题的能力,使系统具有更好的灵活性。
在模拟仿真系统中所使用的协作方式结果共享方式,Agent 使用通信黑板(Blackboard)发布信息、公布处理结果和获取有用信息。黑板就是各Agent 间交换信息、数据和知识的共享区域。黑板可以用在任务共享和结果共享的系统中,它提供了一种比较灵活、迅速和高效的通信方式。
仿真系统中Agent 之间不发生直接通信,仅通过黑板系统接受信息,包括同类型Agent_stu 与Agent_tea 之间。因此,在仿真系统中每个Agent_stu 独立完成自己的学习任务,在需要寻求Agent_tea的帮助时,将自身状态信息放置于黑板公共区域中。因此,每个Agent_stu 在完成学习任务时,是基于自身初始学习能力值得不同,在任何时刻的解决问题均取决于当时它本身拥有学习能力或Agent_tea 能够提供的有效知识路径上的帮助。这种方式的代价是Agents间的通信量比较大。
在模拟仿真系统中,投放多个Agent_stu,不同Agent_stu 的学习能力,社交能力以及基础能力都会有所差异,对同一学习对象,可以呈现不同的学习效果。这样就可以简单抽象出在线学习者在学习过程中不同的学习过程与效果。
同时,在仿真系统中会按照师生比投放多个Agent_tea。通过对Agent_stu 的学习状态描述(学习者状态数据表),系统可以得到Agent_stu 学习相对应的知识点情况。在知识点网络中,当前知识点i 的学习情况主要遵循有如下规则[5]:
规则1:Agent_stu 当前目标是知识点i,Agent_stu 需要学习知识点i 所有的紧前知识点;
规则2:若紧前知识点没有全部出现在学习状态表中,Agent_tea 对Agent_stu 提供帮助,知识点i 的紧前知识点作为学习目标;
规则3:若紧前知识点没有全部出现在学习状态表中,那么Agent_stu 学习知识点i;
规则4:难度系数大的知识点,Agent_stu 需要多次遍历知识点i;
规则5:知识点覆盖率要计算所有Agent_stu 遍历知识点的完成率;
规则6:重难点重复覆盖率要计算所有Agent_stu 遍历重难点知识点的完成率。
学习者状态表中的Master 字段,表示的是Agent_stu 对某一知识点的掌握状态,是一个逻辑值,学习者掌握赋值为1,反之则为0。
选取《商务数据分析》课程中98 个独立知识点,其中18 个是重难点,本仿真验证系统,投放100 个Agent_stu 和3 个Agent_tea(师生比1:3,在真实的在线学习环境中,有效的学习支持导师可能小于这一师生比)。在仿真过程中,主要通过比较知识点覆盖率和重难点重复覆盖率,得到在线学习者的仿真学习效果。基于知识点网络的知识点覆盖率和重难点重复覆盖率分别为95%和90%,而章节线性顺序的知识点覆盖率和重难点重复覆盖率分别为80%和60%,显然基于知识点网络的在线学习者仿真学习效果要更好。
本文提出了一种基于知识点网络的在线学习者仿真方法,并比较了章节线性顺序在线学习者的学习效果,进而得到基于知识点网络的在线学习者学习效果要更好的结论,并为开放教育中学习者的学习资源提供了新的设计思路。