Курсовая работа: Использование Веб-служб для индивидуализированного обучения, основанного на Веб-технологиях

Более того, комплекс также выдает дополнительные темы для изучения (produces additional tutoring) в области копирования и перемещения объектов, которые он считает существенными для выполнения пользователем его/ее планов и достижения целей. Сведения из модели учащегося (learner model) показывают, что отдельный пользователь не имеет достаточного опыта в копировании и перемещении объектов и что в прошлом он(а) неоднократно делал ошибки вследствие недостаточной осведомленности по данной теме. Несомненно, учащийся признает совет комплекса очень полезным и поэтому воспользуется предложенным ему советом в действии 3. Затем в действии 4 учащийся отформатирует дискету, что и было его конечной целью. В случае если бы учащийся использовал стандартную программу для манипулирования файлами, его/ее ошибка в команде 2 могла бы быть не распознана и тогда учащийся отформатировал бы дискету и полезные данные были бы утеряны. 

Архитектура мульти-агента

Web F-SMILE основана на архитектуре мульти-агента (multi-agent). Комплекс мульти-агента состоит из группы агентов (agents), которые являются автономными или полуавтономными и взаимодействуют или работают вместе для того, чтобы выполнить некоторые задания или достичь каких-то целей  (Lesser, 1995). Разрабатывая отдельных агентов (agents) внутри комплекса мульти-агента, как преимущество получаем независимость от разработки других агентов (agents). Последнее значительно способствует разбиению сложного на более простые части (breakdown of complexity) (El-Beltagy и др., 1999).

Архитектура Web F-SMILE состоит из пяти агентов, а именно: Агент Моделирования Учащегося в Краткосрочном Периоде (МУКП) (Short Term Learner Modelling (STLM) Agent), Агент Моделирования в Долгосрочном Периоде (МУДП) (Long Term Learner Modelling (LTLM) Agent), Консультирующий Агент (Advising Agent), Обучающий Агент (Tutoring Agent) и Управляющий Речью Агент (Speech-driven Agent). Архитектура Web F-SMILE представлена на рис. 2, где проиллюстрированы все агенты (agents) и компонент представления области знаний (domain representation). Агенты совместно работают для того, чтобы наблюдать за учащимся и предоставлять ему индивидуализированные советы и обучение в случае, если это считается необходимым. Советы предоставляются учащимся, которые сделали ошибку, в соответствии с их предполагаемыми намерениями. Все эти агенты (agents) работают локально на компьютере учащегося и только Агент МУДП несет ответственность за взаимодействие с Веб сервером для моделирования учащегося.

Каждый раз, когда учащийся дает команду, Агент МУДП, который работает на стороне клиента, размышляет о команде в соответствии с его предположениями по поводу целей учащегося. Агент Моделирования Учащегося в Краткосрочном Периоде (МУКП) фиксирует познавательное состояние (cognitive state), также как и характеристики учащегося и устанавливает возможные неправильные представления. В случае если Агент МУКП предполагает, что учащийся попал в проблематичную ситуацию, он выполняет обнаружение ошибки. С этой целью он использует анализирующий инструмент (analysis engine) для того, чтобы получить новые «факты» об учащемся и ответить на запросы других агентов. Анализирующий инструмент основан на механизме распознавания с ограниченными целями (limited goal recognition mechanism) и теории правдоподобных человеческих рассуждений (Human Plausible Reasoning theory, HPR theory) (Collins & Michalski, 1989). Теория правдоподобных человеческих рассуждений – это независимая от области знаний теория, первоначально основанная на совокупности ответов людей на повседневные вопросы. Исходя из заданного человеку вопроса, теория старается смоделировать рассуждения, которые данный человек использует с целью найти правдоподобный ответ, полагая что он(а) не имеет готового ответа. До Web F-SMILE, HPR также успешно использовалась для моделирования пользовательских рассуждений в справочной системе (help system) для графического пользовательского интерфейса (Virvou & Kabassi, 2002) и в справочной системе для интерфейса командного языка (command language interface) (Virvou & Du Boulay, 1999).

Агент МУКП применяет принципы HPR при поиске альтернативных действий, схожих с тем, которое дал учащийся и которое пользователь намеревался дать вместо данного им сомнительного действия. Как только альтернативные действия сгенерированы, они посылаются Консультирующему Агенту (Advising Agent), который несет ответственность за выбор альтернативного действия, которое учащийся вероятнее всего намеревался сделать. Рассуждения Консультирующего Агента (Advising Agent) были оценены (Virvou & Kabassi, 2001) и результаты выражают веское доказательство того, что отдельный агент действительно может воспроизвести рассуждения человека-преподавателя (human tutor), который наблюдает за пользователем через плечо, пока тот взаимодействует с комплексом.

Более того, если Агент МУКП полагает, что неправильное понимание учащегося сложилось из-за недостатка знаний последнего, он информирует Обучающего Агента (Tutoring Agent) об этом. Обучающий Агент (Tutoring Agent) отвечает за формирование адаптивного представления урока, который должен усвоить учащийся. Консультирующий и Обучающий Агенты (Advising and the Tutoring Agent) запрашивают сведения об учащемся у Агента МУКП. Это сделано для того, чтобы они могли приспособить созданный совет и/или урок к потребностям и интересам каждого отдельного учащегося. Однако Консультирующему и Обучающему Агентам (Advising and the Tutoring Agent) нет необходимости соединяться с сервером напрямую, поскольку их механизмы рассуждений находятся на стороне клиента.

Обучающий Агент использует адаптивные гипермедиа методы, чтобы защитить учащихся от избытка информации и помочь им в понимании новых элементов получаемых знаний. В частности, эти методы используют информацию об отдельном учащемся (из модели учащегося) для адаптации уроков, представляемых этому учащемуся. Существует два основных гипермедиа метода, а именно: (1) адаптивное представление, в котором вариант адаптации (case adaptation) выполняется на уровне содержания и (2) адаптивная навигационная поддержка, которая выполняется на уровне ссылок (Brusilovsky, 1996). Обе эти технологии были оценены и результаты выражают веское доказательство того, что их использование в Адаптивной Гипермедиа Системе может улучшить взаимодействие человек-компьютер. В Web F-SMILE методы адаптивного представления используются, чтобы представить примеры использования неизвестной команды в контексте собственного файлового хранилища (file-store) учащегося. Поэтому Обучающий Агент (Tutoring Agent) генерирует примеры динамически, для того чтобы он мог использовать имена существующих файлов или папок конкретного учащегося. Более того, Обучающий Агент, использует методы комментирования адаптивными ссылками (adaptive link annotation techniques) для представления учащемуся других частей материала, который считается интересным учащемуся в данном конкретном случае.

И Консультирующий Агент (Advising Agent) и Обучающий Агент (Tutoring Agent) направляет результаты своей работы Управляющему речью агенту (Speech-driven Agent), который также расположен на стороне клиента. Управляющий речью Агент (Speech-driven Agent) отвечает за представление информации в единой и легкой доступной форме. Для того чтобы сделать взаимодействие более естественным и приятным, для представления совета учащемуся (system’s advice to the learner) используется анимированный Управляющий речью Агент (Speech-driven Agent) Такие персонажи (characters) выполняют развлекающую роль и несут эмоциональное значение, что может помочь снизить первоначальный барьер для начинающих изучать компьютерные приложения. К тому же, такие персонажи повышают эффективность комплекса, увлекая и мотивируя учащихся (Johnson и др., 2000). Управляющий речью Агент (Speech-driven Agent) отвечает за коммуникацию с учащимся в целом. Последнее обычно включает в себя сбор запросов учащегося и представление совета в случае, если выявлено, что учащийся попал в проблематичную ситуацию. Однако данный отдельно взятый агент (the particular agent) не содержит каких-либо дальнейших механизмов рассуждений.

Рис 2: Архитектура Web F-SMILE

Каждый раз, когда Агент МУКП получает новые сведения об учащемся, взаимодействующем с комплексом, он посылает их Агенту МУДП. В целом, Агент МУДП, сохраняет профили учащихся (learner profiles) и управляет ими, а также предоставляет релевантные сведения Агента МУКП, когда это считается необходимым. Более того, Агент МУДП отвечает за взаимодействие с WS-LM сервером (Web Service Learner Modelling Server - Сервер моделирования веб-сервиса обучаемого), для того чтобы сохранять и обновлять сведения, хранимые в моделях учащихся, как на стороне клиента, так и на стороне Web Service Server (Сервера Веб Служб).

Взаимодействие Клиентской и Серверной Моделей Учащегося

Web F-SMILE хранит две отдельные модели учащегося для каждого из них, одну локально на каждом компьютере и одну на сервере. Каждый раз, когда пользователь использует обучающую среду, комплекс проверяет, подключен ли пользовательский компьютер к Интернет или нет. В случае если компьютер находится в оффлайн, Web F-SMILE работает как автономное приложение (standalone application) с локальной пользовательской моделью. Агент МУДП отвечает за поиск модели учащегося для пользовательского взаимодействия с комплексом. В случае если Агент МУДП находит модель учащегося, взаимодействие начинается нормально и локальная модель учащегося обновляется с каждой новой командой учащегося. Однако если на данном ПК отсутствуют сведения об учащемся, учащемуся предлагается заполнить анкету, указав свои уровень опыта, опыт работы с операционными системами и другими программами для манипулирования файлами. Данные сведения используются Агентом МУДП для того, чтобы инициализировать модель учащегося, используя стереотипы.

В случае если ПК учащегося находится онлайн, Агент МУДП взаимодействует с Web Service Learner Modelling (WS-LM) Server для того, чтобы найти соответствующую модель учащегося на сервере. Если модель учащегося не существует на WS-LM, то Агент МУДП отвечает за выявление того, взаимодействовал ли учащийся с комплексом, находящимся оффлайн, используя данный конкретный компьютер. В случае если Агент МУДП не обнаруживает какой-либо информации о данном конкретном учащемся, он инициализирует модель учащегося локально. В любом случае, Агент МУДП направляет сведения об учащемся Веб-службе, которая создает новую модель учащегося, основанную на сведениях, которые были доступны из модели учащегося, проинициализированной локально.

Если учащийся, взаимодействующий с приложением, находится онлайн и на сервере существует модель учащегося, Агент МУДП отвечает за выявление того, существует ли локальная модель учащегося или нет. Если сведения об учащемся отсутствуют на локальном компьютере, Агент МУДП отвечает за создание копии модели учащегося с Сервера на жесткий диск ПК учащегося. В противном случае Агент МУДП выполняет задачу обновления обеих моделей самыми последними сведениями. Данный подход схож с принятыми в ИОК, которые работают как онлайн, так и оффлайн, например DCG (Vassileva, 1997). Однако, в DCG существует проблема, если у пользователя разрывается соединение с Интернетом, то с этого момента самая последняя работа студента и его обновления модели не сохраняются. В Web F-SMILE данная информация сохраняется в локальной модели учащегося до того момента, пока пользователь не будет использовать приложение онлайн, в этом случае хранимая централизованно модель учащегося обновляется.

Для того чтобы обновить модель учащегося верными данными, комплексу необходимо знать, какая информация еще не была включена в модель учащегося на сервере, а какая – в локальную модель учащегося. Это не так просто сделать, если модель учащегося хранит итоговые сведения о пользователе, например, число ошибок, сделанных по невнимательности. Поэтому Web F-SMILE регистрирует каждое взаимодействие учащегося отдельно, используя временные метки, таким образом, каждая запись в пользовательской модели имеет дату и время взаимодействия. Таким образом, каждое взаимодействие отличается от всех остальных, а Агент МУДП и Веб служба могут легко определить, какие из взаимодействий из локальной пользовательской модели не были еще включены в модель учащегося, хранящуюся на Сервере и наоборот. Более того, каждая запись в модели учащегося содержит флаг, показывающий, было ли данное взаимодействие отправлено на Сервер или нет.

Как только обновление модели учащегося завершено, взаимодействие с комплексом становится нормальным. Данный процесс повторяется, когда учащийся заканчивает работу с комплексом (в случае, если учащийся все еще находится онлайн), так что информация на Сервере обновляется при ее получении.

Моделирование учащихся на стороне клиента

Каждый раз, когда учащийся взаимодействует с Web F-SMILE, Агент МУКП собирает новые сведения о пользователе и обновляет модель учащегося, которая хранится на локальном компьютере учащегося. В случае если Агент МУКП не может найти модель учащегося для конкретного учащегося, он пытается проинициализировать модель учащегося, используя стереотипы. Пользовательские стереотипы применяются для того, чтобы предоставить начальные предположения о пользователях до тех пор, пока комплекс не получит достаточно сведений о каждом индивидуальном пользователе. Действительно, как показал Rich (1989; 1999), стереотип представляет информацию, которая позволяет комплексу делать большое количество правдоподобных предположений на основе значительно меньшего количества наблюдений; эти предположения, однако, должны трактоваться как начальные, которые могут быть отвергнуты отдельными наблюдениями.

В Web F-SMILE пользователей причисляют к одному из трех основных классов в соответствии с  их уровнем знаний, а именно: начинающие, средние и опытные. Каждый из этих классов представляет возрастающий уровень мастерства в использовании отдельной программы для манипулирования хранилищем файлов. Такая классификация считается важной, потому что она позволяет комплексу получить первое представление об обычных ошибках и неправильных представлениях пользователя, принадлежащего к какой-либо группе. Например, начинающие пользователи обычно склонны к ошибкам из-за неправильного выбора команд или неправильного выполнения команды, тогда как опытные пользователи обычно делают ошибки из-за невнимательности. Поэтому другой классификацией, которая считалась важной, было деление пользователей на две группы: внимательные и невнимательные.

Стереотипы могут служить как инструмент для моделирования убеждений и предпочтений, которые может иметь пользователь комплекса. Основная причина применения стереотипов заключается в том, что они предоставляют набор начальных предположений, которые могут оказаться очень полезными во время получения гипотез о пользователе. Получение начальных предположений может оказаться очень эффективным при моделировании большого набора пользователей. Однако данный подход также имеет много недостатков. Например, несмотря на схожее поведение, которое могут иметь пользователи одной группы, каждый из них является индивидуумом, поэтому отличается от всех остальных по многим параметрам. Поэтому стереотипы должны быть использованы только при инициализации пользовательской модели, до тех пор, пока не появится больше индивидуальных сведений. Таким образом, Web F-SMILE хранит библиотеку моделей для каждой группы пользователей, и при каждом взаимодействии нового пользователя с системой Агент МУДП в Web F-SMILE должен определить класс, к которому принадлежит данный пользователь.

Все начальные предположения в стереотипах, используемых в Web F-SMILE, предоставляют сведения об ошибках, которые пользователи данной категории обычно делают. Сведения о каждой ошибке выражаются с использованием параметров достоверных событий теории HPR (теории правдоподобных человеческих рассуждений - Human Plausible Reasoning theory). Таким образом, мы использовали частотнгость, чтобы показать насколько часто пользователи, принадлежащие определенной группе, совершают отдельную ошибку. Другой частью информации, которая может быть получена из стереотипа, являются наиболее частые виды ошибок, совершаемых пользователями, принадлежащими данному стереотипу. Последнее выражается как число, представляющее преобладание определенной ошибки среди набора из всех ошибок пользователей, принадлежащих данному стереотипу. И, наконец, типичность показывает, насколько типична команда во множестве всех команд, данных пользователем.

Для того чтобы определить, к какому стереотипу принадлежит пользователь, ему предлагается ответить на несколько вопросов о его/ее уровне опыта в Графических Интерфейсах Пользователя (GUIs), его/ее опыте в операционных системах и других программах для манипулирования файлами и т.д. Данная информация далее обрабатывается Агентом МУКП для того, чтобы активизировать соответствующий стереотип.

После того, как стереотип был активизирован, комплекс делает несколько начальных предположений о возможных ошибках пользователя и может предоставить некоторое подобие совета. В самом начале, только стереотип предоставляет сведения. Однако комплекс также постоянно собирает сведения об образе действия и ошибках отдельного пользователя, а также передает данные индивидуальной модели учащегося. По мере того, как комплекс собирает все больше и больше данных об учащемся, сведения получаются частично из стереотипа, а частично из индивидуальной модели учащегося. Процент сведений, получаемых из стереотипа, уменьшается с возрастанием процента данных, собранных индивидуальной моделью учащегося.

В частности, для каждого нового взаимодействия Агент МУКП создает новую запись в модели учащегося с использованием временной метки, таким образом, каждая запись привязана к дате и времени взаимодействия. Таким образом, каждое взаимодействие отличается от всех остальных, а Агент МУДП и Веб служба могут легко определить, какие из взаимодействий из локальной пользовательской модели не были еще включены в модель учащегося, хранящуюся на Сервере и наоборот. Более того, каждая запись в модели учащегося содержит флаг, показывающий, было ли данное взаимодействие отправлено на Сервер или нет. Как только учащийся завершает свое взаимодействие с комплексом, Агент МУКП отвечает за взаимодействие с Веб службой для того, чтобы обновить долговременную модель данного конкретного учащегося, которая хранится на Сервере.

Моделирование учащихся на стороне Сервера

Связь между Клиентом и WS-LM осуществляется по протоколам Веб служб. Рис.2 резюмирует деятельность Веб службы и взаимодействие с агентами клиентов. Агент МУДП совершает определенный SOAP вызов (по HTTP), который содержит запрос, касающийся отдельной модели учащегося, к WS-LM. Для того, чтобы удостовериться в подлинности пользователя, данный вызов содержит имя пользователя и пароль, полученные пользователем во время его/ее взаимодействия с клиентским приложением. Каждый такой вызов извлекается и обрабатывается Коммуникационным модулем. В целом Коммуникационный модуль обрабатывает все сообщения Веб службы, а именно: запросы на аутентификацию, запросы профилей, запросы на обновление профилей, запросы на создание и удаление, а также отвечает за форматирование ответа с использованием XML и отправку его клиентскому приложению.

После обработки части полученного URL адреса, относящегося к службе, Коммуникационный модуль передает оставшуюся часть строки дальше модулю БД или модулю Моделирования Учащихся, которые отвечают за обработку запроса и формирование ответа. Модуль Моделирования Учащихся оценивает информацию, посланную WS-LM. Например, если информация, посланная WS-LM о стереотипах, к которым принадлежит учащийся и WS-LM имеет достаточно сведений из индивидуальной истории, то данные сведения отклоняются. Это происходит потому, что стереотипная информация используется только для инициализации моделей учащихся, до тех пор, пока не соберется достаточный уровень сведений о данном конкретном учащемся. Поэтому когда стереотипная информация появляется из локальной модели учащегося, тогда как на сервере достаточно индивидуальных сведений, то это означает, что не удается установить связь между ПК и сервером и Web F-SMILE работает в режиме автономного приложения (standalone application). Во время данной операции он должен был создать новую первоначальную модель учащегося, потому что он не смог найти локальную модель учащегося. Однако такая первоначальная модель оказывается бесполезной, когда Web F-SMILE снова находится в режиме онлайн, потому что в этом случае он имеет доступ к полным индивидуальным моделям учащихся на Веб Сервере. В противном случае сведения посылаются в модуль Баз Данных (модуль БД), который обеспечивает выполнение всех функций, необходимых для создания, обновления и удаления профилей, а также для установления подлинности пользователя. Для выполнения данных функций модуль БД взаимодействует с Базой Данных Моделей Учащихся (БДМУ - LMDB). Ответ вновь посылается Коммуникационному Модулю, который кодирует его в XML и возвращает его вызывающей программе (агенту на стороне клиента).

Рис.2: Архитектура WS-LM 

Как уже упоминалось выше, Агент МУДП на стороне клиента, который отвечает за поддержание моделей учащихся, создает новую запись в модели учащегося каждый раз, когда пользователь взаимодействует с Web F-SMILE. Это происходит в целях синхронизации. Однако такая подробная модель учащегося требует значительного места для хранения и времени для  получения сведений Веб Службой или Агентом МУДП. Для того чтобы справиться с данными проблемами, модель учащегося разделена на две части; первая часть содержит итоговые сведения об учащемся, которые старше трех месяцев, а вторая часть – детальное описание взаимодействий учащегося с Web F-SMILE за последние три месяца. Модулю DM поручено ежедневное объединение записей моделей учащихся. Ежедневно Модуль DM удаляет записи старше трех месяцев из второй части модели учащегося и объединяет их с первой частью.

Выводы

В данной статье мы описали мульти-агентную (multi-agent) обучающую среду (learning environment), которая помогает пользователям научиться работать с их файловым хранилищем (file store). Комплекс назначает Агента МУКП для наблюдения за пользователями во время работы в защищенном режиме (protected mode) и, в случае если он обнаруживает проблематичную ситуацию, он пытается обнаружить причину возникновения проблемы и предложить подходящий совет. Начинающие пользователи могут получить преимущества от советов комплекса и от возможности адаптивного обучения, потому что они могут учиться на своих собственных ошибках. Адаптивность в обучении зависит от таких факторов, как  предыдущие знания учащегося, его/ее способности и потребности.

Основная проблема автономных приложений (standalone applications) в компьютерных лабораториях состоит в том, что пользователь не всегда может использовать один и тот же ПК и поэтому ни один ПК не может содержать полную и аккуратную модель каждого пользователя. Данная проблема решена в Web F-SMILE при помощи использования Веб служб для моделирования учащихся. Веб службы, в общем смысле этого термина, - это службы, предлагаемые через Веб. Они используются в Web F-SMILE для взаимодействия агентов комплекса с Сервером Моделирования Учащихся (WS-LM). WS-LM поддерживает центральную базу данных со всеми моделями учащихся и предоставляет Агентам МУДП клиентских приложений доступ к этим сведениям фактически с любого компьютера. К тому же, Web F-SMILE хранит для каждого учащегося одну модель учащегося централизованно на WS-LM, а другую - на каждом компьютере, который пользователь использует для взаимодействия с Web F-SMILE. Таким образом, Web F-SMILE справляется с возможными проблемами, которые могут появиться из-за возможных коммуникационных сбоев между ПК учащегося и Сервером.

Предложенная архитектура Веб службы сравнивалась с наиболее используемыми архитектурами в ИОК, которые работают через Веб. Это сравнение показало, что моделирование учащихся, основанное на Веб службах, представляет собой усовершенствованное взаимодействие сервера с клиентскими приложениями по сравнению с другими традиционными архитектурами.

Список литературы

Alpert, S.R., Singley, M.K. & Fairweather P.G. (1999). Deploying Intelligent Tutors on the Web: An Architecture and an Example. International Journal of Artificial Intelligence in Education, 10, 183-197.

Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User Modeling and User Adapted Interaction, 6(2-3), 87-129.

Brusilovsky, P., Ritter, S. & Schwarz, E. (1996). ELM-ART: An Intelligent Tutoring System on World Wide Web. In C. Frasson, G. Gautier & A. Lesgold (eds.) Intelligent Tutoring Systems, Third International Conference, ITS'96, Berlin: Springer, 261-269.

Collins, A. & Michalski, R. (1989). The Logic of Plausible Reasoning:  A core Theory, Cognitive Science, 13, 1-49

El-Beltagy, S., De Roure, D. & Hall W. (1999). A Multiagent system for Navigation Assistance and Information Finding. In Proceedings of the 4 International Conference on the Practical Applications of Intelligent Agents and Multi-Agent Technology, 281-295.

Elliot, C. (1997). Implementing Web-based intelligent tutors. In Proceedings of the workshop "Adaptive Systems and User Modelling on the World Wide Web", Sixth International conference on User Modelling.

Johnson, W.L., Rickel, J.W. & Lester, J.C. (2000). Animated Pedagogical Agents: Face-to-Face Interaction in Interactive Learning Environments. International Journal of Artificial Intelligence in Education, 11, 47-78

Kuno, H. & Sahai, A. (2002). My Agent Wants to Talk to Your Service: Personalizing Web Services through Agents. HPL-2002-114. HP Labs Technical Report.

Lesser V. (1995). Multiagent Systems: An Emerging Subdiscipline of AI. ACM Computing Surveys, 27 (3), 340-342.

McCalla, G. (1992). The central importance of student modelling to intelligent tutoring. In E. Costa (Ed.) New Directions for Intelligent Tutoring Systems, Berlin: Springer Verlag.

Microsoft Corporation, Microsoft® Windows® 98 Resource Kit, Microsoft Press, 1998.

Nakabayashi, K., Maruyama, M., Koike, Y., Kato, Y., Touhei, H. & Fukuhara, Y. (1997). Architecture of an Intelligent Tutoring System on the WWW. In Proceedings of AIED' 97, the Eighth World Conference on Artificial Intelligence in Education, 39-46.

Okazaki, Y., Watanabe, K. & Kondo, H. (1996). An Implementation of an intelligent tutoring system on the World-Wide Web. Educational Technology Research, 19 (1), 35-44.

Papadakis, I. & Chrissikopoulos, V. (2000). A Digital Library Framework based on

XML. In Proceedings of the 3rd International Conference of Asian Digital

Library - ICADL '00, 81-88.

Rich, E. (1989). Stereotypes and User Modeling. In Kobsa, A. & Wahlster, W. (eds.) User Models in Dialog Systems, 199-214.

Rich, E. (1999). Users are individuals: individualizing user models. International Journal of Human-Computer Studies, 51, 323-338.

Ritter, S. (1997). PAT Online: A model-tracing tutor on the World-Wide Web. In Brusilovsky, P., Nakabayashi, K. & Ritter S. (Eds.), Proceedings of the workshop "Intelligent Educational Systems on the World Wide Web” 8th World Conference of the AIED Society, 11-17.

Sison, R. & Shimura, M. (1998). Student Modeling and Machine Learning. International Journal of Artificial Intelligence in Education, 9, 128-158.

Tsalgatidou, A. & Pilioura, T. (2002). An Overview of Standards and Related Technology in Web Services. Distributed and Parallel Databases, 12, 135-162.

Vassileva, J. (1997). Dynamic Courseware Generation, Communication and Information Technologies, 5 (2), 87-102.

Virvou, M. & Du Boulay, B. (1999) Human Plausible Reasoning for Intelligent Help, User Modeling and User-Adapted Interaction, 9, 321-375.

Virvou, M. & Kabassi, K. (2001). Evaluation of the advice generator of an intelligent learning environment. In Proceedings of the IEEE International Conference on Advanced Learning Technologies (ICALT 2001), IEEE Computer Society, 339-342.

Virvou, M. & Kabassi, K. (2002). Reasoning about Users’ Actions in a Graphical User Interface. Human-Computer Interaction, 17(4), 369-399.

Warendorf, K. & Tan, C. (1997). ADIS-An animated data structure intelligent tutoring system or Putting an interactive tutor on the World Wide Web. In Proceedings of the workshop "Intelligent Educational Systems on the World Wide Web” 8th World Conference of the AIED Society.