□ 潘 芳 仲偉俊

E-Learning協(xié)作學習中的分組問題研究

□ 潘 芳 仲偉俊

本文針對E-Learning協(xié)作學習中典型的分組問題展開研究，采用Multi-Agent的技術方法，根據(jù)某大學“教學在線”的實際應用背景，構造分組Agent結構。通過減少參與者人為干涉系統(tǒng)行為、網(wǎng)絡控制及通信量，直接提高學習的效率，改善交互質(zhì)量，從而最大程度地降低因分組決策錯誤而造成的資源浪費和經(jīng)濟損失，達到改善教學系統(tǒng)知識交換、整合、沉淀、創(chuàng)新、增值等的環(huán)境、提高高校核心競爭力的目的。系統(tǒng)試運行的結果表明，該研究成果較好地解決了E-Learning遠程教育中協(xié)作學習的分組問題。

E-Learning；協(xié)作學習；分組；Multi-Agent

一、引言

許多國家都把大力發(fā)展科技和教育作為推動國家進步的重要策略，信息網(wǎng)絡已經(jīng)成為普及教育、提高國民素質(zhì)以達到終身教育計劃的重要手段。2011年美國培訓的總體支出同比增長了13個百分點，達到597億美元，比上一年多了8%[1]。在我國，教育部實施了“現(xiàn)代遠程教育工程資源建設基礎教育項目”[2]。作為高校信息化的重要組成部分，E-Learning包容了第二代與第三代遠程教育的理論基礎和應用技術，是學校文化積淀最直接的體現(xiàn)形式。小組形成是計算機支持的協(xié)作學習中一個重要的專題[3][4]。

二、E-Learning協(xié)作學習中分組問題的理論基礎

已有文獻表明[5]，協(xié)作學習相對于個別學習或競爭學習能取得更好的學習效果，E-Learning協(xié)作學習因其借助計算機技術，使得協(xié)作團隊中的人員充分發(fā)揮團隊精神、取長補短、相互扶持的過程更加便捷。在E-Learning協(xié)作學習機制中的首要問題就是分組。協(xié)作學習中的分組是學習效果分析的一項重要內(nèi)容。不同類型的參與者所需要的服務是不同的，如果對所有參與者都采用相同的服務策略，只能滿足部分參與者的需求，而其他參與者很難得到所需要的服務，這樣就造成了資源的巨大浪費。E-Learning知識庫的資源是有限的，要使服務資源發(fā)揮最大的作用，就需要通過分組來管理E-Learning知識庫，將E-Learning知識庫的操作者劃分成為不同的類型，然后針對不同類型操作者的特點制定并實施相應的服務策略。因此，所謂協(xié)作學習的分組，是指根據(jù)參與者的屬性，將所有參與者劃分為不同的類型，對他們進行分門別類的研究，制定相應的服務策略，合理分配服務資源，從而達到保持參與者、最大限度地提高參與者滿意度的目的。

國內(nèi)外與E-Learning協(xié)作學習分組相關的研究成果較為豐富，為本研究提供了重要的思路。但現(xiàn)有文獻更多是算法上的探討，缺乏針對高校信息化建設所特有的E-Learning協(xié)作學習分組的理論和實踐研究。EphratiE等[6]認為可以以降低系統(tǒng)性能為代價，利用一個控制方對全部Agent進行監(jiān)控，從而有效防止有的Agent為了自己的利益而偽造數(shù)據(jù)。ZlotkinG等[7]根據(jù)Shapley合作對策原理，為Agent分配各自的任務，也因此造成該算法的時間復雜度和空間復雜度相對較高。KetchpleS[8]給出了雙方拍賣算法，在一定程度上區(qū)分了不同角色在協(xié)作學習中的差異。羅翊等對EphratiE的算法進行了改進，變獎勵政策為補償，此補償不需要控制方，降低了計算復雜度。但是該算法未考慮到不同角色（Agent）對于協(xié)作的貢獻差異，這與實際情況是不相符的。在分組策略方面，KetchpleS認為，Multi-Agent系統(tǒng)中Agent的分組必須滿足如下要求：有效性、穩(wěn)定性、簡單性、分布性和對稱性[9]。羅翊等認為，在動態(tài)演化背景下的協(xié)作分組應考慮結果的全局最優(yōu)、穩(wěn)定性、計算簡單、分布合理、非減性以及實效性[10]。在應用方面，可借鑒的文獻有李湘清等將MultiAgent動態(tài)分組模型用于多無人機協(xié)同任務分配[11]，蔡瑋等研究了基于MultiAgent的無線傳感器網(wǎng)絡的分組優(yōu)化算法[12]。

在理論研究方面存在的其他問題有：①相關文獻大多基于Shapley提出的平等分組[13]方法，過于強調(diào)平等，忽視了在具體分組過程中各Agent行為的不同，沒有考慮到老師這個角色的控制和引導作用，導致整體效用增加時原小組成員的效用下降。②現(xiàn)有文獻較少系統(tǒng)地研究影響E-Learning協(xié)作分組的各個重要因素，分組結果不能很好地應對動態(tài)變化的外界環(huán)境及用戶各階段不同的學習需求。

在應用上，現(xiàn)有的E-Learning系統(tǒng)在處理分組時，大多將其默認為一個隨機過程，處理方法也偏重于運用統(tǒng)計學理論。在實際E-Learning系統(tǒng)中，雖然組別是已知的，但是分在各組的概率是未知的，如果使用諸如概率論等統(tǒng)計方法，顯然是不合適的。在E-Learning系統(tǒng)中的各方表達需求時有很大的彈性和不確定性，表現(xiàn)為分組時需求的粗糙性。信息的缺失造成了分組的障礙，因為要求使用的信息是完美的，這就不得不進行多次交互。E-Learning的特殊性又決定了其對網(wǎng)絡軟硬件平臺的依賴。這樣的多次交互必然加大通信量，使得網(wǎng)絡負荷增加。

除此之外，現(xiàn)有E-Learning系統(tǒng)的不足還主要集中在以下幾個方面：①不少支持協(xié)作學習的系統(tǒng)并未進行分組設計，僅把傳統(tǒng)課堂搬上網(wǎng)絡，學生在異地分課堂學習，而我們倡導的計算機支持下的協(xié)作學習更加強調(diào)學生之間的相互學習和協(xié)作。要求學生不僅可以自由交流，還能就一些試驗和設計事件進行分組協(xié)作，這就需要在系統(tǒng)中有一個公用平臺。在這個公用平臺上，來自不同終端的學生共同完成一個試驗或設計。②交流單一，以文本為主。在實際的學習系統(tǒng)中，用戶往往希望以視屏的方式進行及時、更好地溝通，現(xiàn)有的交流方式大大影響了E-Learning的實用性。③對共享信息的異地實時協(xié)作操作支持不夠。異地實時協(xié)作操作是指參與協(xié)作學習活動的學習者之間相互都能夠實時地感應到其他用戶的狀態(tài)和活動，支持不同用戶對同一空間的操作，且他們的操作都能夠通過網(wǎng)絡傳輸?shù)狡渌脩?，在其他用戶的界面上得以再現(xiàn)，從而實現(xiàn)一致性和協(xié)作性。

合適有效的分組需要系統(tǒng)具有很強的柔性，利用Agent思想可以最大限度地滿足參與者的教學或學習需求。Multi-Agent由多個Agent組成，各Agent間相互協(xié)作，并行處理，共同完成分組問題的求解。因此，通過智能分組設計解決學習群體性協(xié)作效率不高等現(xiàn)狀，是目前遠程教育亟待解決的問題之一，也正是本研究的重點。

三、基于Multi-Agent的E-Learning協(xié)作學習分組模式

本文引入Multi-Agent思想就是為了能夠保證E-Learning協(xié)作學習中代表各個模塊的Agent能在一起協(xié)調(diào)工作。E-Learning協(xié)作學習分組應用的框架設計如圖1所示，其中用戶Agent和任務Agent均可解釋成人機交互Agent。

圖1 E-Learning協(xié)作學習分組應用框架

在協(xié)作學習管理中，本文關注的是分組Agent。協(xié)作學習分組Agent的工作原理如下：

1.感知器觸發(fā)消息監(jiān)控器判斷通訊機檢查是否有信息支持Agent傳來的分組任務信號。

2.有信號傳來，則激活信息分組處理機，根據(jù)任務要求利用分組方法和規(guī)則，依次在學習目標數(shù)據(jù)庫、性格、風格、動機等數(shù)據(jù)庫、認知水平數(shù)據(jù)庫中挖掘所需要的知識。

3.分組結果生成器將挖掘出的內(nèi)容以規(guī)則、數(shù)據(jù)、網(wǎng)頁或其他形式提交給分組結果評價器。

4.分組結果評價器根據(jù)評價規(guī)則評判分組結果，評判通過的結果由感知器激發(fā)通訊機傳送給信息支持Agent；若評判未通過，則由感知器激發(fā)信息分組Agent重新按要求分組，或者通知信息搜索Agent按要求進行新的搜索。

學習機通過對用戶提供的請求或自動檢測到的其他樣本，如用戶常態(tài)的學習情況，擴充分組規(guī)則庫，同時用戶也可以通過學習機提供的知識管理器對分組方法庫、分組規(guī)則庫和評價規(guī)則庫進行缺失和離散性檢查，及時更新知識庫。

借鑒Agent在其他領域中的應用，協(xié)作學習分組Agent結構如圖2所示。

圖2 E-Learning協(xié)作學習分組Agent結構

本文將協(xié)作學習的分組Agent定義如下，由于篇幅限制，具體內(nèi)容從略。

定義分組Agent（Group-agent）為一個六元組：

Group-agent=（Perceptron,Processor,Re?sult-generator,Evaluation,Communicator,Adaline）

其中，Perceptron為感知器，對內(nèi)部變化和外部變化進行感知；Processor為信息分組處理機，將從信息源中獲得的數(shù)據(jù)與分組規(guī)則庫中的規(guī)則結構進行對比，利用分組方法庫中的方法（粗糙集、神經(jīng)網(wǎng)絡法、概率法等）進行分組處理；Result-generator為分組結果生成器，將Processor中的結果以各種方式進行存儲；Evaluation為分組結果評價器，根據(jù)評價規(guī)則內(nèi)置的評價算法對Result-generator的結果進行評估；Communicator為通訊機，當Perceptron被觸發(fā)時，完成信息的自動發(fā)送和接收。Adaline為學習機，發(fā)掘未知樣本，在獲得新知識時進行數(shù)據(jù)的準確性、一致性和完備性檢驗，并將該知識添加進知識庫。

在實際分組過程中，由于用戶自身認識不足、目標不夠明確、表達存在歧義等原因，使得信息分組器往往要根據(jù)用戶提供的少量信息，例如本文實測中的學習目標、性格、風格、動機、認知水平等進行分組。處置中通常伴隨噪音干擾，增強了信息的失真程度，使得傳受雙方信息收集不充分、信息認知受限制，從而導致信息是缺失的。在這樣一個信息不完備的情況下，需要充分兼顧到協(xié)作小組中各成員的因素，做出對各方都有利的決策是E-Learning協(xié)作學習分組的一個難點。不完全的信息不能滿足分組的需求，甚至導致錯誤的處置決策。故分組方法庫中結合了粗糙集理論和概率法，通過對訓練集的樣本數(shù)據(jù)的學習，盡可能從中得到事先未知的、隱藏于數(shù)據(jù)中的重要信息，然后直接或間接地擬合或逼近分組判別函數(shù)。同時，這樣的分組結果不是一成不變的，需要對分組過程做柔性化處理。在本研究中，廣泛探索了各種算法的性能和適用性，通過大量的試算比較，選擇基于粒子群優(yōu)化算法的強化學習算法訓練神經(jīng)網(wǎng)絡推理機，其優(yōu)點有：魯棒性良好，并行分布式，對目標函數(shù)要求較少，算法構造簡單，計算機資源占用較少等，并且為參數(shù)設計了獨立的學習方法，利用反饋信息對參數(shù)進行自動調(diào)節(jié)。整個參數(shù)調(diào)整過程是由計算機自動完成的，無需人工干預，并對外封裝；其內(nèi)部通過反饋學習，不斷積累知識和經(jīng)驗。具體算法構造及算例測試從略。

四、基于Multi-Agent的E-Learning協(xié)作學習分組應用

將本研究成果內(nèi)嵌到某大學“教學在線”系統(tǒng)中，以測試所設計的協(xié)作學習分組模式的效果。

1.系統(tǒng)建設的基本情況

采用J2EE標準作為程序設計規(guī)范，以三層體系結構為基礎開發(fā)，支持負載均衡及分布處理等網(wǎng)絡技術，從網(wǎng)絡的安全性、穩(wěn)定性及大規(guī)模支持上提供強有力的保證。涉及的開發(fā)平臺包括：管理類：Linux，實施答疑產(chǎn)品：Windows7；WEB發(fā)布平臺為：ApachewithTomcat/Resin；數(shù)據(jù)庫：Oracle。軟件的使用環(huán)境包括：① 服務器端：管理類：Linux(RedHat)/Unix/Windows，多媒體類：Win?dows7；②WEB發(fā)布平臺：管理類：Resin/Web?Sphere/Weblogic，多媒體類：MSIISwithService Pack2。

現(xiàn)階段該校的網(wǎng)絡節(jié)點有26000多個，校園網(wǎng)用戶6000多個，普及率高，基本上沒有信息盲點。實時在線人數(shù)超過2000人次，學校網(wǎng)絡出口信息流入量超過300兆，流出量200兆，網(wǎng)絡基礎設施較為完備。目前使用情況為：導入用戶21793人、教師用戶79位、精品課程5門。電子教參資源已與圖書館順利連接。

2.協(xié)作學習分組的設計

進入登錄頁面后，用戶可以對自己的信息進行設置和改動（如圖3），也可以對分組基礎信息進行設置（如圖4）。系統(tǒng)可以自動給出分組結果（如圖5）。如果對結果不很滿意仍可以對自己的需求進行修改和完善。確定分組后，用戶即可以在討論區(qū)中進入?yún)f(xié)作學習小組（如圖6和圖7）。

圖3 用戶信息的設置

圖4 分組信息的設置

圖5 用戶分組結果的顯示

圖6 進入?yún)f(xié)作學習小組

圖7 開始協(xié)作學習

為了了解協(xié)作學習的分組模塊效果，在全校用戶中進行了問卷調(diào)查，一共發(fā)放問卷2200份，回收有效問卷2080份，男生1160份，占總數(shù)的55.77%，女生920份，占總數(shù)的44.23%。本科生1476人，占總數(shù)的71.0%；碩士301人，占總數(shù)的14.5%；博士192人，占總數(shù)的9.2%；博士以上111人，占總數(shù)的5.3%。學生2048人，教師32人。問卷結果顯示，協(xié)作學習的分組模塊使用反饋良好，能夠減少人為干預，由計算機自主地解決分組問題，打破學生與教師的身份界限，打破本科生與研究生間的界限，打破學科與學科之間的界限。當然這種只獲得少量的關鍵性信息，在一定的風險下揣測使用者的意圖，肯定存在錯誤率，但是隨著不斷的學習和訓練，隨著知識在資源庫中的不斷積累，分組Agent作出的決策正確率將不斷提高，而人工的參與，給出的信息將會不斷減少。在增強系統(tǒng)的強壯性和減少服務器負擔中達到一個均衡。

五、小結及后續(xù)工作

本文結合理論性和應用性對E-Learning協(xié)作學習中的分組問題進行了研究。從宏觀出發(fā)，重視研究協(xié)作學習中分組問題，設計出分組策略，有利于做出積極有效的判斷，從而最大程度地降低因分組決策錯誤而造成的資源浪費和經(jīng)濟損失，在一定程度上更好地進行高校信息化建設，達到提高核心競爭力的目的；從微觀角度考慮，通過研究協(xié)作學習中的分組問題，可以發(fā)現(xiàn)E-Learning系統(tǒng)的欠缺之處和分組機制制定的不妥之處，有利于改善交互質(zhì)量，直接提高學習的效率。其理論模型已被收納到某大學“教學在線”的總體框架中。

E-Learning協(xié)作學習是一個復雜的命題，涉及很多內(nèi)容。本文僅對其中的分組問題進行了初步探討，需要進一步研究和改進，如協(xié)作學習中其他方面的智能化問題，通過協(xié)作學習的控制Agent、協(xié)作學習的評估Agent等的框架構造、算法研究及模型實現(xiàn)，以減少操作者人為干涉和網(wǎng)絡控制及通信量，做出積極有效的判斷，形成智能決策支持系統(tǒng)。

[1]江鳳娟，吳紅斌，吳峰.美國、韓國、中國臺灣地區(qū)企業(yè)e-learning的發(fā)展分析及啟示[J].中國遠程教育，2012，（9）：83-91.

[2]全國信息技術標準化技術委員會教育技術分技術委員會.基礎教育教學資源元數(shù)據(jù)規(guī)范[EB/OL].[2012-01-19].http://www.celt?sc.edu.cn.

[3]趙建華.計算機支持的協(xié)作學習[M].上海：上海教育出版社，2006：5-14.

[4]吳青，羅儒國.基于工作流技術的Web協(xié)作學習環(huán)境的構建研究[J].中國遠程教育，2012，（11）：84-88.

[5]劉博，趙建華.網(wǎng)絡支持的小組協(xié)作學習應用研究[J].中國電化教育，2012，（307）：16-20.

[6]EphratiE，RosenscheinJS．Divideandconquerinmulti-agent planning[C]．In：Proc.of1994NationalConferenceonArtificialIn?telligence．Seattle，US：AAAIPress，1994．375-380.

[7][9]ZlotkinG，RosenscheinJS．Coalitioncryptographyandstability：mechanismforcoalitionformationintaskorienteddomains[C]．In：Proc.of1994theAssociationfortheAdvancementofArtificialIntel?ligence．Seattle，US．1994．432-437.

[8]KetchpleS．Formingcoalitionsinthefaceofuncertainrewards[C]．In：Proc.of1994theAssociationfortheAdvancementofArtificialIn?telligence．Seattle，US：1994．414-419.

[10]羅翊，石純一.Agent協(xié)作求解中形成聯(lián)盟的行為策略[J].計算機學報，1997，20（11）：961-965.

[11]李湘清，孫秀霞，夏巖.MultiAgent動態(tài)分組模型用于多無人機協(xié)同任務分配[J].系統(tǒng)仿真學報，2010，22（5）：1266-1269.

[12]蔡瑋，陳志軍，馮新龍等.無線傳感器網(wǎng)絡中多移動代理分組優(yōu)化算法[J].系統(tǒng)仿真學報，2010，22（12）：2890-2894.

[13]XingweiHu，LloydS，Shapley．Onauthoritydistributionsinorgani?zations：equilibrium[J]．GamesandEconomicBehavior，2003，45：132-152.

仲偉俊，教授，博導，東南大學經(jīng)濟管理學院（210096）。

日新

G423

A

1009—458x（2014）01—0059—05

2013－09－15

潘芳，講師，博士后在站，東南大學經(jīng)濟管理學院（210096），南京中醫(yī)藥大學經(jīng)貿(mào)管理學院信管系（210046）。