CN115545587B - 一种基于多智能体的课堂教学方案评价方法及系统 - Google Patents

一种基于多智能体的课堂教学方案评价方法及系统 Download PDF

Info

Publication number
CN115545587B
CN115545587B CN202211545381.2A CN202211545381A CN115545587B CN 115545587 B CN115545587 B CN 115545587B CN 202211545381 A CN202211545381 A CN 202211545381A CN 115545587 B CN115545587 B CN 115545587B
Authority
CN
China
Prior art keywords
classroom
student
teacher
learning
agent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211545381.2A
Other languages
English (en)
Other versions
CN115545587A (zh
Inventor
高朝邦
赵千
梁华
李霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University
Original Assignee
Chengdu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu University filed Critical Chengdu University
Priority to CN202211545381.2A priority Critical patent/CN115545587B/zh
Publication of CN115545587A publication Critical patent/CN115545587A/zh
Application granted granted Critical
Publication of CN115545587B publication Critical patent/CN115545587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及教育信息技术领域，公开了一种基于多智能体的课堂教学方案评价方法及系统，包括：输入待评价的课堂教学知识点与学生座位安排方案；根据实际的课堂情况与学生的学习情况，初始化课堂信息库与学生信息库;创建教师智能体和学生智能体组；教师智能体按照决策支持库中预设的教师智能体行动流程进行行动，学生智能体按照决策支持库中预设的师生间互动行为偏好下的学生课堂参与流程、同学间互动行为偏好下的学生课堂参与流程，以及不互动行为偏好下的学生课堂参与流程进行行动；检查课堂教学是否结束，输出学生课堂学习参与率。本发明还公开的评价系统，包括输入模块、课堂教学方案评价模块和输出模块。

Description

一种基于多智能体的课堂教学方案评价方法及系统
技术领域
本发明涉及教育信息技术领域，具体地说，是一种基于多智能体的课堂教学方案评价方法及系统。
背景技术
课堂教学活动是一项有计划的活动。在开展课堂教学活动之前，教师先制定课堂教学计划，即课堂教学方案。然后，教师按照事先制定好的课堂教学方案，开展课堂教学活动。课堂教学活动本质是课堂教学方案的实施过程。课堂教学效果既会受到课堂教学方案实施过程的影响，也会受到课堂教学方案本身的影响。好的课堂教学效果是建立在可行有效的课堂教学方案基础之上的。因此，从众多课堂教学方案中筛选出可行有效的方案，是下一步实施课堂教学方案的前提。这就需要我们能够在课堂教学方案实施之前对课堂教学方案的可行性与有效性做出评价。
现有的课堂教学效果评价系统，按评价方式划分，可以分为两类：一类是由专人进行现场观摩，并按照一定的评价标准做出评价的方式；另一类是借助信息技术，通过对课堂教学活动中所产生的各类数据进行收集与分析做出评价的方式。 无论何种评价方式，现有的课堂教学效果评价系统都只是针对课堂教学方案实施过程进行评价，而缺少对课堂教学方案可行性与有效性的评价。
本发明旨在提供一种课堂教学方案评价系统，以解决现有技术中无法在课堂教学活动开展之前对课堂教学方案的可行性与有效性进行评价的问题。
发明内容
本发明的目的在于提供一种基于多智能体的课堂教学方案评价方法及系统，基于多智能体仿真技术，在考虑学生间互动行为与师生间互动行为综合影响下，对课堂教学知识点编排方案与学生座位安排方案，实现从学生的整体学习参与状况的角度进行方案可行性与有效性的评价。
本发明通过下述技术方案实现：一种基于多智能体的课堂教学方案评价方法，包括以下步骤：
步骤S1，通过输入模块，输入待评价的课堂教学知识点方案与学生座位安排方案；
步骤S2，根据实际的课堂情况与学生的学习情况，初始化课堂信息库与学生信息库;
步骤S3，创建教师智能体和学生智能体组；所述教师智能体的属性信息包括参与师生互动的学生的正反馈概率；所述学生智能体的属性信息包括课堂师生间关系距离、课堂同学间关系距离、课堂学习参与概率、课堂知识点理解力和课堂互动偏好类型；
步骤S4，教师智能体按照决策支持库中预设的教师智能体行动流程进行行动，学生智能体按照决策支持库中预设的师生间互动行为偏好下的学生课堂参与流程、同学间互动行为偏好下的学生课堂参与流程，以及不互动行为偏好下的学生课堂参与流程进行行动；
步骤S5，更新行为状态库中的教师智能体实时行为状态、学生智能体实时行为状态，以及学生智能体课堂学习实时参与状态；
步骤S6，检查课堂教学是否结束，如果没有结束则返回步骤S3，如果结束则进入步骤S7；
步骤S7，根据当前行为状态库中的学生智能体课堂学习实时参与状态计算并通过输出模块输出学生课堂学习参与率。
为了更好地实现本发明，进一步地，所述步骤S1包括：
根据知识点讲授时间单元数和知识点难度设计课堂教学知识点方案；
以教师授课时所在教室讲台的中心位置为原点设计学生座位安排方案，x坐标表示座位相对于原点的下偏移量，y坐标表示座位相对于过原点的教室中线的偏移量。
为了更好地实现本发明，进一步地，所述步骤S4中教师智能体行动流程包括：
所述步骤S4中教师智能体行动流程包括：
步骤S4a1，课堂教学开始；
步骤S4a2，获取本堂课所要向学生智能体传递的知识点列表；
步骤S4a3，按列表中的知识点先后顺序选择需要传递的知识点；
步骤S4a4，将知识点的信息发送给全体学生智能体，知识点的信息包括知识点难度信息与学习该知识点所需时间单元数；
步骤S4a5，获取参与师生互动的学生智能体在当前时间单元的课堂学习参与结果信息，并根据师生课堂互动中对学生的正反馈概率，给予学生智能体正/负反馈；
步骤S4a6，检查知识点的累积讲授时间单元数是否已经达到该知识点需要的讲授时间单元数，如果是则进入步骤S4a7，如果否则返回步骤S4a5；
步骤S4a7，检查当前知识点是否已经是本堂课最后一个知识点，如果是则进入步骤S4a8，如果否则返回步骤S4a3；
步骤S4a8，课堂教学结束。
为了更好地实现本发明，进一步地，所述步骤S4b4包括：
步骤S4b41，对自身的累积课堂学习时间单元数增加1；
步骤S4b42，根据自身与教师智能体之间的互动概率选择是否与教师进行互动，如果选择互动，则进入步骤S4b43；如果选择不互动，则进入步骤S4b44；
根据学生智能体与教师智能体互动的最大概率、学生智能体所在座位到教师位置的距离、学生智能体到教师智能体的最小距离和大于0的互动概率调整系数计算自身与教师智能体之间的互动概率；
步骤S4b43，获得教师正反馈后，缩短自身与教师智能体的课堂关系距离；
获得教师负反馈后，增加自身与教师智能体的课堂关系距离；
并基于更新后的自身与教师智能体的课堂关系距离，更新自身与教师智能体的课堂关系亲近度；
自身与教师智能体的课堂关系距离的初始值可以从学生信息库中的师生初始课堂关系距离确定，在更新自身与教师智能体的课堂关系距离时，如果更新后自身与教师智能体的课堂关系距离小于1，则令更新后自身与教师智能体的课堂关系距离等于1；
步骤S4b44，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4b5，如果没有掌握，则进入步骤S4b45；
步骤S4b45，根据知识点的难度与自身知识点理解力，计算知识点掌握概率，根据计算所得的掌握概率，更新当前知识点的掌握状态。
为了更好地实现本发明，进一步地，所述步骤S4中同学间互动行为偏好下的学生课堂参与流程包括：
步骤S4c1，学生智能体开始当前时间单元的课堂学习；
步骤S4c2，获取教师智能体发来的课堂教学知识点的信息；
步骤S4c3，根据自身的当前课堂学习参与概率，进行课堂学习参与与否的选择。如果选择参与课堂学习，则对自身的累积课堂学习时间单元数增加1；如果选择不参与学习，则对自身的累积课堂不学习时间单元数增加1；
步骤S4c4，与临近周围学生智能体互动，获取临近周围学生智能体的课堂学习参与情况，并更新自身与临近周围学生智能体的关系距离，当自身课堂学习参与行动与临近周围学生智能体的课堂学习参与行动一致时，缩短与这些学生智能体的课堂关系距离；所述临近周围学生智能体为自身座位相距1个单位距离座位上的学生智能体；
当自身课堂学习参与行动与临近周围学生智能体的课堂学习参与行动不一致时，增加与这些学生智能体的课堂关系距离；
并基于更新后的自身与临近周围学生智能体的课堂关系距离，更新自身与临近周围学生智能体的课堂关系亲近度；
自身与临近周围学生智能体的关系距离的初始值可以从学生信息库中的学生初始课堂关系距离确定，在更新时，如果更新后的自身与临近周围学生智能体的关系距离小于1，则令更新后的自身与临近周围学生智能体的关系距离等于1；
步骤S4c5，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4c7，如果没有掌握；
则进入步骤S4c6；
步骤S4c6，根据知识点的难度与自身知识点理解力，计算知识点掌握概率，根据计算所得的掌握概率，更新当前知识点的掌握状态；
步骤S4c7，检查知识点讲授是否已经结束，如果是，则进入步骤S4c8，如果不是则进入步骤S4c9；
步骤S4c8，根据知识点掌握状态，调整自身课堂学习基础参与概率，如果知识点已经掌握，则不调整，如果知识点未掌握，则对自身课堂学习基础参与概率进行调整，直到将自身课堂学习基础参与概率调整到0为止；
步骤S4c9，根据自身与临近周围学生智能体的课堂关系亲近度、自身课堂学习基础参与概率，以及累积课堂学习时间单元数与累积课堂不学习时间单元数，计算当前课堂学习参与概率；
首先根据临近周围学生智能体数计算自身与临近周围学生智能体的平均关系亲近度；
然后根据临近周围学生智能体数、临近周围学生智能体的课堂学习时间单元数与课堂不学习时间单元数计算临近周围智能体的累积课堂学习时间单元数总和与累积课堂不学习时间单元数总和；
最后，分别在当自身与临近周围学生智能体的平均关系亲近度大于等于学生间课堂关系亲近度上限阈值时，当自身与临近周围学生智能体的平均关系亲近度小于等于学生间课堂关系亲近度下限阈值时，当学生间课堂关系亲近度下限阈值小于自身与临近周围学生智能体的平均关系亲近度小于学生间课堂关系亲近度上限阈值时，计算当前课堂学习参与概率；
步骤S4c10，结束当前时间单元的课堂学习。
为了更好地实现本发明，进一步地，所述步骤S4中不互动行为偏好下的学生课堂参与流程包括：
步骤S4d1，学生智能体开始当前时间单元的课堂学习；
步骤S4d2，获取教师智能体发来的课堂教学知识点的信息；
步骤S4d3，根据自身的当前课堂学习参与概率，进行课堂学习参与与否的选择，如果选择参与课堂学习，对自身的累积课堂学习时间单元数增加1；如果选择不参与学习，对自身的累积课堂不学习时间单元数增加1；
步骤S4d4，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4d6，如果没有掌握，则进入步骤S4d5；
步骤S4d5，根据知识点的难度与自身知识点理解力，计算知识点掌握概率；
根据计算所得的掌握概率，更新当前知识点的掌握状态；
步骤S4d6，检查知识点讲授是否已经结束，如果是，则进入步骤S4d7，如果不是，则进入步骤S4d8；
步骤S4d7，根据知识点掌握状态，调整自身课堂学习基础参与概率，如果知识点已经掌握，则不调整，如果知识点未掌握，则对自身课堂学习基础参与概率进行调整，直到将自身课堂学习基础参与概率调整到0为止；
步骤S4d8，根据身课堂学习基础参与概率计算当前课堂学习参与概率；
步骤S4d9，结束当前时间单元的课堂学习。
为了更好地实现本发明，进一步地，所述步骤S7包括：
根据总的学生智能体数、课堂时间单元数、学生智能体、学生智能体的累积课堂学习时间单元数计算学生课堂学习参与率。
为了更好地实现本发明，进一步地，本发明还提供了一种基于多智能体的课堂教学方案评价系统，包括输入模块、课堂教学方案评价模块和输出模块，其中：
输入模块、课堂教学方案评价模块和输出模块依次连接；
输入模块用于接收课堂教学知识点编排方案与学生座位安排方案，课堂教学知识点编排方案是由多个知识点元素所构成的一个线性列表；每一个知识点元素的属性包括知识点难度和知识点传递所需时间单元数；学生座位编排方案是由多个学号-座位号组合所构成的一个线性列表；
课堂教学方案评价模块包括学生智能体组、学生信息库、课堂信息库、教师智能体、决策支持库和行为状态库，用于在考虑学生间互动行为与师生间互动行为综合影响下，评价课堂教学知识点编排方案与学生座位安排方案；所述学生智能体组包括一个学生管理智能体与若干学生智能体；所述学生管理智能体分别和学生智能体与学生信息库连接，所述学生信息库分别和课堂信息库与决策支持库连接，所述课堂信息库和教师智能体连接，所述教师智能体如分别与行为状态库和决策支持库连接，所述行为状态库分别和决策支持库和学生智能体连接；
输出模块用于根据行为状态库计算输出整堂课的学生课堂学习参与率作为对课堂教学知识点编排方案与学生座位安排方案的评价。
为了更好地实现本发明，进一步地，课堂信息库包括课堂时间单元数、学生座位数和学生座位信息表；座位信息表是由若干座位信息元素所构成，每个座位信息元素包括座位号与座位坐标（x,y），座位坐标是以讲台为原点的偏移量；
学生信息库包括学生信息模块与学生信息输入接口；
学生信息模块包括学号、课堂互动行为偏好、师生初始课堂关系距离、学生间初始课堂关系距离、知识点理解力、课堂学习初始参与概率；课堂互动行为偏好包括师生间互动型、同学间互动型与不互动型；学生信息输入接口同时提供手动录入学生信息，与从各主流在校学生信息管理系统导入学生信息的功能；
学生管理智能体用于根据学生信息库，创建学生智能体，每个创建出的学生智能体属性由学生信息库中的内容所确定；
教师智能体的属性包括师生课堂互动中对学生的正反馈概率和负反馈概率。
决策支持库包括教师知识点讲授流程、师生间互动行为偏好下的学生课堂参与流程、同学间互动偏好下的学生课堂参与流程，以及不互动行为偏好下的学生课堂参与流程；
行为状态库包括教师智能体实时行为状态、学生智能体实时行为状态以及学生智能体课堂学习实时参与状态。
本发明与现有技术相比，具有以下优点及有益效果：
本发明将课堂教学方案分解为课堂教学知识点编排方案与学生座位安排方案。然后，再基于多智能体仿真技术，在考虑学生间互动行为与师生间互动行为综合影响下，对课堂教学知识点编排方案与学生座位安排方案，从学生的整体学习参与状况的角度进行方案可行性与有效性的评价。
附图说明
本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种基于多智能体的课堂教学方案评价系统的结构示意图。
图2为本发明提供的一种基于多智能体的课堂教学方案评价方法的流程示意图。
图3为本发明提供的教师智能体行动流程示意图。
图4为本发明提供的师生间互动行为偏好下的学生课堂参与流程示意图。
图5为本发明提供的同学间互动行为偏好下的学生课堂参与流程示意图。
图6为本发明提供的不互动行为偏好下的学生课堂参与流程示意图。
图7为本发明提供的学生的座位坐标和教师授课时所在位置示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本实施例的一种基于多智能体的课堂教学方案评价方法，本方法运行的全流程如图2所示。
步骤S1，通过输入模块，输入待评价的课堂教学知识点方案与学生座位安排方案；
步骤S2，根据实际的课堂情况与学生的学习情况，初始化课堂信息库与学生信息库;
步骤S3，创建教师智能体和学生智能体组；所述教师智能体的属性信息包括参与师生互动的学生的正反馈概率；所述学生智能体的属性信息包括课堂师生间关系距离、课堂同学间关系距离、课堂学习参与概率、课堂知识点理解力和课堂互动偏好类型；
步骤S4，教师智能体按照决策支持库中预设的教师智能体行动流程进行行动，学生智能体按照决策支持库中预设的师生间互动行为偏好下的学生课堂参与流程、同学间互动行为偏好下的学生课堂参与流程，以及不互动行为偏好下的学生课堂参与流程进行行动；
步骤S5，更新行为状态库中的教师智能体实时行为状态、学生智能体实时行为状态，以及学生智能体课堂学习实时参与状态；
步骤S6，检查课堂教学是否结束，如果没有结束则返回步骤S3，如果结束则进入步骤S7；
步骤S7，根据当前行为状态库中的学生智能体课堂学习实时参与状态计算并通过输出模块输出学生课堂学习参与率；
最后，学生课堂学习参与率H表示为：
Figure 781940DEST_PATH_IMAGE001
；
其中，N表示总的学生智能体数，
Figure 554856DEST_PATH_IMAGE002
表示课堂时间单元数，/>
Figure 317669DEST_PATH_IMAGE003
表示学生智能体i的累积课堂学习时间单元数。
实施例2：
本实施例在实施例1的基础上做进一步优化，如图3所示，教师智能体行动流程包括：
步骤S4a1，课堂教学开始；
步骤S4a2，获取本堂课所要向学生智能体传递的知识点列表；
步骤S4a3，按列表中的知识点先后顺序选择需要传递的知识点k；
步骤S4a4，将知识点k的信息发送给全体学生智能体，知识点k的信息包括知识点难度信息
Figure 425302DEST_PATH_IMAGE004
与学习该知识点所需时间单元数/>
Figure 351670DEST_PATH_IMAGE005
；/>
步骤S4a5，获取参与师生互动的学生智能体在当前时间单元的课堂学习参与结果信息，并根据师生课堂互动中对学生的正反馈概率
Figure 182353DEST_PATH_IMAGE006
，给予学生智能体正/负反馈；
步骤S4a6，检查知识点k的累积讲授时间单元数是否已经达到该知识点需要的讲授时间单元数，如果是则进入步骤S4a7，如果否则返回步骤S4a5；
步骤S4a7，检查当前知识点是否已经是本堂课最后一个知识点，如果是则进入步骤S4a8，如果否则返回步骤S4a3；
步骤S4a8，课堂教学结束。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例在上述实施例1或2的基础上做进一步优化，如图4所示，师生间互动行为偏好下的学生课堂参与流程包括：
步骤S4b1，学生智能体i开始当前时间单元的课堂学习；
步骤S4b2，获取教师智能体发来的课堂教学知识点k的信息；
步骤S4b3，根据自身的当前课堂学习参与概率
Figure 801554DEST_PATH_IMAGE007
，进行课堂学习参与与否的选择，如果选择参与课堂学习，学生智能体i开始当前时间单元的课堂学习，并进入步骤S4b4；如果选择不参与学习，对自身的累积课堂不学习时间单元数/>
Figure 599745DEST_PATH_IMAGE008
增加1，并进入步骤S4b5；
步骤S4b4，计算知识点掌握概率
Figure 329804DEST_PATH_IMAGE009
，根据/>
Figure 513529DEST_PATH_IMAGE009
更新知识点掌握状态；
步骤S4b5，检查知识点讲授是否已经结束，如果是，则进入步骤S4b6，如果不是则进入步骤S4b7；
步骤S4b6，根据知识点掌握状态，调整自身课堂学习基础参与概率
Figure 569210DEST_PATH_IMAGE010
，如果知识点已经掌握，则不调整/>
Figure 854698DEST_PATH_IMAGE010
，如果知识点未掌握，则调整/>
Figure 139180DEST_PATH_IMAGE010
，并表示为：/>
Figure 193724DEST_PATH_IMAGE011
；
其中，
Figure 154726DEST_PATH_IMAGE012
为课堂学习初始参与概率，/>
Figure 661931DEST_PATH_IMAGE013
，/>
Figure 468213DEST_PATH_IMAGE010
的调整直到0为止；这里的/>
Figure 148900DEST_PATH_IMAGE014
为自身课堂学习基础参与概率的调整量，是一个根据学生学情预先设定的参数。
步骤S4b7，根据
Figure 15225DEST_PATH_IMAGE010
、/>
Figure 275305DEST_PATH_IMAGE015
计算当前课堂学习参与概率/>
Figure 636010DEST_PATH_IMAGE007
，并表示为：
Figure 665146DEST_PATH_IMAGE016
；
其中，
Figure 967952DEST_PATH_IMAGE017
、/>
Figure 715328DEST_PATH_IMAGE018
，/>
Figure 378259DEST_PATH_IMAGE019
为课堂学习参与概率调整系数，/>
Figure 261902DEST_PATH_IMAGE020
为师生课堂关系亲近度上限阈值，/>
Figure 735608DEST_PATH_IMAGE021
为师生课堂关系亲近度下限阈值；
步骤S4b8，结束当前时间单元的课堂学习。
计算知识点掌握概率
Figure 704701DEST_PATH_IMAGE022
，根据/>
Figure 407209DEST_PATH_IMAGE022
更新知识点掌握状态的过程包括：/>
步骤S4b41，对自身的累积课堂学习时间单元数
Figure 410937DEST_PATH_IMAGE023
增加1；
步骤S4b42，根据自身与教师智能体之间的互动概率
Figure 789966DEST_PATH_IMAGE024
，选择是否与教师进行互动，如果选择互动，则进入步骤S4b43；如果选择不互动，则进入步骤S4b42，/>
Figure 29711DEST_PATH_IMAGE024
的计算公式为：/>
Figure 785177DEST_PATH_IMAGE025
；
其中，
Figure 643412DEST_PATH_IMAGE026
为学生智能体与教师智能体互动的最大概率，/>
Figure 458921DEST_PATH_IMAGE027
为学生智能体所在座位到教师位置的距离，/>
Figure 153339DEST_PATH_IMAGE028
为学生智能体到教师智能体的最小距离，/>
Figure 712496DEST_PATH_IMAGE029
为大于0的互动概率调整系数；
Figure 425237DEST_PATH_IMAGE024
的计算公式表明，随着座位远离教师，偏好于与教师互动的学生的师生间互动可能性会下降；
步骤S4b43，获得教师正反馈
Figure 660915DEST_PATH_IMAGE030
后，更新自身与教师智能体的课堂关系距离
Figure 91897DEST_PATH_IMAGE031
，并表示为/>
Figure 189166DEST_PATH_IMAGE032
；
其中
Figure 756413DEST_PATH_IMAGE033
为更新后的自身与教师智能体的课堂关系距离；
获得教师负反馈
Figure 664457DEST_PATH_IMAGE034
后，更新自身与教师智能体的课堂关系距离/>
Figure 582735DEST_PATH_IMAGE031
，并表示为/>
Figure 218116DEST_PATH_IMAGE035
；
其中，
Figure 905449DEST_PATH_IMAGE036
为更新后的自身与教师智能体的课堂关系距离；
并在更新的自身与教师智能体的课堂关系距离发基础上，更新自身与教师智能体的课堂关系亲近度
Figure 751438DEST_PATH_IMAGE037
，并表示为：
Figure 891433DEST_PATH_IMAGE038
或/>
Figure 596084DEST_PATH_IMAGE039
；
其中，
Figure 872344DEST_PATH_IMAGE031
的初始值可以从学生信息库中的师生初始课堂关系距离确定，
Figure 420394DEST_PATH_IMAGE040
、/>
Figure 47684DEST_PATH_IMAGE041
，另外需要注意的是在更新/>
Figure 24867DEST_PATH_IMAGE031
时，如果更新后/>
Figure 201640DEST_PATH_IMAGE033
或
Figure 871655DEST_PATH_IMAGE036
小于1，则令更新后的/>
Figure 986242DEST_PATH_IMAGE033
或/>
Figure 517848DEST_PATH_IMAGE036
等于1；
步骤S4b44，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4b5，如果没有掌握，则进入步骤S4b45；
步骤S4b45，根据知识点k的难度
Figure 34280DEST_PATH_IMAGE042
与自身知识点理解力/>
Figure 875198DEST_PATH_IMAGE043
，计算知识点掌握概率/>
Figure 477080DEST_PATH_IMAGE022
，并表示为：/>
Figure 591141DEST_PATH_IMAGE044
；
其中，
Figure 962079DEST_PATH_IMAGE045
、/>
Figure 239477DEST_PATH_IMAGE046
，根据计算所得的掌握概率/>
Figure 813809DEST_PATH_IMAGE022
，更新当前知识点的掌握状态。
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
实施例4：
本实施例在上述实施例1-3任一项的基础上做进一步优化，如图5所示，同学间互动行为偏好下的学生课堂参与流程包括：
步骤S4c1，学生智能体i开始当前时间单元的课堂学习；
步骤S4c2，取教师智能体发来的课堂教学知识点k的信息；
步骤S4c3，根据自身的当前课堂学习参与概率
Figure 202065DEST_PATH_IMAGE007
，进行课堂学习参与与否的选择；如果选择参与课堂学习，则对自身的累积课堂学习时间单元数/>
Figure 427509DEST_PATH_IMAGE023
增加1；如果选择不参与学习，则对自身的累积课堂不学习时间单元数/>
Figure 875808DEST_PATH_IMAGE047
增加1；
步骤S4c4，与临近周围学生智能体互动，获取临近周围学生智能体的课堂学习参与情况，并更新自身与临近周围学生智能体j的关系距离
Figure 701551DEST_PATH_IMAGE048
，当自身课堂学习参与行动与临近周围学生智能体j的课堂学习参与行动一致时，并表示为：/>
Figure 627918DEST_PATH_IMAGE049
；
其中，教师正反馈为
Figure 707870DEST_PATH_IMAGE030
；所述临近周围学生智能体为自身座位相距1个单位距离座位上的学生智能体。
当自身课堂学习参与行动与临近周围学生智能体i的课堂学习参与行动不一致时，并表示为：
Figure 327070DEST_PATH_IMAGE050
，其中，教师负反馈为/>
Figure 875994DEST_PATH_IMAGE034
；
并在更新的
Figure 340474DEST_PATH_IMAGE051
和/>
Figure 540511DEST_PATH_IMAGE052
基础上，更新自身与临近周围学生智能体i的课堂关系亲近度/>
Figure 330612DEST_PATH_IMAGE053
，/>
Figure 868297DEST_PATH_IMAGE054
；
其中
Figure 402047DEST_PATH_IMAGE055
的初始值可以从学生信息库中的学生初始课堂关系距离确定，
Figure 456591DEST_PATH_IMAGE056
、/>
Figure 902747DEST_PATH_IMAGE057
，另外需要注意的是在更新/>
Figure 675530DEST_PATH_IMAGE055
时，如果更新后的/>
Figure 747392DEST_PATH_IMAGE051
或/>
Figure 656442DEST_PATH_IMAGE058
小于1，则令更新后的/>
Figure 37614DEST_PATH_IMAGE059
或/>
Figure 32114DEST_PATH_IMAGE058
等于1；
步骤S4c5，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4c7，如果没有掌握；
则进入步骤S4c6；
步骤S4c6，根据知识点k的难度
Figure 907666DEST_PATH_IMAGE042
与自身知识点理解力/>
Figure 202382DEST_PATH_IMAGE043
，计算知识点掌握概率/>
Figure 990340DEST_PATH_IMAGE022
Figure 737716DEST_PATH_IMAGE060
；
其中
Figure 151380DEST_PATH_IMAGE045
、/>
Figure 818378DEST_PATH_IMAGE046
，根据计算所得的掌握概率/>
Figure 26506DEST_PATH_IMAGE022
，更新当前知识点的掌握状态；
步骤S4c7，检查知识点讲授是否已经结束，如果是，则进入步骤S4c8，如果不是则进入步骤S4c9；
步骤S4c8，根据知识点掌握状态，调整自身课堂学习基础参与概率
Figure 995599DEST_PATH_IMAGE010
，如果知识点已经掌握，则不调整/>
Figure 212953DEST_PATH_IMAGE010
，如果知识点未掌握，则调整/>
Figure 701835DEST_PATH_IMAGE010
；
Figure 612022DEST_PATH_IMAGE010
表示为：/>
Figure 68411DEST_PATH_IMAGE011
，
其中，
Figure 73145DEST_PATH_IMAGE012
为课堂学习初始参与概率，/>
Figure 931379DEST_PATH_IMAGE013
，/>
Figure 746889DEST_PATH_IMAGE010
的调整直到0为止；
步骤S4c9，根据
Figure 690574DEST_PATH_IMAGE010
、/>
Figure 734885DEST_PATH_IMAGE061
，以及累积课堂学习时间单元数与累积课堂不学习时间单元数，计算当前课堂学习参与概率/>
Figure 447626DEST_PATH_IMAGE007
；
首先计算自身与周围学生智能体的平均关系亲近度
Figure 434036DEST_PATH_IMAGE062
，设临近周围学生智能体数为n，则
Figure 865017DEST_PATH_IMAGE063
；
然后计算周围学生智能体的累积课堂学习时间单元数总和
Figure 480063DEST_PATH_IMAGE064
与累积课堂不学习时间单元数总和/>
Figure 47311DEST_PATH_IMAGE065
，并分别表示为：/>
Figure 204622DEST_PATH_IMAGE066
和/>
Figure 857321DEST_PATH_IMAGE067
；
上述n表示周围学生智能体数，
Figure 509013DEST_PATH_IMAGE068
、/>
Figure 727505DEST_PATH_IMAGE069
分别表示临近周围第j个学生智能体的课堂学习时间单元数与课堂不学习时间单元数；/>
最后，当
Figure 55718DEST_PATH_IMAGE070
时，/>
Figure 444980DEST_PATH_IMAGE071
；
当
Figure 884051DEST_PATH_IMAGE072
时，/>
Figure 425891DEST_PATH_IMAGE073
；
当
Figure 925006DEST_PATH_IMAGE074
时，/>
Figure 568608DEST_PATH_IMAGE075
；
上述
Figure 811370DEST_PATH_IMAGE076
、/>
Figure 473296DEST_PATH_IMAGE077
，/>
Figure 383790DEST_PATH_IMAGE019
为课堂学习参与概率调整系数，/>
Figure 232797DEST_PATH_IMAGE078
为学生间课堂关系亲近度上限阈值，/>
Figure 279251DEST_PATH_IMAGE079
为学生间课堂关系亲近度下限阈值；
步骤S4c10，结束当前时间单元的课堂学习。
本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。
实施例5：
本实施例在上述实施例1-4任一项基础上做进一步优化，如图6所示，不互动行为偏好下的学生课堂参与流程包括：
步骤S4d1，学生智能体i开始当前时间单元的课堂学习；
步骤S4d2，获取教师智能体发来的课堂教学知识点k的信息；
步骤S4d3，根据自身的当前课堂学习参与概率
Figure 61262DEST_PATH_IMAGE080
，进行课堂学习参与与否的选择，如果选择参与课堂学习，对自身的累积课堂学习时间单元数/>
Figure 652911DEST_PATH_IMAGE081
增加1；如果选择不参与学习，对自身的累积课堂不学习时间单元数/>
Figure 254794DEST_PATH_IMAGE082
增加1；
步骤S4d4，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4d6，如果没有掌握，则进入步骤S4d5；
步骤S4d5，根据知识点k的难度
Figure 839359DEST_PATH_IMAGE042
与自身知识点理解力/>
Figure 459565DEST_PATH_IMAGE043
，计算知识点掌握概率/>
Figure 471383DEST_PATH_IMAGE022
，并表示为：/>
Figure 560562DEST_PATH_IMAGE083
；
其中，
Figure 948818DEST_PATH_IMAGE045
、/>
Figure 190575DEST_PATH_IMAGE046
。根据计算所得的掌握概率/>
Figure 373294DEST_PATH_IMAGE022
，更新当前知识点的掌握状态；
步骤S4d6，检查知识点讲授是否已经结束，如果是，则进入步骤S4d7，如果不是，则进入步骤S4d8；
步骤S4d7，根据知识点掌握状态，调整自身课堂学习基础参与概率
Figure 949769DEST_PATH_IMAGE080
，如果知识点已经掌握，则不调整/>
Figure 128334DEST_PATH_IMAGE080
，如果知识点未掌握，则调整/>
Figure 473865DEST_PATH_IMAGE080
，并表示为：/>
Figure 827486DEST_PATH_IMAGE011
；
其中，
Figure 891257DEST_PATH_IMAGE012
为课堂学习初始参与概率，/>
Figure 372048DEST_PATH_IMAGE013
，/>
Figure 572085DEST_PATH_IMAGE010
的调整直到0为止；
步骤S4d8，根据
Figure 96607DEST_PATH_IMAGE010
，计算当前课堂学习参与概率/>
Figure 382095DEST_PATH_IMAGE084
，并表示为/>
Figure 430691DEST_PATH_IMAGE085
；
步骤S4d9，结束当前时间单元的课堂学习。
本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。
实施例6：
本实施例在上述实施例1-5任一项基础上做进一步优化，下面通过一个实例来说明系统的运行方式。本系统的结构示意图如图1所示。
输入模块：输入待评价的课堂教学知识点编排方案与学生座位安排方案。其中，课堂教学知识点编排方案如表1所示；学生座位安排方案如表2所示：
Figure 95022DEST_PATH_IMAGE086
Figure 56025DEST_PATH_IMAGE087
所有学生的座位坐标是教师授课时所在位置为原点的偏移量。通常以教室讲台的中心作为教师授课时所在位置。x坐标表示座位相对于原点的下偏移量。正对讲台方向第1排座位的x坐标为1，正对讲台方向第2排座位的x坐标为2，以此类推，即正对讲台方向第k排座位的x坐标为k。y坐标表示座位相对于过原点的教室中线的偏移量。正对讲台方向的中线左边第1列座位的y坐标为-1，正对讲台方向的中线左边第2列座位的y坐标为-2，以此类推，即正对讲台方向中线左边第k列座位的y坐标为-k。类似的，正对讲台方向中线右边第k列座位的y坐标为k，具体如图7所示。
初始化课堂信息库与学生信息库：设置课堂信息库如表3，设置学生信息库如表4，时间单元数
Figure 81006DEST_PATH_IMAGE088
且/>
Figure 418447DEST_PATH_IMAGE089
；/>
Figure 327497DEST_PATH_IMAGE090
Figure 459401DEST_PATH_IMAGE091
说明：表中
Figure 204634DEST_PATH_IMAGE031
表示初始课堂师生关系距离，/>
Figure 345765DEST_PATH_IMAGE055
表示初始课堂同学i与同学j间关系距离，TS表示师生互动偏好，SS表示同学间互动偏好，NN表示不互动偏好。表4反映了进行课堂学习的学生的基本情况，例如：编号S1的同学具有师生互动偏好，其在整个课堂学习中将始终保持师生互动行为偏好。
创建教师智能体与学生智能体组：对所创建的教师智能体，设置属性正反馈概率
Figure 109322DEST_PATH_IMAGE092
。根据表4中每个学生的基本信息，与表2中的座位信息创建与之对应的学生智能体。针对师生互动偏好的学生，创建师生互动行为偏好的学生智能体；针对同学间互动偏好的学生，创建同学间互动行为偏好的学生智能体；针对不互动行为偏好的学生，创建不互动行为偏好的学生智能体。学生智能体的属性除了表4中所示之外，还有一个属性为课堂学习基础参与概率/>
Figure 661395DEST_PATH_IMAGE010
。所有学生智能体的/>
Figure 408771DEST_PATH_IMAGE010
初始值设为课堂学习初始参与概率/>
Figure 822435DEST_PATH_IMAGE012
。
本实施例的其他部分与上述实施例1-5任一项相同，故不再赘述。
实施例7：
本实施例在上述实施例1-6任一项基础上做进一步优化，教师智能体执行教师智能体行动流程。教师智能体行动流程内嵌师生间互动行为偏好下的学生课堂参与流程、同学间互动行为偏好下的学生课堂参与流程，具体内嵌方式为：当教师智能体把所选知识点信息传递给所有学生智能体后，师生互动行为偏好的学生智能体、同学间互动行为偏好的学生智能体，以及不互动行为偏好的学生智能体，分别开始执行师生间互动行为偏好下的学生课堂参与流程、同学间互动行为偏好下的学生课堂参与流程。当所有学生智能体的行为流程执行完毕后，教师智能体继续执行教师智能体行动流程。
行为状态库记录教师智能体实时行为状态、学生智能体实时行为状态，以及学生智能体参与课堂学习的累积时间单元数；
输出模块当课堂教学结束时，根据记录的学生智能体参与课堂学习的累积时间单元数，计算学生课堂学习参与率，以评价课堂教学知识点编排方案与学生座位安排方案的可行性与有效性。
本实施例的其他部分与上述实施例1-6任一项相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (10)

1.一种基于多智能体的课堂教学方案评价方法，其特征在于，包括以下步骤：
步骤S1，通过输入模块，输入待评价的课堂教学知识点方案与学生座位安排方案；
步骤S2，根据实际的课堂情况与学生的学习情况，初始化课堂信息库与学生信息库;
步骤S3，创建教师智能体和学生智能体组；所述教师智能体的属性信息包括参与师生互动的学生的正反馈概率；所述学生智能体的属性信息包括课堂师生间关系距离、课堂同学间关系距离、课堂学习参与概率、课堂知识点理解力和课堂互动偏好类型；
步骤S4，教师智能体按照决策支持库中预设的教师智能体行动流程进行行动，学生智能体按照决策支持库中预设的师生间互动行为偏好下的学生课堂参与流程、同学间互动行为偏好下的学生课堂参与流程，以及不互动行为偏好下的学生课堂参与流程进行行动；
步骤S5，更新行为状态库中的教师智能体实时行为状态、学生智能体实时行为状态，以及学生智能体课堂学习实时参与状态；
步骤S6，检查课堂教学是否结束，如果没有结束则返回步骤S3，如果结束则进入步骤S7；
步骤S7，根据当前行为状态库中的学生智能体课堂学习实时参与状态计算并通过输出模块输出学生课堂学习参与率。
2.根据权利要求1所述的一种基于多智能体的课堂教学方案评价方法，其特征在于，所述步骤S1包括：
根据知识点讲授时间单元数和知识点难度设计课堂教学知识点方案；
以教师授课时所在教室讲台的中心位置为原点设计学生座位安排方案，x坐标表示座位相对于原点的下偏移量，y坐标表示座位相对于过原点的教室中线的偏移量。
3.根据权利要求1所述的一种基于多智能体的课堂教学方案评价方法，其特征在于，所述步骤S4中教师智能体行动流程包括：
步骤S4a1，课堂教学开始；
步骤S4a2，获取本堂课所要向学生智能体传递的知识点列表；
步骤S4a3，按列表中的知识点先后顺序选择需要传递的知识点；
步骤S4a4，将知识点的信息发送给全体学生智能体，知识点的信息包括知识点难度信息与学习该知识点所需时间单元数；
步骤S4a5，获取参与师生互动的学生智能体在当前时间单元的课堂学习参与结果信息，并根据师生课堂互动中对学生的正反馈概率，给予学生智能体正/负反馈；
步骤S4a6，检查知识点的累积讲授时间单元数是否已经达到该知识点需要的讲授时间单元数，如果是则进入步骤S4a7，如果否则返回步骤S4a5；
步骤S4a7，检查当前知识点是否已经是本堂课最后一个知识点，如果是则进入步骤S4a8，如果否则返回步骤S4a3；
步骤S4a8，课堂教学结束。
4.根据权利要求1所述的一种基于多智能体的课堂教学方案评价方法，其特征在于，所述步骤S4中师生间互动行为偏好下的学生课堂参与流程包括：
步骤S4b1，学生智能体开始当前时间单元的课堂学习；
步骤S4b2，获取教师智能体发来的课堂教学知识点的信息；
步骤S4b3，根据自身的当前课堂学习参与概率，进行课堂学习参与与否的选择，如果选择参与课堂学习，学生智能体开始当前时间单元的课堂学习，并进入步骤S4b4；如果选择不参与学习，对自身的累积课堂不学习时间单元数增加1，并进入步骤S4b5；
步骤S4b4，更新与教师关系距离，计算知识点掌握概率，更新知识点掌握状态；
步骤S4b5，检查知识点讲授是否已经结束，如果是，则进入步骤S4b6，如果不是则进入步骤S4b7；
步骤S4b6，根据知识点掌握状态，调整自身课堂学习基础参与概率，如果知识点已经掌握，则不调整，如果知识点未掌握，则对自身课堂学习基础参与概率进行调整，直到将自身课堂学习基础参与概率调整到0为止；
步骤S4b7，计算自身的当前课堂学习参与概率；
步骤S4b8，结束当前时间单元的课堂学习。
5.根据权利要求4所述的一种基于多智能体的课堂教学方案评价方法，其特征在于，所述步骤S4b4包括：
步骤S4b41，对自身的累积课堂学习时间单元数增加1；
步骤S4b42，根据自身与教师智能体之间的互动概率选择是否与教师进行互动，如果选择互动，则进入步骤S4b43；如果选择不互动，则进入步骤S4b44；
根据学生智能体与教师智能体互动的最大概率、学生智能体所在座位到教师位置的距离、学生智能体到教师智能体的最小距离和大于0的互动概率调整系数计算自身与教师智能体之间的互动概率；
步骤S4b43，获得教师正反馈后，缩短自身与教师智能体的课堂关系距离；
获得教师负反馈后，增加自身与教师智能体的课堂关系距离；
并基于更新后的自身与教师智能体的课堂关系距离，更新自身与教师智能体的课堂关系亲近度；
自身与教师智能体的课堂关系距离的初始值可以从学生信息库中的师生初始课堂关系距离确定，在更新自身与教师智能体的课堂关系距离时，如果更新后自身与教师智能体的课堂关系距离小于1，则令更新后自身与教师智能体的课堂关系距离等于1；
步骤S4b44，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4b5，如果没有掌握，则进入步骤S4b45；
步骤S4b45，根据知识点的难度与自身知识点理解力，计算知识点掌握概率，根据计算所得的掌握概率，更新当前知识点的掌握状态。
6.根据权利要求1所述的一种基于多智能体的课堂教学方案评价方法，其特征在于，所述步骤S4中同学间互动行为偏好下的学生课堂参与流程包括：
步骤S4c1，学生智能体开始当前时间单元的课堂学习；
步骤S4c2，获取教师智能体发来的课堂教学知识点的信息；
步骤S4c3，根据自身的当前课堂学习参与概率，进行课堂学习参与与否的选择，
如果选择参与课堂学习，则对自身的累积课堂学习时间单元数增加1；如果选择不参与学习，则对自身的累积课堂不学习时间单元数增加1；
步骤S4c4，与临近周围学生智能体互动，获取临近周围学生智能体的课堂学习参与情况，并更新自身与临近周围学生智能体的关系距离,当自身课堂学习参与行动与临近周围学生智能体的课堂学习参与行动一致时，缩短与这些学生智能体的课堂关系距离；所述临近周围学生智能体为自身座位相距1个单位距离座位上的学生智能体；
当自身课堂学习参与行动与临近周围学生智能体的课堂学习参与行动不一致时，增加与这些学生智能体的课堂关系距离；
并基于更新后的自身与临近周围学生智能体的课堂关系距离，更新自身与临近周围学生智能体的课堂关系亲近度；
自身与临近周围学生智能体的关系距离的初始值可以从学生信息库中的学生初始课堂关系距离确定，在更新时，如果更新后的自身与临近周围学生智能体的关系距离小于1，则令更新后的自身与临近周围学生智能体的关系距离等于1；
步骤S4c5，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4c7，如果没有掌握；
则进入步骤S4c6；
步骤S4c6，根据知识点的难度与自身知识点理解力，计算知识点掌握概率，根据计算所得的掌握概率，更新当前知识点的掌握状态；
步骤S4c7，检查知识点讲授是否已经结束，如果是，则进入步骤S4c8，如果不是则进入步骤S4c9；
步骤S4c8，根据知识点掌握状态，调整自身课堂学习基础参与概率，如果知识点已经掌握，则不调整，如果知识点未掌握，则对自身课堂学习基础参与概率进行调整，直到将自身课堂学习基础参与概率调整到0为止；
步骤S4c9，根据自身与临近周围学生智能体的课堂关系亲近度、自身课堂学习基础参与概率，以及累积课堂学习时间单元数与累积课堂不学习时间单元数，计算当前课堂学习参与概率；
首先根据临近周围学生智能体数计算自身与临近周围学生智能体的平均关系亲近度；
然后根据临近周围学生智能体数、临近周围学生智能体的课堂学习时间单元数与课堂不学习时间单元数计算临近周围智能体的累积课堂学习时间单元数总和与累积课堂不学习时间单元数总和；
最后，分别在当自身与临近周围学生智能体的平均关系亲近度大于等于学生间课堂关系亲近度上限阈值时，当自身与临近周围学生智能体的平均关系亲近度小于等于学生间课堂关系亲近度下限阈值时，当学生间课堂关系亲近度下限阈值小于自身与临近周围学生智能体的平均关系亲近度小于学生间课堂关系亲近度上限阈值时，计算当前课堂学习参与概率；
步骤S4c10，结束当前时间单元的课堂学习。
7.根据权利要求1所述的一种基于多智能体的课堂教学方案评价方法，其特征在于，所述步骤S4中不互动行为偏好下的学生课堂参与流程包括：
步骤S4d1，学生智能体开始当前时间单元的课堂学习；
步骤S4d2，获取教师智能体发来的课堂教学知识点的信息；
步骤S4d3，根据自身的当前课堂学习参与概率，进行课堂学习参与与否的选择，如果选择参与课堂学习，对自身的累积课堂学习时间单元数增加1；如果选择不参与学习，对自身的累积课堂不学习时间单元数增加1；
步骤S4d4，检查当前知识点是否已经掌握，如果已经掌握，则进入步骤S4d6，如果没有掌握，则进入步骤S4d5；
步骤S4d5，根据知识点的难度与自身知识点理解力，计算知识点掌握概率；
根据计算所得的掌握概率，更新当前知识点的掌握状态；
步骤S4d6，检查知识点讲授是否已经结束，如果是，则进入步骤S4d7，如果不是，则进入步骤S4d8；
步骤S4d7，根据知识点掌握状态，调整自身课堂学习基础参与概率，如果知识点已经掌握，则不调整，如果知识点未掌握，则对自身课堂学习基础参与概率进行调整，直到将自身课堂学习基础参与概率调整到0为止；
步骤S4d8，根据身课堂学习基础参与概率计算当前课堂学习参与概率；
步骤S4d9，结束当前时间单元的课堂学习。
8.根据权利要求1所述的一种基于多智能体的课堂教学方案评价方法，其特征在于，所述步骤S7包括：
根据总的学生智能体数、课堂时间单元数、学生智能体、学生智能体的累积课堂学习时间单元数计算学生课堂学习参与率。
9.一种基于多智能体的课堂教学方案评价系统，其特征在于，包括输入模块、课堂教学方案评价模块和输出模块，其中：
输入模块、课堂教学方案评价模块和输出模块依次连接；
输入模块用于接收课堂教学知识点编排方案与学生座位安排方案，课堂教学知识点编排方案是由多个知识点元素所构成的一个线性列表；每一个知识点元素的属性包括知识点难度和知识点传递所需时间单元数；学生座位编排方案是由多个学号-座位号组合所构成的一个线性列表；
课堂教学方案评价模块包括学生智能体组、学生信息库、课堂信息库、教师智能体、决策支持库和行为状态库，用于在考虑学生间互动行为与师生间互动行为综合影响下，评价课堂教学知识点编排方案与学生座位安排方案；所述学生智能体组包括一个学生管理智能体与若干学生智能体；所述学生管理智能体分别和学生智能体与学生信息库连接，所述学生信息库分别和课堂信息库与决策支持库连接，所述课堂信息库和教师智能体连接，所述教师智能体如分别与行为状态库和决策支持库连接，所述行为状态库分别和决策支持库和学生智能体连接；
输出模块用于根据行为状态库计算输出整堂课的学生课堂学习参与率作为对课堂教学知识点编排方案与学生座位安排方案的评价。
10.根据权利要求9所述的一种基于多智能体的课堂教学方案评价系统，其特征在于，包括：课堂信息库包括课堂时间单元数、学生座位数和学生座位信息表；座位信息表是由若干座位信息元素所构成，每个座位信息元素包括座位号与座位坐标(x,y)，座位坐标是以讲台为原点的偏移量；
学生信息库包括学生信息模块与学生信息输入接口；
学生信息模块包括学号、课堂互动行为偏好、师生初始课堂关系距离、学生间初始课堂关系距离、知识点理解力、课堂学习初始参与概率；课堂互动行为偏好包括师生间互动型、同学间互动型与不互动型；学生信息输入接口同时提供手动录入学生信息，与从各主流在校学生信息管理系统导入学生信息的功能；
学生管理智能体用于根据学生信息库，创建学生智能体，每个创建出的学生智能体属性由学生信息库中的内容所确定；
教师智能体的属性包括师生课堂互动中对学生的正反馈概率和负反馈概率；
决策支持库包括教师知识点讲授流程、师生间互动行为偏好下的学生课堂参与流程、同学间互动偏好下的学生课堂参与流程，以及不互动行为偏好下的学生课堂参与流程；
行为状态库包括教师智能体实时行为状态、学生智能体实时行为状态以及学生智能体课堂学习实时参与状态。
CN202211545381.2A 2022-12-05 2022-12-05 一种基于多智能体的课堂教学方案评价方法及系统 Active CN115545587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211545381.2A CN115545587B (zh) 2022-12-05 2022-12-05 一种基于多智能体的课堂教学方案评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211545381.2A CN115545587B (zh) 2022-12-05 2022-12-05 一种基于多智能体的课堂教学方案评价方法及系统

Publications (2)

Publication Number Publication Date
CN115545587A CN115545587A (zh) 2022-12-30
CN115545587B true CN115545587B (zh) 2023-03-24

Family

ID=84722656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211545381.2A Active CN115545587B (zh) 2022-12-05 2022-12-05 一种基于多智能体的课堂教学方案评价方法及系统

Country Status (1)

Country Link
CN (1) CN115545587B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579894B (zh) * 2023-04-06 2023-10-24 广东悦学科技有限公司 一种基于物联网智慧教室的师生互动检测方法
CN117670620B (zh) * 2024-01-31 2024-05-14 深圳市康莱米电子股份有限公司 一种教育平板智能交互方法、系统和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002304114A (ja) * 2001-04-03 2002-10-18 World Vision:Kk 学習支援システム及び記録媒体及びプログラム
CN106991627A (zh) * 2017-03-28 2017-07-28 广西师范大学 基于领域本体和多代理的分布式智能教学系统
CN108182838A (zh) * 2018-03-12 2018-06-19 山西师范大学 一种钢琴课的实时评价系统
JP2019200792A (ja) * 2018-05-15 2019-11-21 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ マルチエージェントシステムにおけるロボットの動作方法、ロボット及びマルチエージェントシステム
CN112001944A (zh) * 2020-07-09 2020-11-27 浙江大华技术股份有限公司 课堂教学质量评价数据的获取方法、计算机设备和介质
CN113065769A (zh) * 2021-04-02 2021-07-02 王荣 智慧数字教育ai课堂大数据管理系统
CN115146975A (zh) * 2022-07-08 2022-10-04 华中师范大学 基于深度学习的面向师-机-生教学成效评估方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874477B2 (en) * 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002304114A (ja) * 2001-04-03 2002-10-18 World Vision:Kk 学習支援システム及び記録媒体及びプログラム
CN106991627A (zh) * 2017-03-28 2017-07-28 广西师范大学 基于领域本体和多代理的分布式智能教学系统
CN108182838A (zh) * 2018-03-12 2018-06-19 山西师范大学 一种钢琴课的实时评价系统
JP2019200792A (ja) * 2018-05-15 2019-11-21 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ マルチエージェントシステムにおけるロボットの動作方法、ロボット及びマルチエージェントシステム
CN112001944A (zh) * 2020-07-09 2020-11-27 浙江大华技术股份有限公司 课堂教学质量评价数据的获取方法、计算机设备和介质
CN113065769A (zh) * 2021-04-02 2021-07-02 王荣 智慧数字教育ai课堂大数据管理系统
CN115146975A (zh) * 2022-07-08 2022-10-04 华中师范大学 基于深度学习的面向师-机-生教学成效评估方法和系统

Also Published As

Publication number Publication date
CN115545587A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN115545587B (zh) 一种基于多智能体的课堂教学方案评价方法及系统
CN110378818B (zh) 基于难度的个性化习题推荐方法、系统及介质
Hodges Designing to motivate: Motivational techniques to incorporate in e-learning experiences
Johnston et al. Engineering as the integrator: A case study of one middle school science teacher's talk
Crockett et al. A fuzzy model for predicting learning styles using behavioral cues in an conversational intelligent tutoring system
CN109241148A (zh) 一种高校学生成绩智能大数据数据管理系统
CN114490918A (zh) 基于动态学习模型的动态知识图谱搭建系统、方法及应用
D'Aniello et al. Feedback generation using Fuzzy Cognitive Maps to reduce dropout in situation-aware e-Learning systems
Akram et al. Towards an AI-Infused Interdisciplinary curriculum for middle-grade classrooms
VanSickle Designing simulation games to teach decision-making skills
Ornstein A Look at the Research How Good Are Teachers In Effecting Student Outcomes?
Al Zahrani et al. Engineering education gaming: Case study of engineering ethics game modeling
López-Cuadrado et al. Integrating adaptive testing in an educational system
CN114255623A (zh) 一种基于机器人的教学方法及系统
Rzepka et al. Keep It Up: In-session Dropout Prediction to Support Blended Classroom Scenarios.
CN111240487A (zh) 一种适用于虚拟现实教育系统的感知学习交互模型及其部署方法
Dixon A Survey of Teaching Methods Used to Relate to Generation Alpha Congregants in Central Texas
CN105869469A (zh) 一种计算机辅助教学辅助系统
Trudell Development of methodologies to assess the impact of autonomous robotics competitions in science, technology, engineering, and math education
McMahon Progress and prospects in computer‐managed learning in the United Kingdom
HERIZAL The Relationship among learning styles, classroom environment, and academic achievement of English education study program students in state Islamic university of Raden Fatah Palembang
A Rahim et al. The new norms and students’ motivation in the pandemic sphere
Wen et al. Adaptive Assessment in Web-based learning
Zhou Improving Student Learning Through Hierarchical Reinforcement Learning Induced Pedagogical Policies
CN114511913A (zh) 一种人形机器人教学控制系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant