40 صفحه
اولین کنفرانس بین‌المللی سیستمهای آموزش دهنده هوشمند[1] (ITS) در سال 1988 در مونترال کانادا برگزار گردید. دومین و سومین و آخرین کنفرانس به ترتیب در سالهای 1992، 1996، . . . و 2004 برگزار گردیده‌اند.
معماری شناختی[2] اولین بار توسط جان روبرت اندرسن در سال 1983 مطرح شد که تفکر تطبیقی انسان را برمبنای شناخت بررسی می‌کرد، شبیه‌سازی این تفکر به صورت نرم‌افزار ACT* ارائه گردیده است. مدلسازی شناختی در سال 1985 در کتابی با همین عنوان توسط Slack مطرح گردید.
ساختار کنترلی عامل هوشمند BDI[3] که در سیستم مطرح شده در مقاله (سیستم GLITS) مورد استفاده قرار گرفته است، بر مبنای باورها، هدفها (آرزوها) و مقصدها، در اواخر دهه 90 مطرح شد. مهمترین کاربرد این عامل در تشخیص عیب، سیستمهای مدیریت، تجارت ماشینی و آموزش هوشمند بوده است.
پردازش مفهومی اطلاعات اولین بار در سال 1975، در کتابی توسط Roger Schank مطرح گردید ولی مطالب جدید در مدلسازی مفهومی[4] در 1998 توسط Chen و همکارانش ارائه گردید.
طراحی سیستمهای چند عاملی هوشمند[5] براساس معماری لایه‌ای[6] در سال 1996 توسط Muller در کتابی با همین عنوان مورد بحث قرار گرفته است.
در مقاله حاضر یک مدلسازی شناختی از یک سیستم آموزش دهنده هوشمند پویا ارائه شده است که بر مبنای اصول مفهومی و کارکردی آموزش و تجربه طولانی تدریس دروس مختلف توسط اینجانب طراحی شده است. این مدل بنیادی است و سازماندهی تجربیات دوران تدریس است.
از مطالب برخی مراجع در تعاریف پایه‌ای و بیان مفاهیم و اصطلاحات آشنا در سیستمهای آموزش دهنده هوشمند (ITS) در این مقاله استفاده شده است. امید است که پیاده سازی این سیستم در محیط کاربردی برای آموزش به کمک کامپیوتر بتواند سبب توسعه تکنولوژی در کشورمان گردد.
سیستم GLITS، یک سیستم آموزش دهنده هوشمند با یادگیری تدریجی است که دارای 3 عامل یاد دهنده ، یادگیرنده و مشکل‌ساز است. عامل یاد دهنده و یادگیرنده هر کدام دارای 5 لایه (زیر سیستم) می‌باشند. لایه‌های یاد دهنده به نام‌های ناظر، ایجاد انگیزش، فرضیه‌ها و تولید مدلهای برنامه می‌باشند. لایه‌های یادگیرنده به نام‌های وضعیتی ـ انعکاسی ، شناختی، معیارها و سنجش، برنامه‌ریزی و همینطور هماهنگی و تولید رفتار می‌باشند. عامل مشکل‌ساز یک عامل بازدارنده است که فعالیت آن باعث کاهش فعالیت لایه‌های مختلف یادگیرنده می‌شود. ابتدا با پرسشنامه مدل یادگیرنده (مدل میانگین کلاس) ساخته می‌شود و با استفاده از آن و به‌کارگیری نحوه آموزش بهینه هوشمند و ارزیابیهای مناسب، لایه‌های مدل یادگیرنده اصلاح می‌گردد که نتیجه کلی بالارفتن کارایی یادگیرنده و توانبخشی علاقه به یادگیری و خلاقیت او می‌باشد.
کلمات کلیدی:
Intelligent agents
عاملهای هوشمند
Cognitive modelling
مدلسازی شناختی
Intelligent tutoring system
سیستم آموزش دهنده هوشمند
Belief, desire, intention agent
عامل BDI
Conceptual modelling
مدلسازی مفهومی
مدلسازی شناختی یک سیستم آموزش دهنده هوشمند به منظور توانبخشی علاقه به یادگیری و خلاقیت دانشجو