1. ВЕБ-АНАЛИТИКА В СФЕРЕ ДО С
ИСПОЛЬЗОВАНИЕМ АГЕНТ-
ОРИЕНТИРОВАННОГО ПОДХОДА
Доц. Артеменко В.Б.
Львовская коммерческая академия
victor.artemenko@gmail.com
2. Цель вебинара:
осветить подходы к разработке и анализу
учебной аналитики, отражающей процессы
производства и распространения знаний в
сфере ДО на базе агент-ориентированного
подхода;
представить результаты имитационного
моделирования взаимодействия 3-х типов
агентов e-Learning: авторов, тьюторов и
студентов дистанционных курсов (ДК).
3. Агент-ориентированные модели
(АОМ) или Agent-Based Model (ABM) –
это новые инструментальные средства
для извлечения знаний в различных
сферах деятельности.
Для построения АОМ можно использовать
различные прикладные пакеты.
5. Спецификация задачи разработки
АОМ предусматривает создание
искусственного общества, в нем
взаимодействуют 3 группы агентов:
А1 – авторы ДК,
А2 – тьюторы, сопровождающие учебный
процесс в виртуальной среде ВУЗа,
А3 – студенты, участники ДК.
Оценка знаний агентами ДО происходит по
количеству кликов участников ДК (кол-во
агентов, потребивших знания).
6. Основные допущения модели:
с точки зрения ПР, агенты двигаются в
двумерном пространстве, имеют конечный
горизонт виденья;
любые агенты появляются в виртуальной
среде случайным образом, с различными
вероятностями, имеют конечный срок жизни;
цель автора ДК – произвести как можно
больше знаний и передать их тьютору,
целью тьютора является распространение
знаний среди как можно большего числа
студентов, а цель студентов – употребить
как можно больше знаний.
7.
8.
9. Диаграмма совокупного опыта для групп агентов
Условные – шкала представления студентов;
обозначения: Ось X – время пребывания у Веб-центре
– шкала представления авторов ДК;
ЛКА;
– шкала представления тьюторов; Ось Y – величина суммарного опыта.
10. Диаграмма продуцирования знаний агентами 1-ой группы
Условные
Ось X – время пребывания у Веб-центре
обозначения: ЛКА;
– шкала представления авторов ДК;
Ось Y – количество продуцированных знаний.
11. Рассмотрим:
подходы к построению гибридной АОМ
оценки знаний в сфере дистанционного
обучения с использованием нейронных
сетей, одного из направлений искусст-
венного интеллекта;
результаты исследований программного
обеспечения для реализации гибридной
АОМ: AnyLogic и STATISTICA Neural
Networks.
12. А1 -
А2 - А3 -
Нейронные сети
…
.
.
.
…
Общая схема гибрида модели
13. Для построения нейронных сетей были
использованы данные, характеризующие
активность добычи знаний агентами.
Через количество записей (кликов), которые
публикуются в журнале событий системы Moodle,
можно проводить мониторинг (12 последних
месяцев), в частности таких действий агентов ДО:
просмотр, обновление, добавление, удаление
ресурсов и задач.
В нашем исследовании используются 4-месячные
данные, характеризующие 117 000 действий более
500 агентов, среди которых около 10% составляют
авторы ДК, примерно 20% - тьюторы, остальные -
студенты.
14. Этапы построения и применения
нейронных сетей
Выбор типа сети Обучение сети Применение
Решение
Настройка
весов
сети
Обучение сети
База
данных Данные
15. Архитектура сетей, которые предложены
Мастером решений STATISTICA Neural Networks:
многослойные персептроны
P ro fi le : M L P s6 1 :6 -2 -1 :1 , In d e x = 1 4 P ro fi le : M L P s6 1 :6 -3 -1 :1 , In d e x = 1 5
T ra i n P e rf. = 0 ,6 1 5 0 7 4 , S e l e c t P e rf. = 0 ,6 7 1 2 9 7 , T e st P e rf. = 0 ,5 9 4 2 9 3 T ra i n P e rf. = 0 ,8 5 1 0 7 9 , S e l e c t P e rf. = 0 ,7 3 8 3 8 0 , T e st P e rf. = 0 ,8 4 2 5 2 8
16. Перечислим назначения нейронных сетей
для создаваемого гибрида АОМ:
Нейронная сеть №1 – определяет уровень
активности каждого из участников ДО 1-ой
группы, оценивая полезность знаний, которые
производятся и распространяются.
Нейронная сеть №2 – определяет уровень
активности каждого из участников ДО 2-ой
группы, оценивая полезность знаний, которые
производятся и распространяются.
Нейронная сеть №3 – определяет уровень
активности каждого из участников ДО 3-ей
группы, оценивая полезность знаний, которые
производятся и распространяются.
18. Действие при выходе предусматривает три
случая:
1. Во время встречи 2-х авторов ДК в обоих
происходит приращение знаний пропорцио-
нально знанию собеседника.
2. При встрече с тьютором у автора курса
прироста знаний не происходит, а происходит
прирост показателя, который характеризует
передачу знаний. У тьютора происходит
прирост знаний пропорционально количеству
знаний автора ДК.
3. Во время встречи со студентом у автора
происходит прирост (существенно меньше,
чем при встрече с тьютором) переданных
знаний, а у студента - прирост потребленных
знаний.
22. Выводы (1):
Агент-ориентированное моделирование и
искусственные нейронные сети являются
эффективным средством для выработки
Web-аналитики (учебной аналитики) в
сфере производства и распространения
знаний участниками ДО.
23. Выводы (2):
Эксперименты с прототипом гибридной АОМ
указывают на возможные направления ее
практического применения для определения:
такой рациональной структуры групп участников
ДО, при которой количество производимого и
распространенного знания стремится к
максимальному значению;
потребностей в перепроектировании ДК для
улучшения их качества на базе адаптивных
механизмов взаимодействия агентов ДО, среди
которых важную роль играют чаты, вебинары,
тематические дискуссии и т. д.
24. Выводы (3):
В дальнейшем мы намерены продолжить
исследования подходов к использованию
пакетов AnyLogic и STATISTICA Neural
Networks для выработки веб-аналитики в
сфере ДО на базе агент-ориентированного
подхода с учетом рассмотренного гибрида
АОМ оценивания знаний участниками ДО.