本發(fā)明屬于計(jì)算機(jī)技術(shù)與教育技術(shù)的交叉，尤其涉及一種基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)。

背景技術(shù)：

智能教學(xué)系統(tǒng)(intelligenttutoringsystem,its)是教育技術(shù)學(xué)中重要的研究領(lǐng)域，借助于計(jì)算機(jī)網(wǎng)絡(luò)資源建立的一個(gè)智能化、個(gè)性化的教學(xué)環(huán)境。

its涉及到眾多的領(lǐng)域?qū)W科，除了人工智能外，還包括計(jì)算機(jī)科學(xué)、教育學(xué)、心理學(xué)和行為科學(xué)等綜合性學(xué)科，最終使計(jì)算機(jī)能夠擔(dān)當(dāng)學(xué)生學(xué)習(xí)的引導(dǎo)者，使計(jì)算機(jī)系統(tǒng)能夠在一定程度上扮演老師的角色，實(shí)現(xiàn)對學(xué)生的個(gè)性化教學(xué)策略，彌補(bǔ)了由傳統(tǒng)的一個(gè)老師有多個(gè)學(xué)生，從而導(dǎo)致老師資源的不足，最終實(shí)現(xiàn)一對一的個(gè)性化教學(xué)。

但是隨著技術(shù)的不斷發(fā)展，以及智能教學(xué)系統(tǒng)的廣泛應(yīng)用，現(xiàn)有的智能教學(xué)系統(tǒng)存在一些不足：1)智能教學(xué)系統(tǒng)的智能化程度不高，對學(xué)生的個(gè)性化分析還有待提高；2)智能教學(xué)系統(tǒng)中的資源信息庫還不夠豐富，需要進(jìn)一步完善；3)智能教學(xué)系統(tǒng)目前只是應(yīng)用于小規(guī)模的智能教學(xué)。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)，在學(xué)生代理的學(xué)生模型中增加心理模型，引入對學(xué)習(xí)的情感因素，實(shí)現(xiàn)對學(xué)生的個(gè)性化教學(xué)策略；采用基于領(lǐng)域本體的知識庫，進(jìn)一步完善資源信息庫；采用多代理的分布式技術(shù)，增強(qiáng)功能模塊間的交互，能推廣到其他領(lǐng)域或?qū)W科，適用更大規(guī)模的智能教學(xué)。

本發(fā)明是通過如下的技術(shù)方案來解決上述技術(shù)問題的：一種基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)，包括如下模塊：多個(gè)學(xué)生代理、教學(xué)代理和學(xué)科代理，分配代理以及用戶終端，多個(gè)教學(xué)代理和學(xué)科代理組成教學(xué)服務(wù)器集群，所述的多個(gè)學(xué)生代理、教學(xué)代理和學(xué)科代理，分配代理以及用戶終端通過網(wǎng)絡(luò)相互通信，并進(jìn)行信息交互；

所述學(xué)生代理包括學(xué)生模型和自然語言接口，所述自然語言接口用于系統(tǒng)與用戶之間進(jìn)行信息交互，所述學(xué)生模型用于記錄用戶的基本信息、登錄信息、學(xué)習(xí)歷史數(shù)據(jù)、當(dāng)前學(xué)習(xí)狀態(tài)以及心理模型，并將該信息數(shù)據(jù)反饋給教學(xué)代理，為教學(xué)代理的個(gè)性化策略提供依據(jù)；

所述學(xué)科代理包括領(lǐng)域本體知識庫、規(guī)則集以及知識推理機(jī)，用于與學(xué)生代理和教學(xué)代理進(jìn)行信息交互，通過獲取用戶的學(xué)生模型信息，根據(jù)領(lǐng)域本體知識庫獲取該領(lǐng)域知識，并結(jié)合規(guī)則集生成教學(xué)代理中的資源庫，為教學(xué)代理中的個(gè)性化教學(xué)策略提供信息支持，且通過領(lǐng)域本體知識庫實(shí)現(xiàn)用戶的問答功能；

所述教學(xué)代理包括資源庫、教學(xué)推理機(jī)以及個(gè)性化教學(xué)策略，用于與學(xué)生代理和學(xué)科代理進(jìn)行信息交互，所述教學(xué)推理機(jī)根據(jù)學(xué)生模型和資源庫進(jìn)行推理得出的教學(xué)策略，教學(xué)策略經(jīng)過個(gè)性化教學(xué)策略不斷修正后得出最佳的個(gè)性化教學(xué)策略，并反饋給用戶，通過教學(xué)代理和學(xué)科代理的信息交互，獲得用戶所需的學(xué)習(xí)資源，實(shí)現(xiàn)試題的自動生成；

所述分配代理，用于根據(jù)教學(xué)服務(wù)器集群中各服務(wù)器的負(fù)載情況，采用加權(quán)最少連接數(shù)負(fù)載均衡算法來選擇當(dāng)前負(fù)載最小的服務(wù)器，并分配服務(wù)任務(wù)，實(shí)現(xiàn)分布式的負(fù)載平衡功能。

所述規(guī)則集中的推理規(guī)則包括兩種，其中e為前提，h為結(jié)論：

規(guī)則1：ifethenh；

規(guī)則2：ife1ande2and…thenh；

cf(h)為結(jié)論的可信度，cf(e)為前提的可信度，cf(h,e)為規(guī)則的可信度，λ(0＜λ≤1)為可信度閾值，并且有：

n為規(guī)則的前提數(shù)，wi為第i個(gè)前提的權(quán)值，滿足在推理規(guī)則中，選擇cf(h)值最大的值進(jìn)行推理，初始時(shí)為1。

進(jìn)一步的，所述基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)采用kqml作為學(xué)生代理、教學(xué)代理和學(xué)科代理之間的通信語言。

進(jìn)一步的，所述領(lǐng)域本體知識庫采用hadoop的分布式文件系統(tǒng)進(jìn)行數(shù)據(jù)存儲，能夠?qū)崿F(xiàn)用普通計(jì)算機(jī)組成一個(gè)高性能的機(jī)器，適合一次寫、多次讀取的數(shù)據(jù)，適合大規(guī)模的應(yīng)用。

進(jìn)一步的，所述領(lǐng)域本體知識庫的構(gòu)建方法包括以下幾個(gè)步驟：

步驟1.確定本體的領(lǐng)域和范圍，明確構(gòu)建的本體將覆蓋的專業(yè)領(lǐng)域、本體目的、作用以及應(yīng)用對象；

步驟2.確定是否能復(fù)用現(xiàn)存的本體；

步驟3.羅列需要被目標(biāo)本體描述的所有術(shù)語的名稱，形成概念集合c；

步驟4.對概念集合c中所有概念進(jìn)行層次結(jié)構(gòu)的劃分，形成概念層次h；

步驟5.采用learningobject的關(guān)系模型，并將該模型擴(kuò)展為基本關(guān)系和特殊關(guān)系，如下所示：

r＝{rb(基本關(guān)系)，rs(特殊關(guān)系)}

其中，rb是概念之間的基本關(guān)系，rs是學(xué)科領(lǐng)域中概念之間的特殊關(guān)系；步驟6.定義抽象概念，使用已定義的概念集c以及概念之間的關(guān)系r來定義抽象概念，并采用alc(attributivelanguagecomplement)詞∩、∪、來表示；

步驟7.定義概念的抽象特征，對某個(gè)概念定義其抽象特征，可先為該概念定義一個(gè)子類，并對子類進(jìn)行抽象定義；

步驟8.建立本體框架，按照邏輯規(guī)則進(jìn)行分組，形成不同的領(lǐng)域，選出關(guān)鍵性術(shù)語，摒棄不必要或超出領(lǐng)域范圍的概念，精準(zhǔn)的表達(dá)出領(lǐng)域的知識，形成領(lǐng)域本體知識庫；

步驟9：形式化編碼，對領(lǐng)域本體知識庫進(jìn)行編碼、形式化處理，便于系統(tǒng)自動進(jìn)行邏輯推理及檢驗(yàn)；

步驟10.確認(rèn)與評價(jià)，在系統(tǒng)的測試階段，對領(lǐng)域本體知識庫進(jìn)行確認(rèn)與評價(jià)；

步驟11.進(jìn)化，在使用過程中，通過集成新的領(lǐng)域本體、由專家定義新的概念和關(guān)系等方法不斷擴(kuò)展，完善領(lǐng)域本體知識庫。

learningobject的關(guān)系模型為現(xiàn)有技術(shù)，詳見ieeelom,draftstandardforlearningobjectmetadata[eb/ol].http://itsc.ieee.org/wg12/20020612-final-lom-draft.html,2010。

進(jìn)一步的，所述心理模型包括認(rèn)知程度、性別、動機(jī)分類、性格類型、焦慮水平、信息加工風(fēng)格、感情的需要和社會的需要等方面。

進(jìn)一步的，用戶根據(jù)教學(xué)代理中的個(gè)性化教學(xué)策略進(jìn)行知識點(diǎn)學(xué)習(xí)并不斷修正個(gè)性化教學(xué)策略的過程包括以下幾個(gè)步驟：

s1.教學(xué)推理機(jī)根據(jù)學(xué)生模型和資源庫進(jìn)行推理得出的教學(xué)策略，根據(jù)學(xué)生代理的學(xué)生模型和當(dāng)前學(xué)后測試計(jì)算當(dāng)前的知識水平；

s2.根據(jù)計(jì)算所得的當(dāng)前的知識水平制定個(gè)性化教學(xué)策略；

s3.判斷是否掌握基礎(chǔ)知識，是，則轉(zhuǎn)s4，否，則學(xué)習(xí)基礎(chǔ)知識，判斷是否需要學(xué)習(xí)基礎(chǔ)知識的依據(jù)包括提取常錯(cuò)知識點(diǎn)、提取擅長知識點(diǎn)、計(jì)算對知識點(diǎn)的掌握程度；

s4.學(xué)習(xí)所選知識點(diǎn)；

s5.學(xué)習(xí)知識點(diǎn)后進(jìn)行測試，根據(jù)測試題的難易度、測試題平均加權(quán)正確率、用戶學(xué)習(xí)能力以及用戶第n次學(xué)習(xí)能力的可信度來得到測試結(jié)果，并判斷是否掌握所選知識點(diǎn)，是，轉(zhuǎn)s6，否，則修正心理模型，修正個(gè)性化教學(xué)策略，并轉(zhuǎn)s4；

s6.根據(jù)測試結(jié)果修正心理模型，修正個(gè)性化教學(xué)策略，判斷是否繼續(xù)學(xué)習(xí)，是，則轉(zhuǎn)s1，否，則退出系統(tǒng)。

進(jìn)一步的，采用加權(quán)最少連接數(shù)負(fù)載均衡算法進(jìn)行請求任務(wù)分配的的步驟包括以下幾個(gè)方面：

步驟1.分配代理自動問詢教學(xué)服務(wù)器集群中的各服務(wù)器負(fù)載情況，并根據(jù)各負(fù)載情況動態(tài)調(diào)整各服務(wù)器的權(quán)值，各服務(wù)器的相應(yīng)權(quán)值表示其處理性能；

步驟2.計(jì)算當(dāng)前所有服務(wù)器的連接數(shù)總數(shù)csum：

其中，服務(wù)器s＝{s0,s1,…,sn-1}，sm為第m個(gè)服務(wù)器，設(shè)w(si)為服務(wù)器si的權(quán)值，c(si)為服務(wù)器si的連接數(shù)；

步驟3.分配代理接收到新的連接請求時(shí)，對當(dāng)前所有服務(wù)器組中的服務(wù)器做出判斷，如果當(dāng)前服務(wù)器sm滿足(2)式，則將連接請求分配給該服務(wù)器，實(shí)現(xiàn)負(fù)載均衡：

c(sm)*w(si)＞c(si)*w(sm)(3)

其中，w(s[i])不為零，當(dāng)w(s[i])為零時(shí)，服務(wù)器不被調(diào)度。

與現(xiàn)有技術(shù)相比，本發(fā)明所提供的基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)，引入多代理結(jié)構(gòu)模型，并在學(xué)生代理的學(xué)生模型中增加心理模型，將學(xué)習(xí)的情感因素作為個(gè)性化教學(xué)策略的判定依據(jù)，提高了教學(xué)系統(tǒng)的智能化程度；基于領(lǐng)域本體的知識庫，進(jìn)一步完善資源庫信息，使得個(gè)性化教學(xué)策略更精確，并采用hadoop的分布式文件系統(tǒng)進(jìn)行數(shù)據(jù)存儲，實(shí)現(xiàn)用普通計(jì)算機(jī)組成一個(gè)高性能的機(jī)器，適合一次寫、多次讀取的數(shù)據(jù)，適合大規(guī)模的應(yīng)用；采用加權(quán)最少連接數(shù)負(fù)載均衡算法，對于服務(wù)器集群中新增加的節(jié)點(diǎn)實(shí)現(xiàn)集群的負(fù)載動態(tài)平衡，提高了任務(wù)請求的響應(yīng)速度。

附圖說明

為了更清楚地說明本發(fā)明的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一個(gè)實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來說，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明一種基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)的結(jié)構(gòu)示意圖；

圖2是本發(fā)明多代理的結(jié)構(gòu)模型；

圖3是本發(fā)明個(gè)性化教學(xué)策略知識點(diǎn)學(xué)習(xí)以及修正個(gè)性化教學(xué)策略的流程圖；

圖4是本發(fā)明課程知識點(diǎn)掌握程度分布圖。

具體實(shí)施方式

下面結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

如圖1和圖2所示，本發(fā)明所提供的基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)，包括如下模塊：多個(gè)學(xué)生代理、教學(xué)代理和學(xué)科代理，分配代理以及用戶終端，多個(gè)教學(xué)代理和學(xué)科代理組成教學(xué)服務(wù)器集群，所述的多個(gè)學(xué)生代理、教學(xué)代理和學(xué)科代理，分配代理以及用戶終端通過網(wǎng)絡(luò)相互通信，并進(jìn)行信息交互；

所述學(xué)生代理包括學(xué)生模型和自然語言接口；所述學(xué)科代理包括領(lǐng)域本體知識庫、規(guī)則集以及知識推理機(jī)；所述教學(xué)代理包括資源庫、教學(xué)推理機(jī)以及個(gè)性化教學(xué)策略。

所述分布式智能教學(xué)系統(tǒng)采用kqml作為學(xué)生代理、教學(xué)代理和學(xué)科代理之間的通信語言。

領(lǐng)域本體知識庫的構(gòu)建以《大學(xué)計(jì)算機(jī)基礎(chǔ)》中的第9章《計(jì)算機(jī)組裝與維護(hù)》為實(shí)施例：

步驟1.確定本體的領(lǐng)域和范圍，《大學(xué)計(jì)算機(jī)基礎(chǔ)》中需要掌握的知識點(diǎn)有：主要硬件設(shè)備的工作原理、性能指標(biāo)和選購方法，包括主板、內(nèi)存、cpu和顯卡等，以及操作系統(tǒng)和軟件的安裝；計(jì)算機(jī)故障的排除等；

步驟2.不復(fù)用現(xiàn)存的本體；

步驟3.枚舉學(xué)科的基本概念：《大學(xué)計(jì)算機(jī)基礎(chǔ)》課程的基本概念集c如下：c＝{

計(jì)算機(jī)系統(tǒng)、硬件、軟件、主機(jī)、中央處理器(cpu)、內(nèi)存儲器、

控制器、運(yùn)算器、寄存器、外部設(shè)備、外存儲器、輸入設(shè)備、

輸出設(shè)備、系統(tǒng)軟件、操作系統(tǒng)、語言處理程序、計(jì)算機(jī)網(wǎng)絡(luò)軟件、

數(shù)據(jù)庫系統(tǒng)、服務(wù)性程序、應(yīng)用軟件、軟件包、程序庫、套裝軟件、

用戶專用軟件、顯示器、機(jī)箱、電源、硬盤、光驅(qū)、磁頭、磁道、

扇區(qū)、柱面、顯卡、聲卡、網(wǎng)卡、鍵盤、鼠標(biāo)、打印機(jī)、u盤、編碼

位、字長、cup的頻率、高速緩存、前段總線頻率、bios芯片、

……

}

步驟4.對概念集合c中所有概念利用父子關(guān)系進(jìn)行層次結(jié)構(gòu)的劃分，形成概念層次h，對于父子關(guān)系，采用ako(a-kind-of)方法；

步驟5.采用learningobject的關(guān)系模型，并將該模型擴(kuò)展為基本關(guān)系和特殊關(guān)系，如下所示：

r＝{rb(基本關(guān)系)，rs(特殊關(guān)系)}

rb：概念之間的基本關(guān)系，部分關(guān)系如下：

hassubtype：描述父概念與子概念之間的分類層次關(guān)系；

haspart：描述概念在物理上和邏輯上的整體-部分關(guān)系；

hasmember：與haspart類似，用于描述一個(gè)概念由若干其他概念的構(gòu)成關(guān)系……

rs：學(xué)科領(lǐng)域中概念之間的特殊關(guān)系，部分關(guān)系如下：

存儲：描述概念間的存儲關(guān)系，如文件是存儲在外部設(shè)備上的；

運(yùn)行于：描述“運(yùn)行于……上”這一特殊關(guān)系，如軟件是運(yùn)行于操作系統(tǒng)之上的；

編碼：描述某一概念的編碼方式，如指令是由二進(jìn)制編碼的……

步驟6.定義抽象概念，采用alc的量詞∩、∪、來表示，并結(jié)合概念集c和關(guān)系集r來描述抽象概念，對《大學(xué)計(jì)算機(jī)基礎(chǔ)》部分抽象概念的描述如下：

顯示器≡輸出設(shè)備∩顯示.數(shù)據(jù)

字符型設(shè)備≡外部設(shè)備∩輸入.字符∩輸出.字符

程序≡命令集合∩指導(dǎo)計(jì)算機(jī)∩集合.命令

軟件≡程序∪文檔

指令≡命令∩執(zhí)行.計(jì)算機(jī)∩編碼二進(jìn)制

步驟7.定義概念的抽象特征，例如“單道批處理系統(tǒng)”的特征，先定義“自動性”、“順序性”、“單道性”三個(gè)子類，然后做如下約束：

自動性≡單道批處理系統(tǒng)∩自動處理.作業(yè)

順序性≡單道批處理系統(tǒng)∩順序處理.作業(yè)

單道性≡單道批處理系統(tǒng)∩單道調(diào)入.作業(yè)

步驟8.建立本體框架，按照邏輯規(guī)則進(jìn)行分組，形成不同的領(lǐng)域，選出關(guān)鍵性術(shù)語，摒棄不必要或超出領(lǐng)域范圍的概念，精準(zhǔn)的表達(dá)出領(lǐng)域的知識，形成領(lǐng)域本體知識庫；

步驟9：形式化編碼，對領(lǐng)域本體知識庫進(jìn)行編碼、形式化處理，便于系統(tǒng)自動進(jìn)行邏輯推理及檢驗(yàn)；

步驟10.確認(rèn)與評價(jià)，在系統(tǒng)的測試階段，對領(lǐng)域本體知識庫進(jìn)行確認(rèn)與評價(jià)；

步驟11.進(jìn)化，在使用過程中，通過集成新的領(lǐng)域本體、由專家定義新的概念和關(guān)系等方法不斷擴(kuò)展，完善領(lǐng)域本體知識庫。

如圖3所示，用戶根據(jù)教學(xué)代理中的個(gè)性化教學(xué)策略進(jìn)行知識點(diǎn)學(xué)習(xí)并不斷修正個(gè)性化教學(xué)策略的過程包括以下幾個(gè)步驟：

s1.教學(xué)推理機(jī)根據(jù)學(xué)生模型和資源庫進(jìn)行推理得出的教學(xué)策略，根據(jù)學(xué)生代理的學(xué)生模型和當(dāng)前學(xué)后測試計(jì)算當(dāng)前的知識水平；

s2.根據(jù)計(jì)算所得的當(dāng)前的知識水平制定個(gè)性化教學(xué)策略；

s3.判斷是否掌握基礎(chǔ)知識，是，則轉(zhuǎn)s4，否，則學(xué)習(xí)基礎(chǔ)知識，判斷是否需要學(xué)習(xí)基礎(chǔ)知識的依據(jù)包括提取常錯(cuò)知識點(diǎn)、提取擅長知識點(diǎn)、計(jì)算對知識點(diǎn)的掌握程度；

s4.學(xué)習(xí)所選知識點(diǎn)；

s5.學(xué)習(xí)知識點(diǎn)后進(jìn)行測試，根據(jù)測試題的難易度、測試題平均加權(quán)正確率、用戶學(xué)習(xí)能力以及用戶第n次學(xué)習(xí)能力的可信度來得到測試結(jié)果，并判斷是否掌握所選知識點(diǎn)，是，轉(zhuǎn)s6，否，則修正心理模型，修正個(gè)性化教學(xué)策略，并轉(zhuǎn)s4；

s6.根據(jù)測試結(jié)果修正心理模型，修正個(gè)性化教學(xué)策略，判斷是否繼續(xù)學(xué)習(xí)，是，則轉(zhuǎn)s1，否，則退出系統(tǒng)。

如圖4所示，計(jì)算對知識點(diǎn)的掌握程度，設(shè)a為課程，bi，ci，di分別表示不同層次的知識點(diǎn)，p(bi)表示對知識點(diǎn)bi的掌握程度，新添加的知識點(diǎn)用p(aj|bi)表示，其中i＝1,2,...,n,j＝1,2,...m，各知識點(diǎn)的權(quán)值為wi，根據(jù)全概率公式和貝葉斯公式，則

p(b1)、p(c3)、p(a)分別表示知識點(diǎn)b1、c3、a的掌握程度，其中a表示對本課程的掌握程度，通過對知識點(diǎn)的掌握程度來確定對該課程的掌握程度，從而判斷是否需要進(jìn)行該課程的學(xué)習(xí)。

提取常錯(cuò)知識點(diǎn)：

假設(shè)用戶在某知識點(diǎn)的測試次數(shù)為n，出錯(cuò)次數(shù)是x，則出錯(cuò)的概率為e(pi)＝x/n，其值在0～1之間，e(pi)的值越大，則意味著對該識點(diǎn)的掌握程度越差，需要多練習(xí)該知識點(diǎn)。

提取出擅長的知識點(diǎn)：

e(pi)的值越小，則表示該用戶對該知識點(diǎn)掌握程度越熟練，也就是他擅長的知識點(diǎn)，可以減少該知識點(diǎn)的練習(xí)次數(shù)。

測試題的難易度、測試題平均加權(quán)正確率、用戶學(xué)習(xí)能力以及用戶第n次學(xué)習(xí)能力的可信度的定義如下：

定義1：測試題的難度：

其中n為測試題的數(shù)目，item_difficulti為測試題的i的難度。

定義2：測試題平均加權(quán)正確率：

其中n表示測試題目的數(shù)量，item_difficulti表示題目的難度，resulti表示測試題i的測試結(jié)果。

定義3：用戶學(xué)習(xí)能力：

ablity＝difficult(1+(right-λ))(12)

difficult表示評價(jià)難度，right為平均加權(quán)正確率，λ為評估系數(shù)，默認(rèn)為0.6。

定義4：用戶第n次學(xué)習(xí)能力的可信度：

其中abilityi是第n次學(xué)生的學(xué)習(xí)能力評估值。

心理模型修正的實(shí)施例：

心理模型包括以下幾個(gè)方面：a1認(rèn)知程度(低、中、高)；a2性別(男、女)；a3動機(jī)分類(外在、內(nèi)在)；a4性格類型(外傾型、內(nèi)傾型、混合型)；a5焦慮水平(低、中、高)；a6信息加工風(fēng)格(同時(shí)加工、繼時(shí)加工)；a7感情的需要(低、中、高)；a8社會的需要(低、中、高)，在初始情況下，都為“null”，如表1所示，表示編號為1的用戶初始時(shí)的心理模型：

表1學(xué)生1初始時(shí)的心理模型表

當(dāng)編號為1的用戶經(jīng)過一段時(shí)間學(xué)習(xí)之后，心理模型修正為如表2所示：

表2學(xué)生1修正后的心理模型表

在心理模型中增加認(rèn)知能力因素的評估，設(shè)認(rèn)知能力包括理解能力、記憶能力、分析能力、應(yīng)用能力、評價(jià)能力，其初始值為0，則如表3所述，編號為1的用戶初始時(shí)的認(rèn)知能力：

表3學(xué)生1初始時(shí)的認(rèn)知能力表

當(dāng)編號為1的用戶經(jīng)過一段時(shí)間學(xué)習(xí)之后，認(rèn)知能力修正為如表4所示：

表4學(xué)生1修正后的認(rèn)知能力表

由表4得知，該學(xué)生理解能力好，記憶能力差，在制定個(gè)性化教學(xué)策略時(shí)，提供增強(qiáng)記憶能力的練習(xí)。經(jīng)過多次的學(xué)習(xí)、修正之后，得到當(dāng)前學(xué)生的認(rèn)知能力，在退出系統(tǒng)時(shí)，對學(xué)生的認(rèn)知能力采用如下公式進(jìn)行評估：

其中ri為不同認(rèn)知能力的權(quán)值，且r1+r2+…+rn＝1，ci為認(rèn)知能力的得分，0≤ci≤100，c為整體評估的得分，為下一次的個(gè)性化教學(xué)策略提供依據(jù)。

采用加權(quán)最少連接數(shù)負(fù)載均衡算法選擇最小負(fù)載服務(wù)器的調(diào)度算法為：

本發(fā)明采用的基于領(lǐng)域本體和多代理的分布式智能教學(xué)系統(tǒng)，引入多代理結(jié)構(gòu)模型，并在學(xué)生代理的學(xué)生模型中增加心理模型，將學(xué)習(xí)的情感因素作為個(gè)性化教學(xué)策略的判定依據(jù)，提高了教學(xué)系統(tǒng)的智能化程度；基于領(lǐng)域本體的知識庫，進(jìn)一步完善資源庫信息，使得個(gè)性化教學(xué)策略更精確，并采用hadoop的分布式文件系統(tǒng)進(jìn)行數(shù)據(jù)存儲，實(shí)現(xiàn)用普通計(jì)算機(jī)組成一個(gè)高性能的機(jī)器，適合一次寫、多次讀取的數(shù)據(jù)，適合大規(guī)模的應(yīng)用；采用加權(quán)最少連接數(shù)負(fù)載均衡算法，對于服務(wù)器集群中新增加的節(jié)點(diǎn)實(shí)現(xiàn)集群的負(fù)載動態(tài)平衡，提高了任務(wù)請求的響應(yīng)速度。

以上所揭露的僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或變型，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。