基于多Agent技术的远程教学模型的分析与设计

随着人工智能技术的不断发展和完善,人工智能领域的理论(尤其是Agent技术)不断地应用于远程教学系统中,从而给网络教学系统的研究与应用开辟了新的思路。结合Agent的智能性,构建了一个基于多Agent的网络远程教学系统的模型,模拟人类在教学活动中的智能活动过程。通过建立学生Agent和教师Agent,使得系统能够根据学生的个性特征和认知能力,灵活地通过网络学习,从而实现个别化的教学。     

一种基于个体趋势分析和评价算法的个性化学习模式

针对传统E-learning系统的不足,本文提出了一个新的基于推拉模式的交互式个性化学习评价环境。在拉模式中,通过信息采集和分析算法来发现学习过程中的弱点。在推模式中,选择合适的算法来建立个性化的学习评价模型。最后通过决策树理论提供给用户合理的建议。实验结果表明了本文所提出的评价算法的有效性和准确性。     

基于属性相关的智能学习指导模型的设计与实现

决策树分类算法是智能指导系统实现"智能"的一种有效工具。通过对数据的分析和挖掘,能够实现对数据的精确分类。另外,对于决策树和产生式规则集的计算相对简单而且高效。提出了智能指导系统,并介绍了该系统的主要功能模块。在比较了ID3算法和C4.5算法后,结合个性化教学的需求,提出了新的基于规则属性相关的C4.5r算法。同时,给出了系统的计算评估模块。实验结果表明,新的C4.5r算法在运算时间、产生式规则集的规模及计算产生式规则的开销方面明显优于传统的C4.5算法。     

基于多Agent技术的远程教学模型的分析与设计

随着人工智能技术的不断发展和完善,人工智能领域的理论(尤其是Agent技术)不断地应用于远程教学系统中,从而给网络教学系统的研究与应用开辟了新的思路.结合Agent的智能性,构建了一个基于多Agent的网络远程教学系统的模型,模拟人类在教学活动中的智能活动过程.通过建立学生Agent和教师Agent,使得系统能够根据学生的个性特征和认知能力,灵活地通过网络学习,从而实现个别化的教学.     

一种基于个体趋势分析和评价算法的个性化学习模式

针对传统E-learning系统的不足,本文提出了一个新的基于推拉模式的交互式个性化学习评价环境.在拉模式中,通过信息采集和分析算法来发现学习过程中的弱点.在推模式中,选择合适的算法来建立个性化的学习评价模型.最后通过决策树理论提供给用户合理的建议.实验结果表明了本文所提出的评价算法的有效性和准确性.     

基于多Agent的智能教学系统模型

随着人工智能技术的不断发展和完善,人工智能领域的理论(尤其是Agent技术)不断地应用于教育教学过程中,从而给网络教学系统的研究与应用开辟了新的思路。结合Agent的智能性,笔者构建了一个基于多Agent的智能教学系统的模型,模拟人类在教学活动中的智能活动过程,通过建立多个彼此协调运作的Agent,来使系统能够根据学生的个性特征和认知能力,灵活地系统学习,从而实现个别化教学。     

基于Agent技术的医疗信息整合研究

由于医疗信息整合是解决医疗信息共享、医疗资源复用以及医疗信息深度挖掘的重要途径,故而提出了一种基于Agent技术的医疗信息整合框架.阐述了该框架下系统的工作过程,给出了多Agent间的协作机制,定义了Agent通信模型,并对其中的关键技术整合Agent的设计做了深入的研究.