1. Гібридна агент-орієнтована
модель оцінювання знань
учасників e-Learning
Артеменко В.Б.
Львівська комерційна академія,
E-mail: artem@lac.lviv.ua
2. Мета доповіді:
ü Розглянути напрями побудови гібридної
агент-орієнтованої моделі (АОМ) оцінки
знань у сфері ДН на базі використання
нейронних мереж – одного з напрямів
штучного інтелекту.
ü Висвітлити результати дослідження щодо
використання програмного забезпечення
для реалізації гібриду АОМ: SWARM і Any-
Logic, два найбільш популярних пакети для
агент-орієнтованого моделювання, та пакет
STATISTICA Neural Networks.
3. Агент-орієнтовані моделі (АОМ) є
новим засобом для придбання знань.
Кінцева мета АОМ – відстеження впливу
флуктуацій агентів на основі обчислення
рівноваги або псевдорівноваги досліджу-
ваної системи, яка складається з безлічі
конкретних агентів.
Інтернет-журнали:
Journal of Artificial Societies and Social Simulation –
http://jasss.soc.surrey.ac.uk/
Искусственные общества – http://www.artsoc.ru/
Для побудови АОМ можна використовувати
різноманітні прикладні пакети.
4. Специфікація задачі розробки
гібриду АОМ передбачає по-
будову штучного суспільства,
в якому взаємодіють такі три
групи агентів:
v А1 – автори ДК,
v А2 – тьютори, що супроводжують навчальний
процес у віртуальному середовищі ВНЗ,
v А3 – студенти, учасники ДК.
Оцінювання знань агентами ДН відбувається
за результатами (кількість агентів, що спожи-
ли знання) кількості кліків учасників ДК.
5. Основні припущення моделі:
ž з точки зору прийняття рішень, агенти
рухаються у двовимірному просторі,
мають кінцевий горизонт бачення;
ž будь-які агенти з’являються у віртуально-
му середовищі випадковим чином, з різними
ймовірностями, мають кінцевий термін життя;
ž мета автора ДК – виробити якомога
більше знань і передати їх тьютору, метою
тьютора є поширити знання серед якомога
більшого числа студентів, а мета студентів –
спожити якомога більше знань.
6.
7.
8. Діаграма сукупного досвіду для груп агентів
Умовні позначення: – шкала представлення студентів;
– шкала представлення авторів ДК; Вісь X – час перебування у Веб-центрі ЛКА;
– шкала представлення тьюторів; Вісь Y – величина сумарного досвіду.
9. Діаграма продукування знань агентами 1-ої групи
Умовні позначення: Вісь X – час перебування у Веб-центрі ЛКА;
– шкала представлення авторів ДК; Вісь Y – кількість продукованих знань.
10. Розглянемо:
q методологічні підходи до побудови
гібридної АОМ оцінки знань у сфері
дистанційного навчання з використанням
нейронних мереж, одного з напрямів
штучного інтелекту;
q результати досліджень програмного
забезпечення для реалізації гібридної
АОМ: AnyLogic та STATISTICA Neural
Networks.
11. А1 -
А2 - А3 -
Нейронні мережі
…
.
.
.
…
Загальна схема гібриду моделі
12. Для побудови нейронних мереж були
використані дані, які характеризують
активність добування знань агентами.
Через кількість записів (кліків), опублікованих
у журналі подій системи Moodle, можна прово-
дити річний моніторинг (упродовж 12 останніх
місяців), зокрема таких дій агентів ДН:
перегляд, оновлення, додавання, видалення
ресурсів і завдань.
В нашому дослідженні використовуються 4-
місячні дані, що характеризують 117 000 дій
понад 500 агентів, серед яких близько 10%
становлять автори ДК, приблизно 20% –
тьютори, решта – студенти.
13. Етапи побудови та застосування
нейронних мереж
Вибір типу мережі Навчання мережі Застосування
Відповідь
Налашту-
вання ваг
мережі
Навчена мережа
База
даних Дані
14. Архітектури мереж, які запропоновані
Майстром рішень STATISTICA Neural Networks:
багатошарові персептрони
Profile : MLP s6 1:6-2-1:1 , Index = 14 Profile : MLP s6 1:6-3-1:1 , Index = 15
T rain Perf. = 0,615074 , Select Perf. = 0,671297 , T est Perf. = 0,594293 T rain Perf. = 0,851079 , Select Perf. = 0,738380 , T est Perf. = 0,842528
15. Перелічимо призначення нейронних мереж
для створюваного гібриду АОМ:
vНейронна мережа №1 – визначає рівень
активності кожного з учасників е-навчання
першої групи, оцінюючи корисність знання,
що виробляється і поширюється.
vНейронна мережа №2 – визначає рівень
активності кожного з учасників е-навчання
другої групи, оцінюючи корисність знання,
що виробляється і поширюється.
vНейронна мережа №3 – визначає рівень
активності кожного з учасників е-навчання
третьої групи, оцінюючи корисність знання,
що виробляється і поширюється.
17. Дія при виході передбачає три випадки:
1. Під час зустрічі двох авторів ДК в обох
відбувається приріст знань пропорційно
знанню співрозмовника.
2. При зустрічі з тьютором у автора курсу
приросту знань не відбувається, а відбу-
вається приріст показника, який характе-
ризує передачу знань. У тьютора відбува-
ється приріст знань пропорційно кількості
знань автора ДК.
3. Під час зустрічі зі студентом у автора
відбувається приріст (істотно менше, ніж
при зустрічі з тьютором) переданих знань,
а у студента - приріст спожитих знань.
21. Висновки (1):
Агент-орієнтоване моделювання та штучні
нейронні мережі можна розглядати як ефек-
тивні засоби для проведення досліджень у
сфері виробництва і розповсюдження знань
учасниками дистанційного (електронного)
навчання.
22. Висновки (2):
Експерименти з прототипом гібридної АОМ
вказують на можливі напрями її практичного
застосування 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 термін
їхнього життя;
23. Висновки (2):
ü такої раціональної структури груп учасників
е-навчання, при якій кількість виробленого і
розповсюдженого знання прагне до
максимального значення;
ü потреб щодо перепроектування дистанційних
курсів і поліпшення їх якості на засадах
адаптивних механізмів взаємодії ключових
агентів е-навчання, серед яких важливу роль
відіграють чати, вебінари, тематичні дискусії
тощо.
24. Висновки (3):
Надалі ми маємо намір продовжити дослід-
ження шляхів ефективного використання
пакетів AnyLogic та STATISTICA Neural
Networks для розроблення та практичного
застосування аналізованого гібриду АОМ
оцінювання знань учасниками дистанційного
навчання.