基于Multi-Agent的网络学习诊断系统模型

近年来,网络智能教学系统的研究已经成为网络研究和应用的热点,如何利用智能教学系统来帮助学习者提高学习能力是其中重要的研究方向之一。因此,提出了基于Multi-Agent的网络学习诊断模型,与传统测试系统仅给出学习者学习成绩相比,本模型利用条件概率以及概念的相关性,对测试结果进行充分分析,发现学习者的学习问题,提供个性化学习建议。

教育人工智能(EAI)中的多模态学习分析、适应性反馈及人机协同

人工智能应用于教育在近几年获得持续关注,随着智能技术应用层次的逐步加深,教育人工智能(EAI)中的多模态学习分析、适应性反馈及人机协同这三大应用范畴愈加明晰。多模态学习分析侧重于对学习过程数据的全方位收集、分析与应用;适应性反馈指智能教学系统侧重于与学习者的学习风格、学习动机等相匹配的应用方式,给学习者提供教学反馈;人机协同重点关注教师如何与智能教学系统协同,为学生提供智能化的精准教学。这三大应用范畴都在有效推进人机关系,使之更加密切。因此,教育人工智能日趋体现为混合增强智能的形态。

基于J2EE与Ajax构建多Agent远程智能教学系统

充分利用了Agent的特点,构造了一种基于多Agent的远程智能教学系统模型,着重研究了Agent通讯语言FIPA-ACL的实现、EJB的使用、Ajax即时通讯等关键技术,对系统的优势进行了分析。

4+5立体式教学保障体系下一流本科专业建设探索与实践

工科院校的数学类专业在一流本科教育新格局下面临着新的问题和挑战。文章从打造4级负责人和5维度导师协同联动的4+5立体式教学保障体系、构建专业核心课程群、打造优质师资团队、凸显多维度导师功能四个方面,探讨如何形成第一课堂和第二课堂交互式一体化协调发展的新局面,实现一流本科专业建设点的建设目标,推进一流本科专业的建设与发展。

多导师模式下的轮转制度在药学本科生科研思维体系构建中的实践与思考

多导师模式下的轮转制度是在药学系本科生导师制基础上构建起来的药学本科生科研思维体系培养模式,旨在培养学生的科研实践能力及科研思路,帮助学生寻找未来科学研究的兴趣点,避免研究生入学考试专业选择过程中可能存在的盲目性,同时,淡化本科与研究生阶段的界限,促进本科教育与研究生教育的衔接。

智能医工融合新工科人才培养模式探索与实践

在当前大力发展新工科的形势下,针对医工交叉复合型人才需求和培养过程中存在的问题,提出了智能医工融合新工科人才培养模式实践新思路。该思路从顶层设计培养方案和重构课程体系入手,将人工智能类课程纳入教学大纲,实施由学校、医院、医疗企业不同背景专家学者担任指导教师的多师联导制度,实行项目驱动的实践教学和校内外联合培养的科技创新能力提升计划,在专业课程中推行“课程思政”的价值导向和思想引领举措,从知识-能力-素养全面提升学生的综合能力。最后,通过专业建设和教学实践验证,取得了良好的效果。

基于Java的多Agent网络智能教学系统的研究

在分析Agent技术的基础上,提出了多Agent网络智能教学系统的设计方案,详细设计了系统的3层模型、3层架构和各Agent的功能,并基于Java语言实现了系统中多Agent之间的通信。

基于MAS的虚拟导师资源自组织协同机制研究

为解决学习者个性化教学过程中,教学资源分配缺乏个性化、针对性,导致线上教学、培训效果不佳的问题,在深入研究高校人才培养模式的基础上,引入虚拟导师教学机制,展开基于虚拟导师的教学资源自组织协同机制的研究。通过构建虚拟教师资源自组织模型,为个性化人才培养提供理论支撑;提出基于MAS(multi-agent systems,多智能体系统)的资源自组织协同机制,实现资源个性化定制分配,为学习者定制个性化培养方案;设计基于MAS的虚拟教师资源自组织系统,将其应用在高校就业技能培养过程中,为学习者提供适用于自身特征的科研环境与学习资源。应用实践表明,基于MAS的虚拟教师资源自组织系统能够为学习者提供个性化科研环境与学习资源,实现了个性化培养,有效提高了学习者的学习积极性。

基于客户-服务器和智能多代理的网络协同式智能教学系统

协同式教学,一直是智能教学系统(Intelligent Tutoring System,ITS)的一个重要研究内容.随着现代计算机Internet网络和通信技术的不断发展和在全球的迅速发展和普及,通过计算机网络环境开展协同式智能教学己经迅速成为智能教学系统研究开发的热点.本文基于智能多代理系统(Intelligent Multi-Agent Sys-tem,IMAS)和客户-服务器模式,研究和设计了一个开放式、高智能、可交互、可扩展性质的网络协同式智能教学系统平台(cooperative ITS Platform,CITSP).

基于Multi-agent理论的智能计算机导师模型研究

基于Web的学习系统使学习者打破了时空的限制,加上社会对人才培养的个性化发展要求,因此基于Web的智能化教学系统是当前研究的热点.文中设计了一个基于Multi-agent的智能计算机导师的数学模型,引入了一种新颖的经验交流与共享学习机制,做到真正的人类教师无法完成的因材施教.

基于JADE的学生顶岗实习阶段智能教学平台

开发了一个智能化的教学平台用来为顶岗实习的学生提供个性化的教学服务。平台采用基于JADE的多智能体结构设计,根据学生的在校学习记录采用模糊逻辑方法判断学生的个性特征,从学生实习岗位的知识需求出发生成教学内容。教学策略选择规则使用Jess语言定义,根据学生的个性特点、知识水平、教学内容的难易程度及对实习岗位的重要性等为学生选择个性化的教学方法。以一个学生实例演示了平台的应用,验证了平台的可用性。

一个基于Multi-agent理论的个性化计算机导师系统

设计了一个基于Multi-agent的个性化计算机导师系统模型,引入了新颖的经验交流与共享学习机制,充分利用网上资源,通过协同式的强化学习,为用户提供个性化的学习资源,真正做到因材施教.

多代理强化学习在智能教学系统中的应用

教学的个性化和智能化是智能教学系统研究的重点和难点。文章采用智能代理技术模拟系统中学生的智能和行为方式,将强化学习理论应用于多代理体,设计了结合资格迹理论的强化学习算法,并用以生成和调整适合于每个学生个体的教学内容和教学策略。多代理体技术实现了教学的个性化,强化学习算法使得教学策略具有智能化。实验结果表明,新的算法较原有算法更为有效。

一种基于多agent的合作智能教学系统模型方法

提出了采用agent方法和基于WEB超媒体组件集成的合作智能教学系统模型方法.系统模型结构主要有学生、教师、专家、多agent智能教学系统以及确保它们进行交互的接口模块.系统模型能有效实现基于超媒体的交互式的动态的远程教学.

多AGENT技术在网络智能教学系统中的应用研究

多年来,传统的计算机辅助教学模式越来越不能满足高校的教学需要,传统的教学系统软件大多存在智能程度低、缺少教学策略等缺点。智能教学系统是当前计算机智能教育的研究热点。结合多AGENT的特性及在智能教学系统中应用的理论,提出了基于多Agent的智能网络教学系统的设计模型,详细分析了系统各层次的功能,并给出了系统数据库的分类设计以及系统模型的特点。

远程教学代理竞争模型设计

运用多代理系统进行远程教学系统设计,是智能教学系统(IntelligentTutoringSystem,ITS)的一个重要研究方向.目前很多面向远程教育方面的研究中,有很多对代理和智能多代理的研究和运用.但对代理之间的协调、调度研究不多.文中利用智能多代理技术,针对采用客户———服务器模式的协同式智能教学的远程教学系统平台,设计了多个代理之间的竞争模式,通过交互式智能多代理和网络的融合机制,实现了远程网络教学的有关交互式功能.

一个自适应复习模型(英文)

复习是有效地保障教学活动高质量完成的重要环节 .使用Agent技术构建了一个多Agent自适应复习模型 .该模型根据学生的反馈信息 ,不断地修正复习方案 ,以适应学生的个别化学习 ,达到有效的指导学生复习、提高复习质量的目的 .模拟实验表明该模型能解决已有智能教学系统中复习模型的一些不足 .

“双一流”背景下地方高校依托创新团队提升研究生创新能力研究与实践

随着研究生招生规模的不断扩大,地方高等院校在研究生创新能力培养中普遍存在问题,从“双一流”背景下多导师联合制创新团队角度,从多团队组建、改革措施及成效等方面进行分析,提升研究生创新能力,有助于提升地方院校研究生的培养质量。

基于远程教育的虚拟导师模型构建

远程教育作为传统教学模式在信息时代的补充,自其诞生之日起就得到了广大教育工作者的关注。在分析目前远程教育模式不足的基础上,针对当前远程教育模式存在教学模式单一、教学内容缺乏针对性、反馈不及时、学习者学习过程缺乏监督等缺点,以个性化教学理论为指导,设计了一种以多Agent系统为工作机理的虚拟导师模型。首先,对Agent技术进行研究,分析Agent技术的特点,阐明以Agent作为实现个性化教学,构建虚拟导师模型的原因,并给出虚拟导师的定义;其次,从模型指导思想、工作流程和模型构建三个方面说明模型设计的过程;再次,详细说明模型的各部分结构和工作机制;最后,以模型为指导,设计虚拟导师系统,通过系统应用效果分析,例证模型的可行性。应用效果表明虚拟导师模型在一定程度上实现了个性化教学,弥补了当前远程教育模式的不足。

利用Web Services实现网络个性化学习

本文描述了一个基于Web的多重代理的个性化学习系统。系统中利用代理监视学习者,客户端与学习者模型服务器通过Webservices进行交互,在服务器端的学习者模型可以使分布在Internet应用动态地集成,而不考虑下面的平台,保证了学习者模型的完整。