طراحي و پياده سازي سامانه چند كارگزاره آموزشيار هوشمند مبتني بر شبكه بيز در محيط آموزش الكترونيكي

A Multi Agent Intelligent Tutoring System Based on Bayesian Network

سامانه¬هاي آموزشيار هوشمند به عنوان محيطي شخصي شده و مبتني بر توانمندي و ويژگي¬هاي يادگيري در نظام آموزش الكترونيكي، محيطي پيچيده، پويا و همراه با عدم قطعيت است. پايش اين محيط براي استخراج ويژگي¬ها و مدل¬سازي دقيق يادگيرنده كاري زمان¬بر و سخت است. هدف از اين مقاله، ارائه چارچوبي انعطاف¬پذير با بهره¬گيري از قابليت¬هاي كارگزار در پايش مستمر يادگيرنده و ارائه تعاملات زير سيستم¬هاي سامانه آموزشيار هوشمند به طور بهينه و به نمايندگي از آموزشگر است. در اين تحقيق در مرحله اول از نظريه سبك يادگيري براي شناخت رويكردهاي يادگيري يادگيرنده و از شبكه بيز براي كاهش عدم قطعيت اين شناخت استفاده شده است. در مرحله بعد با تلفيق نتايج مرحله اول با توانمندي¬هاي يادگيرنده (كه از طريق نظريه پرسش- پاسخ حاصل شده است)، توصيه¬هايي در سه دسته به يادگيرنده، ياددهنده و نيز طراح محيط آموزشي ارائه مي¬شود. به همين دليل معماري سامانه پيشنهادي در سه لايه ارائه شده كه در لايه مياني آن چهار كارگزار وظيفه ايجاد مدل يادگيرنده و ارائه توصيه¬هاي شخصي¬شده مبتني بر درس و ويژگي¬هاي شخصي يادگيرنده را بر اساس پايش و به روز رساني مدل يادگيرنده بر عهده دارند. پياده سازي اين سامانه در درس« زبان برنامه¬نويسي C++» از مجموعه دروس رشته مهندسي كامپيوتر روي 30 نفر از دانشجويان مقطع كارشناسي، نتايج رضايت بخشي را به همراه داشته؛ به طوري كه ميزان رضايت و موفقيت تحصيلي به دو برابر نسبت به قبل از به¬كارگيري سامانه، بهبود يافته است

Abstract: Environmental monitoring for extraction of learnerʹs features and accurately learner modeling is a time and cost consuming task. This paper proposes a flexible framework using agent architecture capabilities in learnersʹ monitoring and also in optimization of Intelligent Tutoring subsystems interactions. In this research learnerʹs learning approaches have been recognized by learning style theory then their uncertainty has been reduced by Bayesian Network. This framework prepares recommendations by combination of learnersʹ learning style and learnerʹs abilities (that are computed by Item Response Theory (IRT)) for three groups: learners, tutors and system designer. The architecture of proposed tutoring system has been presented in three layers. In middle layer there are four agents that monitor learners, create learnerʹs model, update it and prepare some recommendations based on courseware features, learnerʹs abilities and his/her learning style. A study was conducted on 30 Computer Engineering students during one semester. The implementation of the proposed system on participants indicates an increase in all evaluation factors, for example it doubles educational success rate and learnerʹs satisfaction rate. Keywords: E-learning, Intelligent Tutoring System(ITS), Item Response Theory(IRT),