導入智慧型代理人於適性化學習之研究

(1)

導入智慧型代理人於適性化學習之研究

張儀興呂宗益

南台科技大學資訊管理所

[email protected] [email protected]

摘要

在本論文提出一個以智慧型代理人為基礎之適性化學習架構。主要設計概念是利用學習者的學習歷程檔與測驗歷程檔來達到適性化的學習。此適性化學習主要包含適性化課程及測驗和個人化課程及測驗。適性化課程及測驗是透過智慧型代理人依學習者學習進度及程度所規畫出最佳學習路徑的；後者藉由智慧型代理人分析學習者的，以找出造成學習者成效不彰之原故，以提供的個人化教材及測驗，以彌補學習者局部弱點。本研究設計方式具有下列特色：透過代理人深入分析學習者局部弱點，有效提升學習者學習成效；藉由智慧型代理人，減輕教學者花費製作數位教材及了解學習者學習況狀之時間；教學者透過代理人分析學習成效資訊，產生、修改學習元件與學習路徑。關鍵詞：智慧型代理人、適性化教材、學習歷程檔。

Abstract

In this paper, an adaptive learning architecture is proposed based on intelligent agents. The design concept is to use portfolio and test-portfolio for learners to achieve an adaptive learning. Intelligent agents will find an adaptive learning path for a learner according to the learner’s portfolio. In addition, intelligent agents will find the causes of inefficient learning for a user by analyzing the user’s portfolio and test-portfolio. The personalized courses and tests are then recommended to remedy the learning weakness for the user. The features of this architecture are: analyzing the causes of learning inefficiency to promote learners’ learning efficiency; spending less time in making teaching materials for teachers; and making new learning materials and modifying learners’ learning path for teachers.

Keywords: Intelligent agent, Adaptive learning, Portfolio, Test-Portfolio

1. 前言

隨著知識經濟時代的展開，全球化與數位化的潮流更加快速地衝擊著現代人生活的每一個面向，使得知識的價值更甚於其它有形資產，數位學習(E-Learning)由於結合了數位內容及知識管理，不但在正規教育中佔有非常重要的地位，在許多大企業用來作為員工教育訓練以提昇其競爭力，尤其在寬頻普及的時代裡，數位學習的方便為即時且不受時間、空間所限制更是其它教學方法所無法比擬。隨著數位學習被廣泛的使用，學生的學習成效分析也愈來愈被重視及研究。由於學生與老師在不同的時間、空間學習，學生的學習情緒很難被老師所掌控，因此如何提供更多學生實際學習歷程資料給老師是非常重要的。在網路學習的環境中，學習者會遭遇到學習者控制、迷失與認知負荷的問題，而這些問題在傳統教室的教學方法中，可藉由教學者適時的引導來降低與改善，但在虛擬的環境中，教學者無法如同實體上課般，透過面對面的方式來了解學習者的狀況並加以指導，也因此數位學習平台必須擔任起輔助的重要角色。因此本研究主要在於設計一套適性化學習系統，藉由此系統可分析出學習者學習成效、學習者局部弱點，並透過這套機制指引學習者的學習內容、進度，達到適性化學習目的。藉由這套機制幫助教師實施其教學策略，輔助學習者有效地學習，進而研發出學習的利器，學習者能擁有個人化的學習環境和循序漸進的學習流程，並能藉由反覆使用本計畫，進而提升整體的學習成效。具體而言，本研究目的包括： (1)深入分析學習者局部弱點，據此做為教學者製作個人化教材的依據。 (2)有效引導學習過程，減少學習者迷失與認知負荷的問題。 (3)透過多代理人的協助，減輕教學者花費製作數位教材時間。

2. 文獻探討

2.1 智慧型代理人 在[3] [6] [10] [13] [15]中定義代理人為軟體或硬體的一部份，它能夠感知、思考、行動、通訊，並且能夠扮演著使用者角色來完成任務。是一個可被分派工作的程式，此電腦程式在某種程度的行為上可以比擬人類，以完成使用者指定的某項工作，其具有如下幾個特性[8][9][15]，自主性(Autonomy) 、反應性(Reactivity)、積極性(Proactiveness)、社會能力(Socialability)以及誠實性(Veracity)等，和傳統

(2)

軟體不同之處，在於他們是個人化（personalized）、自動(autonomous)、需求導向(proactive)、連續執行(continuously running)以及可調適的(adaptive)。從上述學者綜合定義可了解，智慧型代理人是一個能主動完成使用者指派工作的電腦程式。並能依現在或學習而來的知識來自動完成其任務。在「多代理人系統(Multi Agent System; MAS)」，每一個代理人都有其目標或是其試圖完成的任務。同樣的，該系統也有其整體目標，在多代理人系統中的每一個代理人都將其自身擁有的能力貢獻給環境，以成就系統的整體目標。 2.2 學習歷程檔 1980 年代末期，學習歷程檔才開始正式且有系統地被應用在教育的領域上。「學習歷程檔案」一詞在學校中的最早應用，是從學生的作文檔案開始，後來在[12]的研究中提到「學習歷程檔案」應用在數學、特殊教育、及藝術等不同學科上。[14]指出學習歷程檔案是一種過程與結果的結合，是省思、選擇、合理化、及評鑑的過程，及與這些過程所產生成果的一種結合。[2] [5] [11] [14] [16]將學習歷程檔案應用在數位學習平台，其內容包括有瀏覽的網頁、瀏覽的次數、瀏覽的時間以及學習進度等。綜合上述學者觀點，學習歷程檔定義為：學習者在學習階段所有學習記錄，其目的地在於讓學習者能藉由學習歷程自我省思、改進與觀摩他人學習歷程，並能從個人學習歷程內記錄的所有資料，提供給教學者或家長了解學習者的學習進度與成效。學習平台也能加以分析學習者學習歷程，進而達成回饋功能。 2.3 測驗歷程檔 傳統學習總是依學生成績作為學習成效指標的分類方式，而近年來紙筆測驗為主的傳統評量備受質疑與批評，主要的評論議題為：傳統評量偏重總結性評量[1]。因此學者紛紛提出學習歷程檔案來彌補這個缺失，學習歷程檔案是有目的、有組織地搜集學習者在學習過程或成果的相關資料，亦可以展現教學內容對於學生的適應性，進而增進教、學互相了解教學成效，並適時修正[2]。從許多的文獻中發現傳統測驗與學習歷程檔皆僅能讓教學者了解學習者的整體學習成效及學習過程，而無法有效深入分析出造成學習成效不彰之局部弱點之原因。。本研究提出測驗歷程檔案目的在於： (1)搜集每次測驗結果，據此結果分析出學習成效； (2)有效分析造成學習成效彰之局部弱點； (3)做為製作個人化課程依據之一。

3.適性化學習系統

在現今的適性化學習系統中，除了依照個人的學習程度及狀況來給予適當的教材，並加入教材導引的機制來提升學習意願與學習效果。這樣的學習系統所提供的課程僅能依學習者的程度提供課程，而無法針對學習者學習成效不彰之弱點，提供相關課程以彌補學習者，進而影響到學習的成效。因此本研究學習系統設計四個代理人來改善過去適性化學習系統的課程。適性化學習系統架構如圖 1所示，系統運作流程說明如下：步驟一：學習者透過Internet登入適性化學習系統時，使用者代理人自動讀取學習者個人資訊。步驟二：學習代理人透過使用者代理人傳遞個人資訊立即至系統資料庫選擇適合學習者學習的適性化課程。步驟三：透過使用者代理人常駐於此系統中，因此可完整記錄學習者學習歷程及測驗歷程。步驟四：資料挖掘代理人在固定時間即利用學習歷程檔案與測驗歷程檔案分析學習者之學習成效。步驟五：資料挖掘代理人將分析結果傳遞給回饋代理人。並回傳給學習代理人以更改學習者進度及程度。步驟六：回饋代理人收到此結果後，將在學習元件資料庫查詢能彌補學習成效不彰之課程，進而完成個人化課程。步驆七：當回饋代理人無法在資料庫找尋到相關課程，將所需的課程資訊告之教學者。步驟八：當學習者點選其他教材時，將重覆進行步驟二至步驟七。 圖 1 適性化學習系統架構圖 3.1智慧型代理人 本研究智慧型代理人設計包含使用者代理人、學習代理人、資料挖掘代理人及回饋代理人，依此四個代理人建構適性化學習系統，其各個代理人的功能與職責設計如表 1 所示。 表 1 代理人的功能與職責 代理人名稱功能使用者代理人 1.蒐集學習者的學習歷程檔。 2.經學習代理人告知學習者所

(3)

發佈文章有被回應時，將通知學習者，進而減少搜尋文章的次數與時間。 3.當文章有新的回應則會通知這個問題的提問者及曾回應過此問題的使用者有新的回應產生。學習代理人 1. 找出適合學習者的學習路徑，進而在系統中引導學習者學習過程。 2.依學習者程度幫學習者過濾教材資源，以達適性化教材。 3.此代理人負責監控是否有新的知識文章產生、新的問題被提出。當有新的知識文件產生、新的問題被提出則會通知使用者代理人 4. 協助學習者找出對學習有幫助的文章及依學習者對文章的喜好，告之學習者有新的文章產生或回復。資料挖掘代理人 1.依學習歷程檔及測驗歷程檔資料，分析出學習者學習弱點資訊。 2.透過學習歷程檔，分析學習者對教材的偏好程度。回饋代理人 1.經資料挖掘代理人所分析出學習弱點後，進而回饋個人化教材。 2.系統的教材已無法彌補學習者學習弱點時，回饋代理人將通知教學者來擴充教材資源。各代理人及代理人間之關係詳細說明如下： 3.1.1 使用者代理人 使用者代理人負責記錄及更新學習者學習資訊，並傳送學習者的進度和程度，讓學習代理人找出適性化教材，更將此資訊存入資料庫以利資料挖掘代理人找出學習者所需的課程。此代理人負責與學習者溝通，當學習者感興趣的討論文章有新的回覆時，能及時傳送訊息告之學習者。使用者代理人運作流程如圖2所示，其演算法說明如下： Algorithm 使用者代理人： Input： 1.學習者登入訊息 2.學習者個人資訊 Output： 1.呼叫學習代理人訊息 2.呼叫資料挖掘代理人訊息 3.學習者學習歷程檔與測驗歷程檔資料。步驟一：學習者登入系統時，使用者代理人自動去抓取學習者個人相關資訊，並常駐於線上學習，以確保完整記錄學習者之學習歷程與測驗歷程。步驟二：使用者代理人將傳遞學習者個人資訊給學習代理人，以確保之後能提供適性化教材。步驟三：常駐於線上學習的使用者代理人，將於固定時間把學習者學習歷程與測驗歷程寫入測驗歷程檔案資料庫與學習歷程檔案資料庫。步驟四：使用者代理人將學習歷程與測驗歷程分別存入資料庫後，即呼叫資料挖掘代理人在固定的時間去分析學習成效。使學習者不會因為局部學習成效不彰而放棄學習。 圖 2 使用者代理人運作流程 3.1.2 學習代理人 在過去的文獻指出，此代理人有輔助教學網站上教學者的功能及特性，當學習者進入系統後，系統應指引最佳的學習路徑。而本研究將此代理人運用在提供學習者適性程度的課程，以增加學習成效，並藉由過去的學習路徑，提供學習者最佳學習路徑，以縮短學習時間。學習代理人主要提供「適性化課程」、「學習指引」與「知識管理活動」。學習代理人運作流程如圖3所示，其演算法說明如下： Algorithm 學習代理人： Input： 1.使用者代理人呼叫訊息 2.使用者代理人傳送學習者個人資訊 3.學習教材元件 4.學習者於討論區發表文章 Output： 1.適性化課程與適性化測驗 2.學習指引路徑 3.If 學習者發表文章於一週內已被回覆 Then 呼叫使用者代理人訊息 Else 告之教學者並呼叫使用者代理人訊息

(4)

Case1：適性化課程：步驟一：使用者代理人將傳遞學習者個人資訊給學習代理人。步驟二：學習代理人據此資訊至學習資料庫抓取適性化課程元件。 Case2：學習指引：步驟一：使用者代理人將傳遞學習者個人資訊給學習代理人。步驟二：學習代理人據此資訊至學習路徑資料庫中，進行判斷此資料庫中是否有與學習者類似相同。此資料庫內資料已經是經由教學者篩選過學習成效優秀的資料。故學習代理人有找到相符資料，將節省判斷的時間。步驟三：學習代理人主動過濾教材內容。 Case3：知識管理活動：步驟一：學習代理人在接受學習者個人資訊時，也同時至討論區判斷學習者過去所發表的文章是否有其他學習者回覆。當有學習者回覆時則進行步驟四，反之則進行步驟二至步驟四。步驟二：學習代理人根據學習者發表文章之關鍵字，至網路搜尋相關資料或將此問題尋問其他學習者。步驟三：當學習代理人搜尋到相關資料時，則主動回覆搜尋方式。步驟四：學習代理人透過常駐於線上學習之使用者代理人，在學習者閱讀教材時通知學習者文章已被回覆。 圖 3 學習代理人運作流程 3.1.3 資料挖掘代理人 透過使用者代理人所搜集學習者的學習歷程檔與測驗歷程檔，本研究所設計的資料挖掘代理人利用Apriori演算法來挖掘使用者閱讀教材資訊及測驗結果，深入找出學習者學習不佳的真正原因，以提供個人化課程彌補此因素，進而提升學習成效。此代理人並將最後分析出學習成效傳給學習代理人，以更新學習者程度。資料挖掘代理人運作流程如圖4所示，其演算法說明如下： Algorithm 資料挖掘代理人： Input： 1.使用者代理人呼叫訊息 2.學習者學習歷程檔資料與測驗歷程檔資料 Output： IF 測驗分數>教學者設定的門檻分數 Then 產生學習成效 Else 1.產生學習成效 2.分析學習者學習成效不彰之原因 3.產生學習者局部弱點資訊 4.呼叫回饋代理人訊息 圖 4 資料挖掘代理人運作流程 步驟一：接收使用者代理人呼叫訊息後，資料挖掘代理人將對學習者進行分析。步驟二：資料挖掘代理人對於學習歷程檔案與測驗歷程檔案做分析，分析結果為學習成效及造成學習成效不彰之局部弱點。步驟三：資料挖掘代理人將學習成效傳遞給使用者代理人，並供學習者自行參考此資訊。步驟四：資料挖掘代理人則將局部弱點傳遞給回饋代理人，做為之後個人化課程參考依據。 3.1.4 回饋代理人 回饋代理人提供個人化課程給學習者，此課程透過資料挖掘代理人所挖掘出學習者在學習過程中，造成往後學習成效不佳的學習關念，回饋代理人依此資訊至學習元件資料庫搜尋相關課程，以回饋學習者。並在傳統數位學習系統，教學者需透過系統功能查詢學習者學習成效，而此代理人將自動傳送學習者學習成效至教學者的電子郵件，讓教學者了解學習者的學習情況。回饋代理人運作流程如圖5所示，其演算法說明如下： Algorithm 回饋代理人： Input： 1.資料挖掘代理人呼叫訊息 2.學習局部弱點分析 3.學習教材元件 Output： 1.個人化教材

(5)

2.傳送學習者學習資訊給教學者 3.要求教學者增加學習元件步驟一：接收資料挖掘代理人傳遞訊息後，回饋代理人將對學習者進行回饋。步驟二：依資料挖掘代理人所傳遞訊息做判斷依據至學習元件資料庫進行搜尋個人化課程，進而製作個人化課程。步驟三：當回饋代理人無法於學習資料庫搜尋到相關資料，將傳送訊息給教學者。步驟四：回饋代理人也將學習者局部弱點告知教學者，使教學者透過此資訊能修改教學策略、課程。 圖 5 回饋代理人運作流程 3.2 系統設計 本節將說明適性化教材及系統資料庫設計二部份。 3.2.1 適性化教材 本研究所設計出的適性化教材包含適性化課程、適性化測驗、個人化課程及個人化測驗四部份，其說明如下： (1)適性化課程及適性化測驗：適性化課程及測驗是依學習者學習能力的不同，提供對應程度的課程，以減輕學習困惑之因素。學習代理人所提供適性化課程及測驗，是依學習者前測後所得到學習者程度，經由使用者代理人將此資訊傳送給學習者代理人，學習者代理人從學習資料庫中教材元件與測驗元件挑選經由教學者設計教材程度。適性化課程及測驗產生過程如圖6所示： 圖 6 適性化課程及測驗產生過程 (2)個人化課程與測驗：個人化教材與測驗是為了有效補救學習者某個觀念，而提供此學習教材，以增進學習成效。回饋代理人提供個人化教材與測驗，是根據資料挖掘代理人分析學習者學習歷程檔與測驗歷程檔的結果，回饋代理人透過此分析資訊做為個人化課程的依據，再從教材資料庫挑選課程元件。個人化課程及測驗產生過程如圖 7 所示： 圖 7 個人化課程及測驗產生過程 3.2.2 系統資料庫 適性化教材平台資料庫包含學習元件、學習歷程檔、測驗歷程檔、學習路徑四個部份。本研究主要探討學習歷程檔及測驗歷程檔的設計，故其他二個資料庫的設計將不深入討論。 (1)學習歷程檔資料庫：完整的記錄學習者學習過程，讓學習者依此資訊自我省思、改進，以提昇學習成效，並提供學習証據給教學者。重要資料設計如表 2 所示： 表 2 學習歷程檔資料庫 重要記錄資料功能描述個人化資料記錄學習者程度、教材偏好、已閱讀過的課程資訊。瀏覽教材時間提供教材閱讀時間，令教學者判斷是否重新規畫教材。瀏覽教材路徑記錄學習者學習路徑，以利教學者找出最佳學習路徑。瀏覽文章次數找出學習者對文章偏好程度，以利於提供新知識給學習者。 (2)測驗歷程檔資料庫：為了改進學習歷程無法更進一步分析學習者局部弱點。代理人可分析此資料庫與學習歷程檔資料庫，將能深入了解學習者該加強學習的局部弱點課程為何。重要資料設計如表 3 所示： 表 3 測驗歷程檔資料庫 重要記錄資料功能描述測驗題目了解學習者錯誤測驗的題目。測驗分數記錄記錄學習者對於課程章節的了

(6)

解程度。錯誤關念記錄找出學習者局部弱點，來判斷學習者需再加強那些部份。 3.3 系統特色 本系統依據智慧型代理人與知識管理製作出線上學習系統將具有下列三項特色，其詳細說明如下： (1)深入分析學習者局部弱點，有效提升學習者學習成效：智慧型代理人依據學習者學習歷程檔與測驗歷程檔資訊分析學習成效資訊，依據此資訊將可提供學習者個人化課程。此課程與一般學習系統根據學習者程度所提供的課程，最大差異是此課程依深入分析學習者局部弱點資訊所產生。 (2)藉由智慧型代理人，減輕教學者花費製作數位教材及了解學習者學習況狀之時間：透過智慧型代理人技術，智慧型代理人將自動至系統資料庫搜尋有助於學習者學習的課程，當代理人搜尋不到適當的課程時，將傳送資訊給教學者，教學者只需依此資訊製作數位學習內容，而減少教學者製作數位內容的時間及次數。並且智慧型代理人分析出學習者成效時，將自動傳此資訊給教學者，以減少教學者查詢學習者學習成效時間。 (3)教學者只需透過代理人分析學習成效資訊，產生、修改學習元件與學習路徑：代理人藉由學習者學習歷程檔與測驗歷程檔資料加以分析，分析資料將產生系統需改善的課程與新的教材、測驗，教學者最後依此判所代理人所分析出的教材內容與測驗內容是否能幫助學習者。再透過系統管理功能將此內容加入資料庫內。

4.結論與未來展望

適性化學習系統在於有效改良傳統的教學系統所回饋的學習者課程，其僅能依學習者的程度提供課程，並且教學者需要資訊科技的相關知識，才能製作教材。本系統除了依學習者的程度及狀況提供學習教材外，更利用智慧型代理人分析學習者學習歷程檔與測驗歷程檔。其分析出學習者學習局部弱點，將此弱點編製成課程。並透過智慧型代理人的技術，有效的減輕教學者製作教材的時間與輔助學習者學習歷程。未來展望如下列二點所述： (1)資料挖掘時間、成效：本研究使用Apriori演算法挖掘學習者所需加強課程。但Apriori需多次的去資料庫存取資料，將造成時間上的浪費，並產生不必要的項目集合。未來如能使用更有效率的資料挖掘演算法取代Apriori，必定能提升學習者學習成效。 (2)智慧型代理人自動回復學習者發表文章：學習者欲透過討論區了解課程內容時，若智慧型代理人能自動至網際網路搜尋資料，以回復學習者問題，必能提昇學習成效及縮短學習者學習時間。

5.致謝

本研究由國科會計畫NSC 95-2520-S-218-002 補助支持，特此致謝。

6.參考文獻

[1]李建億、孫瀅琇，＂以強勢智慧分派任務的網路學習歷程檔案評量機制對學習成果與學習行為影響之研究＂，台南師範學院碩士論文，2004。 [2]張基成、童宜慧，＂網路化學習歷程檔案系統之建構與評鑑＿一個電子化的真實性學習評量工具＂，遠距教育， pp.78-90，2000。 [3]張儀興、楊景隆，＂導入習慣領域學說及智慧型代理人於知識管理系統之研究＂，NCS2005， pp.73，12月，2005。 [4]陳年興、林政斌，＂線上學習代理人之分析與設計＂，中山大學碩士論文，2001。 [5]陳年興、蔡旻芳，“網路學習之學習歷程分析系統＂，TANET 2001 & ELCPE 2001，pp.231-236，十月，2001。

[6]楊錦潭、吳莉欽，＂智慧型代理人在教育上的應用＂，資訊與教育雜誌，pp.81-96，6 月，2002。 [7]楊錦潭、林錦泓、伍石能，＂智慧型代理人之課程

物件順序推薦 An Agent-Based Recommender System for Course Sequences＂，GCCCE 2002，2002。 [8]Castelfranchi, C., "Guarantees for Autonomy in

Cognitive Agent Architecture," In M. Wooldridge and N.R. Jennings, Ed., Intelligent Agents: Theories, Architectures, and Languages, Springer, pp. 56-70, 1995。

[9]Genesereth, M.R.& Ketchpel, S.P., "Software Agents," Communications of the ACM, pp. 48-53, 1994。 [10]Huhns M. N. & Singh M. P., "Readings in

Agents," MorganKaufmann, CA, 1998。

[11]Jun-Ming Su, Shian-Shyong Tseng, Wei Wang and Jui-Feng Weng, Jin Tan David Yang, Wen-Nung Tsai, “Learning Portfolio Analysis and Mining for SCORM Compliant Environment,＂ Educational Technology & Society, pp. 262-275, 2006。 [12]Knight, P., “How I use portfolios in mathematics,＂

Educational Leadership, 71-72, 1992。

[13]Nwana, H., “Software Agents: An Overview,＂ Knowledge Engineering Re-view, 1996。

[14]Winsor, P., & Elefson, B., “Professional portfolios in teacher education:An exploration of their value and potential.,＂ The Teacher Educator,,pp.68-91, 1995。

[15]Wooldridge, M. & Jennings, N.R., "Intelligent Agents: Theory and Practice," Knowledge Engineering Review, pp.115-152, 1995。

[16]Yasuhiko Morimoto, Maomi Ueno, Nobuyoshi Yonezawa, Setsuo Yokoyama, Youzou Miyadera, “A Meta-Language for Portfolio Assessment“, ICALT2004, pp 46-50, 2004。