У праці [1] розглянуто підходи до моделювання взаємодії двох агентів, які ґрунтуються на передумовах теорії соціальних систем Н. Лум - korshu.ru o_O
Главная
Поиск по ключевым словам:
Похожие работы
У праці [1] розглянуто підходи до моделювання взаємодії двох агентів, які ґрунтуються - страница №1/12

I. ICT IN EDUCATION FOR ALL: INNOVATION METHODS AND MODELS
THE AGENT-ORIENTED MODEL OF E-LEARNING PARTICIPANTS

Viktor Artemenko

Lviv Academy of Commerce

Lviv, Ukraine



Directions of the agent-based model (АBМ) creation are considered. This model consists of three types of e-learning participants: lectures-authors of distance courses, tutors and students who dynamically co-operating on the basis of certain rules. Their interaction environment is the virtual centre of a higher educational institution. An ultimate goal of АBМ creation is carrying out of computer imitations for revealing of agents’ fluctuations influence which operate at microlevel, on macrolevel indicators. The focus is on discription of approaches to such model creation by SWARM means, one of the most popular (noncommercial) applied packages for construction the agent-oriented models.
АГЕНТ-ОРІЄНТОВАНА МОДЕЛЬ УЧАСНИКІВ ЕЛЕКТРОННОГО НАВЧАННЯ

Артеменко В.Б.

Львівська комерційна академія

Львів, Україна



Розглядаються напрями створення агент-орієнтованої моделі (АОМ), яка складається з динамічно взаємодіючих на основі визначених правил трьох типів учасників електронного навчання: викладачів-авторів дистанційних курсів, тьюторів і студентів. Їх середовищем взаємодії є віртуальний центр вищого навчального закладу. Кінцева мета створення АОМ – проведення комп’ютерних імітацій для виявлення впливу флуктуацій агентів, які діють на мікрорівні, на показники макрорівня. Основна увага приділяється висвітленню підходів до створення такої моделі засобами SWARM, одного з найбільш популярних (некомерційних) прикладних пакетів для побудови агент-орієнтованих моделей.
Вступ. У праці [1] розглянуто підходи до моделювання взаємодії двох агентів, які ґрунтуються на передумовах теорії соціальних систем Н.Лумана. Тут висвітлюються напрями математичної формалізації взаємодії учасників дистанційних курсів (ДК), які розміщені у Веб-центрі Львівської комерційної академії (ЛКА) [2]. Вважається, що рівновага на ринку електронного навчання (е-навчання) досягається за умов його переходу до стаціонарного (або сталого) процесу. Ми спробуємо розглянути підходи до розроблення агент-орієнтованої моделі (agent-based model, далі АОМ), що складається з трьох типів агентів е-навчання: викладачів, тьюторів і студентів. Середовищем їх інформаційної взаємодії є Веб-центр ЛКА.

Агент-орієнтовані моделі – це новий засіб для добування знань. Основна ідея АОМ – побудова «обчислювального інструменту», що є сукупністю агентів із певним набором властивостей та дозволяє проводити машинну імітацію реальних явищ. Кінцева мета процесу створення АОМ – відстежити вплив флуктуацій агентів, які діють на мікрорівні, на показники макрорівня. Домінуючим, як правило, методологічним підходом є метод, в якому обчислюється рівновага або псевдорівновага системи, що містить у собі безліч агентів. У той же час такі моделі, використовуючи прості правила поведінки, можуть видавати досить практичні результати.

Таким чином АОМ є спеціальним класом моделей, заснованих на індивідуальній поведінці агентів і створюваних для проведення комп’ютерних імітацій. Вважається, що АОМ доповнюють класичні аналітичні методи. Останні дозволяють охарактеризувати рівновагу досліджуваної системи, а АОМ – аналізувати можливість утворення такого стану.

Більшість розроблених АОМ викладені в Інтернеті. Так, існують спеціалізовані видання, тематика яких безпосередньо пов’язана з розробленням АОМ. Наприклад, міжнародний онлайновий журнал JASSS – Journal of Artificial Societies and Social Simulation [3] або російський Інтернет-журнал «Искусственные общества» [4].

Варто згадати і про новий напрям у прикладних економічних дослідженнях, який ґрунтується на комп’ютерному моделюванні віртуального світу, «населеного» автономними агентами (Agent-Based Computational Economics, ACE). Управління створеним згідно методології ACE віртуальним світом здійснюється без втручання ззовні, тобто лише на підставі взаємодії агентів. У той же час агенти повинні володіти здібністю до навчання [5].

Відома також досить велика кількість програмних продуктів, які використовуються для побудови агент-орієнтованих моделей. Серед них одним із найбільш популярних є прикладний пакет SWARM. Це колекція програмних бібліотек, написаних на Objective C групою дослідників Інституту Санта Фе (Santa Fe Institute) [6]. Деякі з цих бібліотек написані мовою скриптів, що дозволяє використовувати такі базові графічні засоби, як графіки, вікна та ін. Зазначимо також, програми та докладна інструкція з їх інсталяції розповсюджується безкоштовно як Open Source-проект і у вільному доступі викладені на сайті [7].

Аналіз відомих прикладів агент-орієнтованих моделей дозволяє зробити наступні висновки.

1. Агенти – теоретична (наукова) абстракція, використовувана в АОМ для позначення дійових осіб – членів соціально-економічної системи, прийняття рішень якими має певну самостійність. Агент може «жити» в часі, мати графічний образ, реагувати на події, що поступають від датчиків, зовнішніх програм або користувача.

2. Переважна більшість АОМ є абстрактними, і основна ціль їх розроблення – науковий інтерес, тобто вони використовують умовні дані і створюються для випробування нового інструменту.

3. Серед моделей, що розглядують реальні явища, лише невелика частка має відношення до взаємодій агентів у сфері освітніх послуг.

Мета даної статті – розглянути підходи до розроблення АОМ на мікрорівні, що складається із динамічно взаємодіючих на підставі визначених правил трьох типів учасників е-навчання: викладачів-авторів дистанційних курсів, тьюторів і студентів. Їх середовищем взаємодії є віртуальний центр вищого навчального закладу. Кінцева мета створення АОМ полягає у проведенні комп’ютерних імітацій для виявлення впливу флуктуацій агентів, які діють на мікрорівні, на показники макрорівня (у нашому випадку – це сукупність таких макроагентів національної системи дистанційного навчання, кожен з яких істотно впливає на освітні послуги вищої школи). Основна увага приділена висвітленню підходів до побудови моделі взаємодії агентів е-навчання на основі технології SWARM, одного з найбільш популярних пакетів для побудови агент-орієнтованих моделей.

Підходи до побудови моделі взаємодій агентів е-навчання на основі технології SWARM

У контексті технології SWARM для побудови АОМ і проведення на її основі комп’ютерних імітацій необхідним є наступне.

1. Створення штучного світу, що має простір, час і об’єкти, які можуть бути розташовані в деяких «точках» просторово-часової структури. Необхідно, щоб ці об’єкти могли визначати їх власну поведінку відповідно до їх власних правил і внутрішнього стану.

2. Створення певної кількості об’єктів, які будуть спостерігати, записувати, аналізувати дані, що виробляються поведінкою об’єктів у штучному світі, створеному на попередньому етапі.

3. Запуск аналізованої світобудови, керованої модельованими та спостережуваними об’єктами в часі за визначеною певним чином процедурою узгоджень.

4. Взаємодіяти з експериментом через дані, що виробляються інструментальними об’єктами, для здійснення серії контрольних експериментальних прогонів системи.

Структура SWARM має два різні рівні. Перший – рівень моделі, де можна будувати серію моделей, вкладених одна в одну. Інший – рівень спостерігача, що розглядає модель (або сімейство вкладених моделей) як унікальний об’єкт для взаємодії в цілях отримання результатів, їх візуалізації та використання.

Отже специфікація задачі побудови АОМ передбачає створення трьох типів агентів: А1 – викладачів-авторів ДК, А2 – тьюторів, які супроводжують навчальний процес у віртуальному середовищі ВНЗ і А3 – студентів, які є учасниками ДК. Основою взаємозв’язків, які відбуваються між агентами, є інформація, знання, відомості, досвід. Їхня взаємодія зображена на рис. 1.





Рис. 1. Схема взаємодії агентів е-навчання

Далі створюємо об’єкт класу OneSwarmAgent (один агент), який буде займатись створенням і управлінням великої кількості агентів.

На рис. 2 представлена блок-схема створення Swarm-об’єктів для агентів е-навчання.





Рис. 2. Схема створення Swarm-об’єктів для агентів е-навчання

Swarm-об’єкт зазвичай виконує наступні три завдання: створює різноманітні об’єкти, посилає об’єкту такі повідомлення, щоб він виконав ті дії, які ми хочемо та об’єднує все це разом, формуючи пакет, який ми можемо запустити.

Конструктор ModelSwarm виконує зокрема такі завдання:



  1. створює об’єкти, які використовуються у моделі;

  2. створює групу повідомлень, які будуть посилатись агенту, що представляють собою пакетизований список дій, які має виконати агент;

  3. забезпечує перехід у світ, де діють багато взаємодіючих між собою агентів.

На рис. 3 представлена схема реалізації переходу від одного до більшої кількості агентів. Як видно з рис. 3, управляти колекцією агентів можна після їхньої трансформації в об’єкти.

RunOneAgent імплементує агента, який прогулюється випадково по вигаданому двовимірному цифровому масиві. Матриця 80 на 80, по якій «гуляє» агент, визначається в змінних класу worldXSize та worldYSize.





Рис. 3. Схема трансформації агентів в об’єкти

Позиція у просторі визначається змінними xPos та yPos. Агент проводить безліч випадкових прогулянок. У кожній агент, спочатку, рухається в напрямку по осі X, викликаючи метод randomMove(), а потім по осі Y, викликаючи даний метод ще раз.

Метод randomMove() використовує простий числовий генератор з математичної бібліотеки Java. Він повертає значення -1 для руху назад, 0 – для стояння на місці або +1 – хід уперед (Swarm дозволяє використовувати дещо інші генератори випадкових чисел).

Наш OneAgents здатний виконувати дві дії: прогулюватися по світу розміром X,Y та звітуватися про місце розташування на ньому в консолі. В першому методі, randomWalk(), агент прогулюється випадково назад або вперед по осі X, а згодом – випадково назад або вперед по осі Y. В кожному випадку напрямок визначається числом -1, 0 або +1, а модульний оператор використовується для того, щоб перевірити чи агент не вийшов за межі світу.

Swarm надає також велику кількість інструментів для створення графічного користувацького інтерфейсу, що дозволяє візуалізувати агентів у віртуальному світі і взаємодіяти з моделлю.



Змістовна інтерпретація результатів моделювання

Створена модель агентів учасників е-навчання надає можливість візуально простежити за їхніми діями. Для перегляду характерних значень змінних будь-якого агента можна за допомогою системної панелі керування призупинити процес моделювання. На скріншоті створеної моделі (рис. 4) добре видно, що всі агенти сформовують свої підгрупи в центрі простору. Взаємозв’язки б) характеризують псевдорівновагу і виникають унаслідок обміну повідомленнями та отримання агентами досвіду.



а)


б)


Рис. 4. Головне вікно відображення результатів АОМ:

а) початковий етап

б) кінцевий етап

Під час аналізу результатів імітації рівень характеристик агентів третього типу різнився. Один з агентів мав високий рівень досвіду, але малий рівень знань, інший малий рівень досвіду, проте високий рівень знань. Різниці спостерігались і в інших підгрупах, проте вони були значно менші.

Такі характеристики були зумовлені значеннями показників, які встановлювалися для кожної з груп і представлені на рис. 5.





Рис. 5. Показники взаємодії учасників е-навчання

В результаті комп’ютерної імітації ці показники відображаються у вікні «Statistic» і на відповідних графіках (рис. 6).



Рис. 6. Діаграма сукупного досвіду для кожної групи агентів


Умовні позначення:

– шкала представлення авторів ДК;

– шкала представлення тьюторів;

– шкала представлення студентів;

Вісь X – час перебування у Веб-центрі ЛКА;

Вісь Y – величина сумарного досвіду.

На рис. 7 представлена діаграма продукування нових знань, що притаманно, насамперед, агентам першого типу (авторам ДК).



Умовні позначення:



– шкала представлення агентів першого типу;

Вісь X – час перебування у Веб-центрі ЛКА;

Вісь Y – кількість продукованих знань.


Рис. 7. Діаграма продукування знань агентами першого типу

З рис. 7 видно, що нових знань на початковій стадії е-навчання створювалося більше, однак рідше. Проте при формуванні більш близьких зв’язків процес продукування нових знань ставав дедалі частіший, загальний показник зменшувався і потім призупинився на сталому рівні. Це стверджує, що коефіцієнт зацікавленості авторів ДК пов’язаний насамперед із їх діяльністю у першій групі агентів.



Висновки

Отже, висвітлені підходи до створення агент-орієнтованої моделі учасників е-навчання за допомогою технології SWARM дозволяють зробити наступні висновки та узагальнення.

Агент-орієнтовану модель учасників е-навчання, побудовану на основі технології SWARM, можна розглядати як інструмент, що забезпечує на мікрорівні будь-якого ВНЗ проведення досліджень у сфері запровадження дистанційних освітніх технологій.


  1. Змістовна інтерпретація результатів імітації АОМ дозволяє:

    • робити на базі візуального аналізу взаємодії агентів, учасників е-навчання, висновки щодо рівня досягнення стану рівноваги чи псевдорівноваги у віртуальному навчальному середовищі ВНЗ;

    • розробляти внутрішні норми та правила взаємодії 3-х агентів на основі таких характеристик, як продуктивність і зацікавленість агентів.

  1. У подальшому ми маємо на меті трансформувати розроблену модель у АОМ, яка могла б враховувати характеристики взаємодій агентів на макрорівні, тобто у контексті віртуального мережевого співтовариства, що самоорганізовується.


Література

  1. Артеменко В.Б. Моделювання взаємодії учасників дистанційної освіти на засадах агент-орієнтованого підходу // Вісник Львів. комерційної академії. – Серія економічна, вип. 25 – Львів: Вид-во Львівської комерційної академії, 2007. – С.193-197.

  2. Сайт Веб-центру Львівської комерційної академії – http://virt.lac.lviv.ua/.

  3. Journal of Artificial Societies and Social Simulation – http://jasss.soc.surrey.ac.uk/JASSS.html.

  4. Журнал «Искусственные общества» – http://www.artsoc.ru/.

  5. Site Agent-Based Computational Economics (ACE) – http://www.econ.iastate.edu/tesfatsi/ace.htm.

  6. Site Santa Fe Institute – http://www.santafe.edu/.

  7. Сайт доступу до пакету SWARM – http://wiki.swarm.org/.

SOME TECHNIQUES FOR AUTOMATED DETERMINING OF TESTING RESULTS

Bakhrushin Vladimir, Ghuravel Sergey, Ignakhina Marina

Classic Private University, Zaporizhjia

Techniques for automated determining of testing results, based on usage of learning samples, are proposed. It gives an opportunity to decrease the subjectivism when mark scale constructing and to raise the quality of estimation.
МЕТОДИКИ АВТОМАТИЗИРОВАННОГО ОПРЕДЕЛЕНИЯ РЕЗУЛЬТАТОВ ТЕСТИРОВАНИЯ

Бахрушин В.Е., Журавель С.В., Игнахина М.А.

Классический приватный университет, Запорожье

Предложены методики автоматизированного определения результатов тестирования, основанные на использовании обучающих выборок. Это дает возможность уменьшить субъективизм при построении шкалы оценок и повысить качество оценивания.
Введение

Проведение контроля знаний в тестовой форме приобретает в последнее время все большую популярность. Это обусловлено широким распространением дистанционных и электронных форм обучения, а также рядом недостатков традиционных форм оценивания (субъективизм, неравенство условий контроля, трудоемкость процедуры и др.).

Теоретические основы обработки результатов тестирования рассмотрены в работах В.С. Аванесова и других авторов [1]. Они базируются на предположении, что эти результаты подчиняются нормальному закону распределения. Однако, как было показано нами раньше [2], такое предположение на практике часто не выполняется. Вопрос об устойчивости используемых методик к отклонениям результатов от нормального закона распределения исследован недостаточно. Известно [3], что отклонения данных от нормального закона распределения во многих случаях ведут к неправомерности использования традиционных методов обработки и анализа данных, а также некоторых параметров, которые применяются для их описания. Поэтому целесообразно использовать для обработки результатов тестирования методы, устойчивые к отклонениям данных от нормального распределения.

Наряду с несомненными достоинствами тестированию свойственны существенные недостатки. Среди них следует отметить трудность учета разнообразия личных особенностей тестируемых и целей тестирования. В частности, по мнению директора Российского центра тестирования В. Хлебникова [4] Единый государственный экзамен (аналог украинского Внешнего независимого оценивания) годится только для средних детей, а высокие и низкие оценки характеризуются недопустимо большими погрешностями. Кроме того, в реальных системах тестирования назначение баллов за правильные ответы на отдельные вопросы обычно бывает субъективным и не всегда достаточно обоснованным.

В связи с этим, целью данной работы являлась разработка методик автоматизированного определения результатов тестирования, позволяющих повысить их объективность.


следующая страница >>