一．前言  
        代理人(Agent)技術早在很久以前就被提出，隨著資訊科技的發達及網路的普及，使得Agent的研究與應用愈來愈受到重視，雖然目前市面上應用到代理人技術的相關產品非常多，但將此技術應用於數位學習這塊領域上的實際產品卻少之又少，因此本篇文章的內容除了簡單介紹代理人技術及其一般應用之外，還包括了能應用於數位學習上課程推薦代理人。

二．Agent簡介
■    關於Agent的定義與解釋
        許多專家學者對代理人技術提出其各自的看法，例如：「是軟體和／或者硬體的一個部分 ，它能夠嚴格地扮演著代表其使用者完成任務」－（Nwana & Ndumu，1997）或「積極、穩定的軟體，它能夠感知、推理思考、行動扮演、通訊」－（Huhns & Singh，1998） ，雖然解釋上不完全相同，但概念上是大同小異的，簡單來說，代理人技術是一種能在使用者指定的環境下持續並自動執行指令，且能在不需使用者干預的情況下針對環境的改變做出適當的動作及回應的軟體系統。

■    關於Agent的特性
        Wooldridge與Jennings等學者將代理人的特性歸納成以下幾點：
        ●  監視性（Monitoring)：
              不斷接收來自環境所發生的事件，進行監控與管理。
        ●  立即反應（Reactivity)：
              感知外在環境的狀態變化後，以人工智慧的規則做立即性的反應來產生動作。 
        ●  社會性（Social Ability）：
              可與其他代理人相互流通訊息，完成共同的任務。
        ●  自主性（Autonomy)： 
              因應環境變化而自動處理任務。

三．Agent的應用 
        目前市面上找得到的代理人應用己經非常多，其所應用的範圍非常廣，以下列舉部份不同應用類型的代理人：
        ●    搜尋代理人 
                可依據使用者所提供的關鍵字，進行廣泛的資料搜尋，並能從資料來源中分析出最符合使用者需求的部份。

        ●    網頁代理人
                對網頁內容做事先的審核或分析，再依據使用者的設定，決定是否呈現、如何呈現等。

        ●    商業代理人
                通常應用在商業模式上的加值應用，如物品競標時，提供代理人幫助使用者監察下標情形，一有任何異動變即時告之使用者等。

        ●    人造生命代理人 
                通常被運用在遊戲、工具助理等，具備溝通的特質，可以進一步與人們互動。

四．課程推薦代理人
        有鑑於代理人技術的盛行，許多數位學習業者也主動表明有意將代理人技術整合於其數位學習產品之中，以加強其產品的競爭力，目前雖然還沒有很多產品出現，但關於代理人技術於數位學習上的應用，許多年前便有國內外學者開始進行研究，包括：軟體代理人應用於網路適性學習系統之探討（孫光天與朱杜君）、代理人於虛擬實驗環境下之互動機制（林家聖、馬南超）、行動代理人技術與教育應用（林志鴻、竇其仁等人）．．等。

        關於這些技術的應用中，國內數位學習業者尤其對課程推薦代理人有興趣，因此以下便簡單介紹一個由國外學者（Nikos Manouselis與 Demetrios Sampson）所提出的課程推薦代理人技術：

■□其所提出的代理人系統架構

各個代理人所負責的任務分述如下：
●    Learner Assistant：
－負責與學習者所有互動的介面。
－建立學習者模式。

●    Learner Broker：
－將學習者需求傳送給其它代理人。
－接收所提供的內容。
－依據學習者的需求與偏好對內容所評價。

●    Content Provider Assistant：
－將課程描述轉成其它代理人看得懂的訊息。

●    Content Provider Broker：
－發佈課程內容。
－將課程送給Learner Broker。

●    Directory Facilitator：
－提供媒合服務，媒合所有需求與建議。
－不負責做最後的推薦決策。
－只做一些簡單的媒合配對(如keyword)。

在進行推薦之前，必須先建構學習者模式與內容模式，兩個模式分述如下：
●    學習者模式的建構是基於IMS的學習資訊包裹（Learning Information Packaging），並利用XML進行資料儲存，包含11種主要的類別：“識別”、“目標”、“活動”、“ 資格 認証 授權”、“能力”、“成績單”、“偏好”、“興趣”、“私密資料”、“同伴群”、“聯繫”；此外，依據Honey & Mumford模式將使用者分成行動主義派(Activist)、反省派(Reflector)、理論派(Theorist)、實用主義派(Pragmatist)四種型態，並且量代成LSQ值。

●    內容模式的建構是基於IMS Meta-data與IEEE LOM(Learning Object Meta-data)標準，包含9 種類別：“一般”、“生命週期”、“meta-data”、“技術”、“教育”、“權利”、“註釋”、“分類”。

■    推薦機制
        此系統的推薦方法有法則基準(rule-based)、多尺度決策模式(multi-criteria decision making model)二種，分述如下：
●    法則基準(rule-based)
        此方法屬於人工智慧的一種，主要利用IF-THEN來做知識的表達，因此新知識可以容易添加，現存知識也可容易被更新，假設法則為IF 使用者特性= ‘this’ THEN 內容型態 = ‘that’，Broker Agent應用此法的方式如下：
☆    Learner Broker送出需求，Content Provider Broker利用關鍵字找出應媒合的內容主題。
☆    Learner Broker利用此法則過慮所有接收到的主題資訊。
☆    符合此法則的內容主題便推薦給學習者。

●    多尺度決策模式(multi-criteria decision making model)
        此方法是依據一般模式化決策方法論，定義影響決定的因子，並定義決策準則集，經由輔助決策的活動來推論出推薦決定，此模式的決策公式如下：

        因此，當Learner Broker收到所有的內容主題，其可利用此模式評估並排列適合等級，並從中做選擇。

        以上所介紹的兩種方法，法則基準法通常用來做為初步過濾，若想要能衡量並排定推薦等級，則以多尺度決策模式較好，以下舉一個例子來簡單說明多尺度決策模式的推薦過程：
        設有五門課程被建立，Content Provider並評估各門課對於各種學習者類別的適合度：

五．結論
        數位學習的目的不單只是在幫助使用者不受時間、地點限制，有效率地學習，其更重要的目的是希望幫助使用者達到更有效果的學習，如此才能吸引人願意持續地用它，想要逹到這樣的目的，教學設計便是相當注要的一環，除了課程內容的表達之外，如何引導學習者進入狀況？如何引發學習者更進一步的學習興趣？如何在學習者遇到困難時適時地推他一把？如何對不同類型的學習者規劃更適合的學習模式？．．等，這些都是現在及未來數位學習科技上仍需努力的，雖然資訊技術愈來愈發逹，但學習終究還是以人為中心，所以在運用這些資訊技術時，仍要以使用者的角度出發，思考是不是使用者真正要的，如此做出來的東西才會真正有用。

六．參考文獻　　　　　　　　
1.“Agent-Based e-learning course recommendation: Matching learner characteristics with content attributes “ , International Journal of Computers and Applications(IJCA),  Volume 25, No. 1. (2003)。
2.“智慧型代理人在教育上的應用” , 資訊與教育雜誌 , p81-96,2002。