Компьютерное моделирование коммуникативных взаимодействий агентов e-Learning

В.Б.Артеменко

к.э.н., профессор кафедры информационных систем в менеджменте,

Львовская коммерческая академия,

ул. Туган-Барановского, 10, г. Львов, 79005, (032)2958147

artem@lac.lviv.ua

Аннотация

Рассмотрены методологические и методические подходы к моделированию коммуникативных взаимодействий трех агентов электронного обучения (e-Learning): авторов дистанционных курсов, тьюторов и студентов. Их средой коммуникативного взаимодействия является виртуальный веб-центр обучения одного из высших учебных заведений. Цель моделирования – разработка агент-ориентированной модели (АОМ), описывающей взаимодействия трех типов участников электронного обучения с учетом определенного поведения конкретных агентов. Данная модель направлена на проведение компьютерных имитаций с целью выявления тенденций производства и распространения знаний в анализируемой виртуальной среде обучения. В статье предлагаются подходы к разработке такой модели средствами SWARM, одного из наиболее популярных (некоммерческих) прикладных пакетов для построения АОМ.

Methodological and methodical approaches to the modeling of communicative interactions of three agents electronic learning (e-Learning): the authors of distance learning courses, tutors and students. Their medium of communicative interaction is a virtual web learning center of one of the higher educational institutions. The purpose of modeling – development of agent-oriented model (AOM), which describes the interaction of three types of participants of e-learning, taking into account certain conduct specific agents. This model is aimed at carrying out computer simulations to identify trends in production and dissemination of knowledge in the analyzed virtual learning environment. The paper suggests approaches to developing such a model means SWARM, one of the most popular (non-commercial) software packages for the construction of ABM.

Ключевые слова

агент-ориентированная модель ключевых участников электронного обучения в виртуальной среде обучения ВУЗа, производство и распространение знаний агентами, прикладные пакеты компьютерных имитаций;

agent-based model for the key players of e-Learning in virtual learning environment in higher education, production and dissemination of knowledge agents, application packages of computer simulations.

Введение

Общеизвестно, что информационные и коммуникационные технологии (ИКТ) оказывают огромное влияние практически на все аспекты нашей жизни. При благоприятных условиях ИКТ способны стать эффективным инструментом экономического роста, создания новых рабочих мест, повышения качества жизни. Предоставление каждому возможности иметь доступ к информации, идеям и знаниям, вносить свой вклад в эту деятельность является необходимым элементом открытого для всех информационного общества. Осознавая возможности ИКТ, ЮНЕСКО была учреждена Программа “Информация для всех” [1]. Ее цель – это разработка единых стратегий, методов и инструментов, направленных на построение информационного общества для всех, сокращения разрыва между информационно-богатыми и информационно-бедными.

В работе [2] рассмотрены подходы к моделированию взаимодействия двух агентов, основанные на предпосылках теории социальных систем Никласа Лумана. Здесь освещаются направления математической формализации взаимодействия участников дистанционных курсов (ДК), которые размещены в Веб-центре Львовской коммерческой академии (ЛКА) [3]. Предполагается, равновесие на рынке электронного обучения (e-Learning) достигается при условиях его перехода к стационарному (устойчивому) процессу. Мы имеем целью рассмотреть подходы к разработке агент-ориентированной модели (agent-based model, далее АОМ), состоящей из трех типов агентов э-обучения: авторов ДК, тьюторов и студентов. Виртуальной средой их коммуникационного взаимодействия является Веб-центр ЛКА.

Агент-ориентированные модели являются новым средством для добывания знаний [4, 5]. Основная идея создания таких моделей – построение «вычислительного инструмента», который представляет совокупность агентов с определенным набором свойств и позволяет проводить машинную имитацию реальных явлений. Конечная цель агент-ориентированных моделей – возможность отследить влияние флуктуаций агентов, действующих на микроуровне, на показатели макроуровня. Доминирующий методологический подход основывается на методе, вычисляющем равновесие или псевдоравновесие системы, которая содержит множество конкретных агентов. В то же время подобные модели, используя простые правила поведения, могут выдавать достаточно практичные результаты.

Среди новых направлений прикладных экономических исследований существует и такое, как агент-ориентированная вычислительная экономика (Agent-Based Computational Economics, ACE), основанная на компьютерном моделировании виртуального мира, «населенного» автономными агентами [6]. Управление созданным согласно методологии ACE виртуальным миром осуществляется без вмешательства извне, лишь на основе взаимодействия агентов. В то же время агенты должны владеть способностью к обучению.

Таким образом, АОМ – это специализированный класс моделей, основанных на индивидуальном поведении агентов и создаваемых с целью проведения компьютерных экспериментов. Считается, что АОМ дополняют известные классические методы анализа. Последние позволяют охарактеризовать равновесие исследуемой системы, а АОМ – анализировать возможность образования такого состояния.

Ныне в Интернете имеются специализированные издания, тематика которых непосредственно связана с разработкой АОМ. Например, это международный онлайновый журнал JASSS [7] – Journal of Artificial Societies and Social Simulation или российский Интернет-журнал «Искусственные общества» [8].

Известно также достаточно большое количество программных продуктов, которые используются для построения АОМ. Среди них SWARM, один из наиболее популярных прикладных пакетов. Это коллекция программных библиотек, которые написаны на Objective C группой исследователей Института Санта Фе (Santa Fe Institute) [9]. Некоторые из этих библиотек написаны языком скриптов, что позволяет использовать такие ключевые графические средства, как графика, окна и др. Отметим также, что программы и подробные методические инструкции по их инсталляции распространяются бесплатно как Open Source-проект и в свободном доступе выложены на сайте компании Swarm Development Group [10].

Анализ известных примеров агент-ориентированных моделей позволяет сделать следующие выводы.

1.     Агенты – это теоретическая абстракция, используемая в АОМ с целью представления действующих лиц, членов социально-экономической системы, которые принимают решения с определенной степенью самостоятельности. Агент может «жить» во времени, иметь графический образ, реагировать на события, поступающие от датчиков, внешних программ или пользователя (наблюдателя).

2.     Подавляющее большинство АОМ являются абстрактными и основная цель их создания – научный интерес, то есть они используют условные данные и создаются для испытания нового инструмента.

3.     Среди моделей, рассматривающих реальные явления, только небольшая часть имеет отношение к взаимодействиям агентов в сфере образовательных услуг.

Цель данной статьи – рассмотреть методологические и методические подходы к разработке агент-ориентированной модели, которая описывает коммуникативные взаимодействия трех типов участников э-обучения с учетом определенного поведения для таких трех агентов: авторов дистанционных курсов (ДК), тьюторов и студентов. Их средой коммуникативного взаимодействия является виртуальный веб-центр высшего учебного заведения. Данная модель направлена на проведение компьютерных имитаций с целью выявления базовых тенденций производства и распространения знаний в анализируемой виртуальной среде обучения. Предлагаются подходы к построению АОМ на основе технологий SWARM, одного из наиболее популярных пакетов для построения агент-ориентированных моделей.

Подходы к построению АОМ коммуникативных взаимодействий участников э-обучения

Спецификация задачи построения АОМ предусматривает создание виртуального мира, в котором описываются коммуникативные взаимодействия таких трех типов агентов: А1 – авторы ДК; А2 – тьюторы, которые сопровождают учебный процесс в виртуальной обучающей среде и А3 – студенты, участники ДК (рис. 1).

Рис. 1. Схемы коммуникативных взаимодействий агентов э-обучения.

На рис. 1 видно, что участники э-обучения в процессе коммуникативного взаимодействия обмениваются информацией, знаниями, сведениями, опытом. Эти термины в создаваемой АОМ определяются следующим образом.

Информация – это контент, индивидуальные задания, тесты, другие элементы, которые содержатся в дистанционных курсах и рассматриваются «по Хартли» как "информация взаимодействия", передаваемая в виде сообщений для хранения и переработки [11]. Такие сообщения уменьшают неопределенность у любого агента, получателя информации.

Знания предполагаются едиными, не разделенными на виды, и представляют обладание проверенной информацией (отчетами о выполненных заданиях, ответами на тесты и вопросы), позволяющей получить уверенное понимание предмета ДК, умение разбираться в нём, использовать для достижения намеченных целей.

Сведения – это данные об условиях проведения дистанционного обучения, электронных адресах и другой контактной информации участников ДК, их сообщения.

Опыт – условное обозначение достижений агентов э-обучения, выраженное в числовом эквиваленте как результат их поведения при встрече.

Основные предположения модели состоят в следующем:

-      с точки зрения принятия решений, агенты в этой модели двигаются в двумерном пространстве и у них конечный горизонт виденья;

-      агенты любого вида появляются в виртуальном центре обучения случайным образом, с разными уровнями вероятности, имеют конечный срок жизни;

-      цель автора конкретного дистанционного курса – произвести как можно больше знания и передать его тьютору, целью тьютора является распространить знания среди как можно большего числа студентов, а цель студентов – потребить как можно больше знания;

-      в начальный момент времени имеется некоторое число агентов всех видов, которые двигаются в случайном направлении.

Поведение агентов э-обучения можно характеризовать следующим образом.

Поведение автора ДК. Автор дистанционного курса двигается с некоторой заданной скоростью в случайном направлении для поиска других агентов э-обучения. Такой поиск объясняется тем, что спрос на учебные курсы за выбором студента, в т.ч. и дистанционные курсы, во многом определяется «беганьем» автора ДК, то есть его рекламой предлагаемой «по Хартли» информации, которая сможет уменьшать неопределенность у агентов, получателей такой информации. Задача автора курса донести это до остальных агентов э-обучения. Если в пределах видимости оказался другой агент, то происходит следующее. Автор дистанционного курса устремляется к нему, пока расстояние не станет минимальным. Тогда происходит их остановка, при которой возможны три случая.

1.     При встрече двух авторов ДК у обоих происходит прирост количества знаний пропорционально знанию собеседника. После встречи агенты расходятся и некоторое время недоступны для последующих контактов.

2.     При встрече с тьютором у автора ДК прироста знания не происходит, а происходит прирост показателя, характеризующего передачу знания. У тьютора происходит прирост знания пропорционально количеству знания автора ДК.

3.     При встрече со студентом у автора курса происходит прирост (существенно меньший, чем при встрече с тьютором) переданного знания, а у студента, в свою очередь, прирост потребленного знания.

Поведение тьютора. Тьютор тоже двигается случайно. Встреча с автором ДК описана выше. При встрече с другим тьютором происходит взаимный обмен опытом, т.е. у обоих прирастает объем знаний пропорционально объему знаний собеседника. При встрече со студентом происходит процесс обучения, в результате которого у тьютора прирастает значение переменной, показывающей объем переданных знаний, а у студента соответственно объем их потребления.

Поведение студента. Процессы встречи с автором ДК и тьютором описаны выше, а при встрече с другим студентом между ними происходит обмен знаниями в объемах пропорционально накопленным знаниям собеседника.

Если в поле зрения агента находится сразу несколько других агентов, то он устремляется к тому, который дает максимальный прирост его целевой функции.

Формальное описание модели.

Обозначения: ai – номер автора ДК; aj – номер тьютора; as – номер студента; k(t, ai), k(t, aj), k(t, as) – объемы имеющихся (накопленных) знаний соответственно у автора ДК, тьютора и студента; w(t, ai), w(t, aj), w(t, as) – объемы переданных другим агентам знаний автором ДК, тьютором и студентом соответственно; x – координата по оси абсцисс (меняется в зависимости от скорости); y – координата по оси ординат (меняется в зависимости от скорости); vx – скорость по оси абсцисс (может меняться, когда агент увидел собеседника – максимальная скорость); vy – скорость по оси ординат (может меняться, если агент увидел собеседника – максимальная скорость, а также после окончания разговора с агентом); d1, d2, d3, d4, d5, d6 – доли передаваемых знаний от агента к агенту; La – срок жизни агента a; Ki, Kj, Ks – суммарные количества знания, произведенные авторами ДК, тьюторами и студентами соответственно; K – общее количество знания в виртуальном центре обучения; pi, pj, ps – вероятности появления соответственно автора ДК, тьютора и студента.

Состояние автора ДК ai в момент времени t есть следующий набор параметров: k(t, ai), w(t, ai), x, y, vx, vy. Аналогично определяется состояние тьютора и студента.

Встреча двух авторов ДК:

k(t + 0, ai1) = k(t, ai1) + d1 k(t, ai2),

k(t + 0, ai2) = k(t, ai2) + d1 k(t, ai1),

w(t, ai1), w(t, ai2) остаются прежними.

Встреча автора ДК и тьютора:

w(t + 0, ai) = w(t, ai) + d2 k(t, ai),

k(t + 0, aj) = k(t, aj) + d3 k(t, ai),

k(t, ai), w(t, aj) остаются прежними.

Встреча автора ДК и студента:

w(t + 0, ai) = w(t, ai) + d4 k(t, ai),

k(t + 0, as) = k(t, as) + d4 k(t, ai),

k(t, ai) остается прежним.

Встреча тьютора и студента:

w(t + 0, aj) = w(t, aj) + d5 k(t, aj),

k(t + 0, as) = k(t, as) + d5 k(t, aj),

k(t, aj) остается прежним.

Встреча двух студентов:

k(t + 0, as1) = k(t, as1) + d6 k(t, as2),

k(t + 0, as2) = k(t, as2) + d6 k(t, as1),

w(t + 0, as1) = w(t, as1) + d6 k(t, as2),

w(t + 0, as2) = w(t, as2) + d6 k(t, as1).

В соответствии с технологией SWARM создаем высокоуровневые объекты Swarm, управляющие заданиями по созданию, запуску и взаимодействию агентов в нашей модели. Объекты Swarm выполняют следующие три задания: создают разнообразные объекты, посылают объектам такие сообщения, чтобы они выполняли взаимодействия, представленные в формализованном описании модели, формируя при этом пакет, который мы можем запустить.

Созданный таким образом файл ModelSwarm.java заканчивается методом checkTime(). Во-первых, этот метод периодически будет отсылать показатели времени на консоль. Во-вторых, он остановит работу программы через определенный промежуток времени, определяемый переменной endTime. Существуют и другие подходы к определению переменной времени, включая создание специального расписания.

Таким образом, при построении модели взаимодействия наших агентов конструктор ModelSwarm выполняет такие ключевые задания:

1)    создает объекты, которые используются в модели;

2)    создает группу сообщений, которые посылаются как пакетизированный список действий для требуемого выполнения каждым агентом;

3)    обеспечивает переход в мир, где взаимодействуют между собой множество трех типов агентов.

Позиция в пространстве взаимодействия определяется переменными xPos и yPos. Агент проводит множество случайных прогулок. В каждой агент, сначала, двигается в направлении по оси X, вызывая метод randomMove(), а затем по осе Y, вызывая данный метод еще раз. Метод randomMove() использует простой числовой генератор из математической библиотеки Java. Он определяет значение -1 для движения назад, 0 – для стояния на месте или +1 – ход вперед (Swarm позволяет использовать и другие генераторы случайных чисел).

SWARM предоставляет большое количество инструментов для создания графического интерфейса пользователя, что позволяет визуализировать агентов в их виртуальном мире и проводить с моделью компьютерные эксперименты. Обе возможности предоставляются интерфейсом Swarm GUISwarm, который имеет свою собственную встроенную панель управления GUI с пятью кнопками: START, STOP, NEXT, SAVE и QUIT. Эти кнопки контролируют процесс компьютерной имитации и нажимаются при помощи кликанья пользователем на них мышкой (кнопки могут нажиматься и программно).

Результаты компьютерных экспериментов

Представим некоторые результаты экспериментов, иллюстрирующие характер получаемых показателей и возможность проверки одной из интересных гипотез. В эксперименте участвуют порядка 100 агентов, среди которых около 10% составляют авторы дистанционных курсов, примерно 20% тьюторы, остальные – студенты. При всех фиксированных для модели параметрах меняется только горизонт видимости агентов. Если горизонт большой, то агенты живут в виртуальной среде обучения, где они знают все обо всем. При малом горизонте агенты живут в среде с информацией только о ближайших соседях.

На скриншоте компьютерного моделирования, представленного на рис. 2, показана типичная картина при малом (а) и большом (б) горизонте видимости агентов. Для 1-ого случая (а) какой-то явно выраженной структуры не видно. Совсем другая картина получается при широком горизонте.

Рис. 2. Окна результатов эксперимента с АОМ:

(а) малый горизонт

видимости агентов

(б) большой горизонт

видимости агентов

На представленном рисунке в окне (б) видно несколько четко выраженных групп. Причем почти в каждой группе представлены все типы агентов. Большинство из студентов (зеленые квадраты) «тянутся» к авторам (красные квадраты) и тьюторам (синие квадраты) дистанционных курсов. Именно при такой структуре количество произведенного и передаваемого знания стремится к теоретически максимальному значению.

Подтверждение наблюдаемого «притяжения» студентов объясняется тем, что они – главные потребители знаний. Поэтому студенты и тянутся к «источникам» этих знаний – авторам и тьюторам ДК. Механизмы реализации этого стремления должны закладываться в структуре дистанционных курсов – элементы, которые направлены на активизацию взаимодействия участников ДК (эссе, форумы, чаты и т.п.). Если в анализируемых ДК эти элементы отсутствуют, то пользователь АОМ может и не наблюдать картинку, представленную на рис. 2 (б).

Результаты компьютерных экспериментов предоставляют также возможность исследовать некоторые параметры и эффективность взаимодействия участников дистанционных курсов (рис. 3 и рис. 4). На основе результатов имитации авторы смогут при потребности перепроектировать свои дистанционные курсы и улучшать их качество за счет разработки эффективных механизмов взаимодействия агентов электронного обучения. Речь идет о таких элементах дистанционных курсов, которые направлены на активизацию коммуникативных взаимодействий всех участников ДК (об этом сказано ниже).

Кроме того, в разрабатываемой модели агенты – это теоретическая абстракция, которая используется для представления действующих лиц, участников э-обучения, принимающих решения с определенной степенью самостоятельности – согласно методологии ACE [6] без вмешательства извне, только на основе взаимодействия агентов. Одновременно предполагается, что агенты должны владеть способностью к обучению.

Результаты компьютерных имитаций взаимодействия участников э-обучения отображаются в окне «Statistic» и на соответствующих диаграммах (рис. 3).

Из представленной на рис. 3 диаграммы видно, что совокупный опыт агентов электронного обучения, выраженный в числовом эквиваленте как результат их поведения при встрече, возрастает при длительном взаимодействии в виртуальной среде обучения. Поэтому важным аспектом создания дистанционных курсов является разработка и добавление в их структуру таких контрольных и практических заданий, тестов, эссе, форумов и веб-конференций, которые направлены на активизацию коммуникативных взаимодействий всех участников ДК.

Рис. 3. Диаграмма совокупного опыта для каждой группы агентов.

Условные обозначения:

 – шкала представления авторов ДК;  – шкала представления тьюторов;

 – шкала представления студентов; ось X – время пребывания в Веб-центре ЛКА;

ось Y – величина суммарного опыта.

Отметим, во время анализа результатов экспериментов уровень характеристик агентов 3-его типа отличался. Некоторые из агентов имели высокий уровень опыта, но малый уровень знаний, другие малый уровень опыта и высокий уровень знаний. Различия наблюдались и для других типов агентов, но были значительно меньше.

На рис. 4 представлена диаграмма продуцирования новых знаний авторами ДК (агентами первого типа).

06.jpg

Рис. 4. Диаграмма продуцирования знаний авторами ДК.

Условные обозначения:

 – шкала представления агентов первого типа;

ось X – время пребывания в Веб-центре ЛКА;

ось Y – количество продуцируемых знаний.

На диаграмме, представленной на рис. 4, видно, что авторы дистанционных курсов создают на первоначальной стадии электронного обучения количество новых знаний больше, хотя реже. В дальнейшем при расширении горизонта видимости агентов 1-ого типа процесс продуцирования новых знаний все более учащается, общий показатель уменьшается и затем приостанавливается на устойчивом уровне.

Результаты компьютерных экспериментов указывают на то, что показатель заинтересованности автора ДК связан в первую очередь с его деятельностью на начальном этапе э-обучения. Другими словами, на малом горизонте видимости агентов, т.е. на старте обучения, происходят максимальные прирост новых знаний у авторов дистанционных курсов и, надо полагать, их передача как тьюторам ДК, так и главным потребителям знаний – студентам.

Заключение

Таким образом, освещенные в данной статье базовые методологические и методические подходы к созданию агент-ориентированной модели участников э-обучения на основе технологий SWARM позволяют сделать следующие выводы и обобщения.

1.     Агент-ориентированную модель участников электронного обучения можно рассматривать как инструмент, обеспечивающий проведение исследований в сфере дистанционных образовательных технологий.

2.     Результаты компьютерных экспериментов с прототипом создаваемой АОМ позволяют делать выводы относительно:

-      рациональности структуры учебных групп в анализируемой виртуальной обучающей среде, при которой количество произведенного и передаваемого знания стремится к теоретически максимальному значению;

-      потребности в перепроектировании дистанционных курсов и улучшения их качества на базе разработки и внедрения эффективных механизмов взаимодействия ключевых агентов электронного обучения.

3.     В дальнейшем наши цели предусматривают развитие создаваемой АОМ коммуникативных взаимодействий, которая могла б учитывать все представленные в формализованном описании модели правила поведения анализируемых агентов.

Литература

1.       Программа ЮНЕСКО «Информация для всех». URL: http://www.ifap.ru/ofdocs/program.htm (дата обращения: 15.04.2010).

2.       Артеменко В.Б. Моделювання взаємодії учасників дистанційної освіти на засадах агент-орієнтованого підходу // Вісник Львівської комерційної академії. – Вип. 25 – Львів: Видавництво Львівської комерційної академії, 2007. – С.193-197.

3.       Сайт Веб-центра Львовской коммерческой академии. URL: http://virt.lac.lviv.ua/ (дата обращения: 15.04.2010).

4.       Макаров В.Л. Обзор математических моделей экономики с инновациями // Экономика и мат. методы. 2009. Т.45. №1. – С.3-14.

5.       Бахтизин А.Р. Агент-ориентированные модели экономики / А.Р. Бахтизин. – М.: ЗАО «Издательство «Экономика», 2008. – 279 с.

6.       Agent-based Computational Economics (ACE). URL: http://www.econ.iastate.edu/tesfatsi/ace.htm (дата обращения: 15.04.2010).

7.       Journal of Artificial Societies and Social Simulation. URL: http://jasss.soc.surrey.ac.uk/ (дата обращения: 15.04.2010).

8.       Журнал «Искусственные общества». URL: http://www.artsoc.ru/ (дата обращения: 15.04.2010).

9.       Site Santa Fe Institute. URL: http://www.santafe.edu/ (дата обращения: 15.04.2010).

10.    Сайт доступа к пакету SWARM. URL: http://www.swarm.org/wiki/ (дата обращения: 15.04.2010).

11.    Хартли Р. Передача информации // Теория информации и ее приложения: сб. переводов. – М.: Гос. изд. физ.-мат. лит., 1959.