1引言

      隨著Internet和Web技術的發展，遠程教育已經成為網絡研究和應用的熱點之一。基于Web的遠程教育是繼函授教育和廣播電視教育之后于20世紀90年代出現的一種新的教育模式。

      現代信息技術的快速發展，使利用衛星傳輸技術、計算機網絡技術和多媒體技術進行遠程教育成為可能。與傳統教育方式相比，以信息技術為基礎的現代遠程教育是一種新型的開放性的教育方式，不受教育時間和空間的限制，具有“教育資源共享、信息交流、交互式、個性化教學”等優點，人們可以不受時間和空間的限制，完成隨時、隨地的交互式教與學活動，不必在指定的地點時間，即可享有的老師、的學校和的課程，并可以隨時提出疑問并獲得老師的解答，使每個學生得到教育成為可能。他作為信息時代的重要標志而風靡全球，猶如當年的蒸汽機引發的工業革命，全方位地沖擊著人類社會的生產、生活及思維方式，同時也對傳統教育的變革與發展提供了強有力的物質技術基礎。

      正如美國思克集團總裁約翰·錢伯思所斷言：互連網和教育作為推進社會經濟發展的兩個核心動力，將深刻地改變一個民族的歷史和命運，誰把握了互聯網，誰就把握了未來，誰開創了面向未來的教育體系，誰將具有持續發展的能力。基于Web的遠程教育能使教師和學生在相隔千里(甚至在不同的國度)之間通過網絡實現Face to Face的交流，這無疑會賦予教與學新的內涵，給教育帶來深刻的變革，他已受到了許多國家的關注，并成為世界各國教育事業發展的一種新趨勢。圖1是傳統的基于Web的遠程教育系統的組成框圖。該系統由用戶系統、Web服務器、資源庫服務器和資源庫組成。

      然而，目前基于Web的遠程教育的效果并不令人滿意。縱觀現有基于因特網的遠程學習應用系統，歸納起來，一般存在如下幾個方面的問題。

      首先學習交互模式難以滿足學習者進行個性化學習這一基本要求；其次，各種模型都存在著動態交互功能不強、系統智能性和適應性較低、系統的測試和評價功能差，無法實現學生按需學習和教師因材施教；再次，現有的網上教學系統基本上都是C／S結構，客戶端過于龐大，而且還要進行單獨維護。為此，如何設計一個靈活準確、智能化、個性化的遠程學習模型，并且解決教育資源在地理上的分布性、各種網絡的異構性及學習群體性和分布性等問題，是目前遠程教育亟待解決的問題。

      2 基于Agent和數據挖掘的遠程教育系統的構建

      遠程教育系統是一個復雜、龐大、不可預測的系統。因此，建立起一個多Agent結構的、跨平臺的系統，將大大推進當前網絡遠程教育的智能化水平。以下結合Agent技術，提出了一種新的B／S模式的遠程教育系統。這里B／S(Browse／Server)結構實際上是多層結構的一種形式，是擴展了的C／S(Client／Server)結構，其運行機制采用了標準的C／S分布式處理。不同于傳統C／S結構，在基于B／S模式的遠程教育系統中，服務器端實現Web服務、應用服務(包括多Agent系統的應用服務)和數據服務，而客戶端界面將全部是Web瀏覽器頁面，用戶從瀏覽器端向服務器端提交服務請求，服務器將處理結果通過網絡返回瀏覽器端。這樣使用瀏覽器與某一臺主機或系統進行連接，不再需要更換軟件或是再啟動另一套程序，因而用戶界面具備友好性、一致性且易于操作，并為復雜的分布式應用提供統一的環境。

      2.1 系統的組成和特點

      基于Agent和數據挖掘的遠程教育系統的總體結構如圖2所示。主要由遠程教學管理子系統、服務子系統、接口子系統和人機接口Agent以及多Agent通信結構子系統構成。

      其中遠程教育管理系統包含課件管理、學生管理、教師管理、課件管理模塊和系統管理等模塊，他們有各自Agent來協助處理，使得整個管理系統更加智能化、規范化，從而實現對整個遠程教育系統的管理工作。人機接口Agent是負責處理用戶(包括管理員、教師、學生以及其他訪問者)訪問系統的不同模塊的過程控制，接受用戶的請求并實現對用戶請求處理的結果的顯示。如身份確認、權限控制等，并協助安全Agent完成相關的工作。遠程教學服務系統主要實現Web遠程教育的多個支撐子系統，包括智能選課系統、課程學習系統、智能答疑系統、作業發布系統、在線考試系統、網上交流系統、電子筆記系統等。

      2.2 應用服務器的組成和功能

      經過以上分析不難看出，基于Agent和數據挖掘的智能化遠程教育系統是在圖1系統的基礎上增加專門的應用服務器，將大量的事務處理邏輯模塊從Web服務器中分離出來并分配給應用服務器，由應用服務器承擔原來Web服務器的部分工作，這種系統結構降低了Web服務器的負載，消除了Web服務器產生的負載瓶頸，提高了系統的整體負載能力。同時，這種系統結構不僅具有C／S和B／S系統的特點，而且負責業務處理的應用服務器和負責數據處理的數據服務器可以設置為多個，使得大型系統中的應用程序和數據庫可以分布于不同的服務器上運行，這些服務器既可以是本地的也可以是遠程的，這就使得系統更具有合理性、靈活性和擴展性。

      2.3 系統的工作過程

      該系統的主要工作過程：訪問者通過IE瀏覽器就可訪問系統，根據不同的身份獲取不同的權限，并分別進入不同工作畫面。一般訪問者瀏覽系統的宣傳信息也可以填寫入學和入教申請表格，等候管理者的反饋。管理者對各種申請予以處理，設置專業課程和上課時間表，管理系統資源的使用情況，同時根據來訪次數和活動考核教師和學生。學生通過Web瀏覽器可進行選課、課件學習、測試、復習以及查看學習進度等，同時，通過在線交互可向教師提問，也可以用郵件、留言板與教師聯系。尤其在學生學習過程中，多Agent系統隨時訪問學生的學習內容并根據需要做出修改，修改后的新的課程內容再儲存到教學數據庫中，并利用知識數據庫中的信息對學生做出評價。因此，運用Agent技術的遠程教育系統充分體現了個性化與智能化的特點。

      2.4 信息安全性

      遠程教育系統的安全，是每一個設計得面臨的不容回避的問題，系統中設計為：訪問每一個站點的用戶都必須提供許可證，經驗證授權的用戶才能訪問。驗證用戶的身份依據資料的重要程度可采用不同技術，在IIS 5.0中，可采用“基本驗證”、“Windows NT口令／回送驗證”和“用戶端認證身份驗證”。“基本驗證”通過收集使用者名稱和密碼和方法來確定用戶身份；在“Windows NT口令／回送驗證”方式中，使用者的瀏覽器與網站服務器以特殊密碼交換的方式驗證身份，實際的密碼并未通過網絡傳送；“用戶端認證身份驗證”讓網絡服務器自動辨識使用者的身份，此種驗證方式實現較復雜。

      3 系統的個性化設計

      現在的網絡遠程教育大多還處于資源共享的狀態，只是將傳統課堂教育簡單移植到遠程教育上，教育系統模式單一，以系統自身為中心，沒有充分考慮遠程教育的教學特點和學生需求，更沒有按照以學習者為中心的遠程教學規律進行教學，學生只能被動地接受完全相同的學習內容，沒有從根本上解決師生互動與網絡技術的組合問題，從而沒有真正體現出個性化教育的優勢。

      針對以上問題，應構建一個基于Web挖掘的個性化遠程教學服務系統模型。該系統能夠充分利用網站上諸如Web logs等信息，通過Web挖掘得到各種有用的規則模式，及時跟蹤學習者的學習行為，動態提供適合不同類型學生用戶的學習內容和學習建議，實現個性化的遠程學習。

      3.1 設計思想

      個性化遠程教學服務的根本宗旨是尊重學生用戶，研究用戶個人學習行為習慣和興趣，為用戶選擇更需要的學習資源，提供更好的教學服務。其系統設計思想是：對學生的個人信息、學習行為信息、學習成績記錄信息、答疑信息，作業完成信息及Web日記數據，利用數據挖掘技術找出有用的規則、模式進行綜合分析，結合教學資源知識庫的信息，自動組合學習內容和進度，重構頁面的鏈接，針對不同的學生提供不同的學習內容和學習模式，做到因材施教。

      總之，在個性化遠程教學服務系統中，學生用戶登錄后，呈現給用戶的學習界面不再是千篇一律的，而是與其個人密切相關的個性化學習環境。某個學生用戶從登錄系統到退出的整個學習過程中，所有的學習操作行為及其結果都被及時記錄到數據庫中，供下次登錄學習時系統產生用戶界面作參考。

      3.2 Web挖掘的關鍵算法

      3.2.1 基于神經網絡的用戶聚類算法

      在該系統中，通過對Web日志進行數據清洗，可獲得數據源，對該數據源掃描建立用戶會話，在相同一次用戶會話中，如果用戶訪問了網站的多個頁面，則該會話可用一個n維向量表示，其i維向量值為用戶對第i個頁面的興趣度，也稱權重。這樣，通過Web日志文件提取的用戶訪問信息，可以用模式向量表示出來。由于Kohonen神經網絡具有良好的聚類特性，可用該方法對用戶訪問模式向量進行分析。

      假設輸入向量為X=(x1，x2，…，xn)T，輸出神經元i與所有輸入神經元的連接權值向量為Wi=(Wi1，Wi2，…，Win)n，(i=1，2，…，n)，則連接權值向量與輸入向量距離短的輸入神經元NS就是競爭獲勝神經元。如下表示：

      式(1)中‖x-ωi‖為向量的距離，他有許多不同的度量方法。可以選擇歐幾里距離、明考斯基距離或者夾角余弦等。Kohonen網絡的輸入神經元的新連接權值(即獲勝神經元的權重訓練方法)如下：

      式(2)中G(t，‖x-ωi‖)是調整系數(迭代函數)，i，j分別表示輸入向量和輸出神經元的序號，權值向量是被隨機初始化的。訓練結果將權值向量逐漸靠近輸入向量，經過一定數量的訓練后輸出的獲勝神經元可表示不同用戶的模式向量所屬聚類。

      綜上所述，給出Kohonen算法如下：

      (1) 初始化。使用小的隨機值初始化Kohonen網絡權值，并選定鄰域大小；

      (2) 輸入模式。從樣本集中選擇一個樣本(x1，x2，…，xn)作為Kohonen網絡的輸入；

      (3) 計算距離。計算輸入向量與所有輸出神經元連接權值向量間的距離；

      (4) 選擇獲勝神經元。將連接權值與輸入向量距離近的神經元作為競爭獲勝神經元；

      (5) 調整連接權值。按式(1)調整Kohonen網絡的輸出神經元連接權值；

      (6) 回到步驟(2)，重復(3)，(4)，(5)各步，直到Koho-nen網絡進入穩定狀態。

      3.2.2 頻繁項目集與關聯規則的發現

      在個性化遠程學習系統中，對事務文件的挖掘，可得到用戶訪問的頻繁項目集和關聯規則。這些規則反映了不同用戶的共同訪問模式，可以直接用來改進Web站點設計和重組教學內容。可以使用Apriori算法來挖掘頻繁項目集與關聯規則模式。該算法首先產生滿足支持度約束的頻繁項目集L={l₁，l₂，…，l_n}，然后由L產生關聯規則，其中sup為XＵY的支持度，conf=sup(xＵp)／sup(x)為規則的置信度。

      3.2.3 頻繁路徑挖掘算法

      遍歷路徑指的是在用戶會話中請求頁面所組成的序列，這種序列對個性化教學系統的站點組織管理很重要。從站點的組織來看，總希望用戶瀏覽行為與頁面間超鏈設置相一致。設會話集為S={s₁，s₂，…，s_n}，路徑集為P=<u₁，u₂，…，u_v>(其中u_i∈站點的url頁面集U={url₁，url₂，…，url_n})。包含頻繁遍歷路徑的用戶會話的數目叫支持度。路徑p在s中的支持度為sup(p)= |{s／s∈S且p在s中出現}|／n，路徑挖掘就是要找出支持度大于小支持度min sup的路徑，稱為頻繁路徑。

      4 系統的實現

      考慮到遠程教育系統的分布特性和開放性，我們采用方便維護升級的基于Web的瀏覽器／服務器模式，學生客戶端采用IE或Netscape標準瀏覽器，服務器端采用Win-dows 2000 IIS 5.0 Web服務器，信息發布系統采用VB-Script 和ASP腳本網頁數據庫交互式應用技術開發，部分網頁采用Java Script技術實現，后臺數據庫采用SQLServer 2000管理各種數據表格，智能導航算法和搜索教師Agent以及學習效果自我評價、考試測試系統都是采用ASP和ActiveX技術開發的。訪問權限管理除了一般的用戶名、密碼驗證外，還增加了IP地址訪問權限管理以及S-HTTP編碼傳輸技術。開發工具采用Microsoft Inter-Dev和FrontPage。在個性化跟蹤方面我們采用基于MSAgent的角色編程技術，并與ActiveX控件相結合，給予學生以各種人性化的提示和引導。超級管理員、教師和學生分別進入不同的權限畫面，并可進行教學資源管理和討論交流等細化分工。

      5 結 語

      隨著人工智能和信息技術的發展，智能化、個性化的網絡遠程教育模式將成為未來教育的主要手段，利用Agent和數據挖掘技術來構建Web遠程教育系統將成為現代遠程教育系統開發的一個熱點。本文介紹了Agent的技術優勢，并給出了一個基于Agent和數據挖掘的Web遠程教育系統框架。與其他遠程教育系統相比，基于Agent和數據挖掘的遠程教育系統使系統的負載能力、靈活性和智能性等都得到提高，從而較好地滿足了現代Web遠程教育的需求。當然，為了更好地實現系統之間的協作性和互操作性，今后還需要在諸如系統的安全性、系統的跨平臺性等方面做進一步地研究。