摘  要： 移動學習是遠程教育新的發展階段，對于滿足人們的學習要求、平衡教育資源、構建學習型社會都有很大的幫助。但傳統的遠程教學模式將學生和教師分離為單獨個體，忽略了“教”與“學”之間的交互性和“學”應該具有的主動性。為了更好地提高學生學習的興趣和積極性，提出了一種新的移動學習教學模式，增加“學－教角色轉化Agent群”，通過測試Agent，采用FCM的模糊推理，分析學生Agent的認知水平，結合知識表示模型，實現自動篩選合格學生和自動角色轉化機制。
關鍵詞： multi-Agent；移動學習；角色互換；FCM

    大量移動終端、手機新功能的閃亮登場，以及移動互聯網用戶群體的出現，成就了移動學習時代的到來。學習者通過無線網絡可以隨時隨地地實現在線與離線學習，網絡教學系統能夠根據學生的個體情況和知識結構來確定和調整教學策略。但其本身仍存在一些問題，例如系統缺乏適應性，不能夠根據學生的認知水平而采取相應的教學手段和策略，難以實現因材施教；隨著學生數量的增加，網絡教學過程中經常出現教師輔導不到位、反饋不及時等問題[1]。
    針對現代遠程教育存在的各種問題，多人提出了基于多Agent的新的遠程教育模型框架[2-5]，比較集中的框架模式為B/A/S 3層結構模式，如圖1所示。
    采用智能代理的網絡教學平臺，學生可以通過其學習代理與老師進行聯系，圍繞教學重點進行交流，進而形成有效的控制機制。借助這個平臺，學習代理可以根據學習者的需要，到有關資源站點查找和搜集與當前學習內容相關聯的資料，處理日常學習事務，也可以方便教師教學和管理工作，并且保證數據的安全可靠，形成相對封閉的教學通道。
    由圖1可以看到，此模型框架在應用性、靈活性等方面都已經達到很高的程度，但是中間代理層的設置仍然存在一些問題。例如教師和學生仍然是兩個分離的個體，并沒有脫離傳統的教與學的課堂教學模式，教師和學生交互活動極少，學生很難積極主動地參與到教學過程中來。

    為了解決上述問題，本文提出了一種新的基于FCM模糊推理的多Agent移動學習教學模式。
1 模糊認知圖
    模糊認知圖FCM(Fuzzy Cognitive Maps)是模糊邏輯和神經網絡相結合的產物。作為一種軟計算方法，它也是知識的一種圖解表示，由節點和弧組成。如圖2所示，弧表示實體和概念間的因果關系，節點可以是實體和概念等。每個節點都具有其節點狀態值,刻畫了FCM環境中物元的屬性;從組織結構上看，FCM是面向對象的單層帶反饋的神經網絡。它可以支持專家先驗知識以及因果關系的表示與推理，知識蘊涵在概念節點及概念節點間的關系中。它通過概念間的關系來模擬模糊推理，通過整個圖中各概念節點的相互作用來模擬系統的動態行為[6]。在本文中,采用模糊認知圖的方式分析學習者的認知水平，更好地跟蹤學生的學習狀況、改善教學效果。

    圖4為Agent群內部構成圖，該Agent群主要包括成績測試Agent、素質測試Agent和綜合測試Agent。當3個Agent得到結果W14、W24、W34滿足一定的標準時，就會觸發綜合Agent，將通過此次測試的學生名單寫入數據庫，同時為對應學生分配一個教師權限賬戶，進行角色轉換。教師可以隨時查閱“綜合Agent”得到的信息，更全面地了解學生，從而制定相應的教學方案，更好地因材施教。

    引入角色轉換Agent群，進而選擇合格學生，其好處在于：
    (1)作為學生，他們更容易知道其他同學的問題所在；同時可以刺激學生學習的積極性。
    (2)在此過程中，教師將會有更多空余的時間來搜集資料，研究教學和其他問題。
    (3)學生在線時間可能更充裕，面對面交流的可能性更大，擴大了“在線教師”的人數。
    (4)學生可以進行備課，發布新資料。假如教師覺得資料可用，可將其收藏至資料庫，減少教師收集資料的工作量，同時集思廣益，達到更好地促進教學的目的。
2.2 Agent模塊實現
    在該模型中，需要設計的Agent模塊主要包括：教師Agent模塊、教學資源Agent模塊、教師授課Agent模塊、學生Agent模塊、學生學習情況Agent模塊等，在此，以學生學習情況Agent模塊為例，介紹其主要代碼實現。
    if ms(〝answer〞)=request.form(〝choose〞) then
    //回答正確,同時顯示下一問題
    Else
        ms.close
        set ms=nothing
        set cone=server.createobject(″mydate.recordset″)
        mysql=″select * from studentinfo where studentname
=′″&session(″studentname″)&″′
        conn, openhe, ″dsn=exam″,1,3
        conn(″errors″)=session(″my_knowledge″)
        conn(″study_difficulty″)=session(″study_difficulty″)
        conn.update
        session(″record_num″)=int(session(″record_num″))+1
        session(″study_difficulty[int(session(″lk″))]″)=
int(session(″study_difficulty[int(session(″lk″))]″))-1
3 申請測試

    在現有的移動學習模型中增加“角色轉換Agent群”，對現有的整體系統影響較小，并且比較容易實現。其主要實現的功能為：當某學生對某一知識的學習達到一定程度，就可以進行綜合測試（成績測試、素質測試、心理測試等），而這些試題是由試題測試庫隨機生成的；若通過該綜合測試，此學生的信息就會被添加入對應的數據庫中，同時轉換為“教師”角色；然后履行“教師”職責，搜集資料、備課，申請測試的整個框架模式如圖5所示。

    本文針對現代遠程教學模型中存在的問題，在現有的模型中添加一個新的角色轉換模塊，目的是提高學生學習的主動性、積極性和學習興趣，最終提高教學的質量。為了更好地分析學生的學習狀況，采用模糊認知圖的方式分析學生的認知水平，更好地跟蹤學生的學習狀況，改善教學效果，從而對整個教學改革和素質教育的實施起到積極的推動作用。
參考文獻
[1] 北京師范大學繼續教育與教師培訓學院，北京師范大學遠程教育中心.遠程教育學生指導手冊[M].北京：北京師范大學出版社，2005.
[2] 陸淑娟．Multi-Agent技術在網絡教學中的研究與應用[D]．南京：南京工業大學，2004.
[3] 楊紅穎，王向陽，趙紅．一種基于多Agent的遠程教學模型框架[J].中國遠程教育，2005(2)：65-67.
[4] Web-based Education Commission.The power of the Internet for learning[M].Washington，DC：U.S.Department of Education，2000.
[5] 劉大有，楊鯤，陳建中．Agent研究現狀與發展趨勢[J].軟件學報，2000，11(3)：315-321.
[6] 林春梅.模糊認知圖模型方法及其應用研究[D].上海：東華大學，2006.
[7] 何炎祥，陳莘萌.Agent和多Agent系統的設計與應用[M]. 武漢：武漢大學出版社，2001.
[8] 董紅斌，孫羽.多Agent系統的現狀與進展[J].計算機應用研究，2001(1)：54-56.
[9] 肖基毅，陳堅禎，朱常春.基于Agent的協同遠程教學模型[J].微機發展，2002(2)：94-96.
[10] CHAO L.Deployment of mobile learning course materials to android powered mobile devices[J].International Journal of Distance Education Technologies，2012(10)：1-16.