基于機器學習的語義圖示超越碎片化學習

付小兵

摘 要：信息化時代的到來，泛在技術的普及使得信息的獲取更加便捷，特別是無線互聯網的普及應用，潛移默化地改變了人們的生活方式與學習方式。碎片化的學習方式就是這種改變后不可逆轉的學習習慣。文章針對這其中的碎片化、多任務和淺層讀圖的現象，試圖提出一種基于機器學習的語義圖示來超越碎片化的學習方式。機器學習根據我們獲取到的碎片化信息，依據經驗、反饋、規則和推理機制等從而把各個碎片化的信息整合聯系起來向學習者推送可視化的語義圖示。

關鍵詞：機器學習；碎片化；深度學習；語義圖示

1 背景及問題提出

1.1 碎片化學習

當學習者期冀在生活工作的間隙實現任意時間、任意地點的學習，借助移動泛在技術所實現的碎片化學習也就成為頗具潛力的一種學習方式。但是隨之產生的碎片化、多任務和讀圖等特征所帶來的學習深度問題也浮出水面。學習就是對碎片化的知識、信息等“構件”進行加工的過程[1]。碎片化的信息獲取所構成的學習，往往具有淺閱讀的特征導致由閱讀所引發的思考變得支離破碎，進而讓知識與思想也呈現出碎片化的危機[2]。

1.2 語義圖示

語義圖示，作為承載知識信息的新一代圖示媒介，將抽象的知識信息通過帶有語義規則的圖形、圖像、動畫等可視化元素予以表征，促進知識從認識到理解的過程[3]。語義圖示可以理解為一張關系網，確定一個中心目標之后把與它關系密切的聯系起來。概念圖是語義圖示工具的一種，由節點、連線和連接詞構成，其中節點代表概念，具體符號表現為幾何圖形或圖案；連線的兩端是節點，連線可以是單向的、雙向的或沒有方向的，連接各節點的連線意味著這些節點之間存在某種關系；連接詞即連線上的文字，對節點之間關系進行文字描述[4]。有研究通過干預自然教學情境，將圖示工具和方法應用于協作任務設計中，發現圖示方式與工具可以通過平衡工作記憶、聚焦思考，緩解學習者認知負荷，促進理解與認知并輔助表達[5]。

1.3 機器學習

其實“深度學習”這個名詞最早就是機器學習領域使用的。在機器學習中，深度學習被定義為“一系列試圖使用多重非線性變換對數據進行多層抽象的算法”。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法是對人的意識、思維和信息過程的模擬。而深度學習是機器學習中表征學習方法的一類。

1.4 教育中的深層學習

與計算機領域的深度學習不同，教育領域的深層學習是一種學習方式，特指學習者進行有意義的學習。深層學習是學習者在記憶的基礎上對知識進行理解、歸納、掌握、運用，并結合原有認知結構，建立新舊知識間的相互聯系，通過分析，作出決策和解決問題的學習方式。淺層學習通常是指只停留于信息的接收層面上，沒有做到對信息的加工處理，并且無法做到長時記憶。而深層學習關注于對新知識的有意義吸收，將它們與已有知識建立關聯，引起對概念的理解和長期保留，以便于應用到解決在新環境中所遇到的問題[6]。

2 利用機器學習構建語義圖示

在碎片化學習的時代，學習者必須突破淺層學習的局限，以實現深度學習。碎片化學習中信息的片段化拾取往往是零碎的甚至閑散的，這樣的信息獲取往往缺乏對內容的深入思考，不能建立信息的廣泛聯系，學習僅僅停留在淺層面，不易進行學習的推理。如果學習只能停留在這種無組織、孤立的知識片段層面，也就難以超越碎片化導致的淺層學習局限。超越碎片化實現深層學習，是探索解決碎片化問題的要義。

語義圖示正是提供學習者進行知識梳理，建立知識對象和屬性、知識關系及過程的知識模型。語義圖示的這一功能提供了邁向深度學習的第一步。語義圖示強調將抽象的知識進行可視化表征，在可視化界面，學習者看到的不是大段文字，而是攜帶語義的圖形、圖像。學習者可以更容易地把握知識的邏輯關系，建立碎片信息間的聯系。語義圖示對信息的可視化加工，大大增加了閱讀的效率，能夠適應當代人的生活節奏與閱讀取向。

機器算法中知識庫的作用是存放著搜集來的知識，通過系統地表達或模塊化，使得計算機能夠推論和解決問題。知識庫中的知識通常包含兩種。一是知識本身，即物質及概念的實體分析、彼此關系；另一種是人類專家特有的經驗法則、判斷與直覺[7]。

學習者接觸到的各種不同的信息是零碎、分散、缺乏邏輯性和連貫性，其中的一些信息很快便被遺忘。利用語義圖示模型可以解決這些平常我們不留意去發掘他們之間的聯系性的信息整合起來適時地推送給學習者，并能接受學習者的反饋。如圖1所示。

如圖2所示，獲得X1，X2，X3…Xn碎片信息。知識庫依據數據訓練而生成的預測模型進行推理聚類，計算出知識目標變量，也就是最后的分類結果。碎片信息根據自身的特征確定權重Q，代表對最后輸出結果的影響程度。機器學習根據經驗、規則和反饋來為不同的信息賦權重。輸出結果中M和W分別代表不同的類別，同類別降序排列越靠前的越重要。這里機器學習根據不同的規則來處理碎片信息，同一個碎片信息經過處理以后可能出現在不同類別中。

碎片化信息在機器學習處理下成為知識庫中的知識。現在問題是學習者獲取的碎片化信息往往難以構成一個比較合理的語義關系圖。例如學習者接觸到“flower”時候，但是很長一段時間內也一直沒有出現關系密切的“leaf”，機器學習的規則應能發現此問題并自動增補關系密切的知識變量。

模型記錄各類別的碎片信息出現的頻率、時間甚至地點等，然后根據這些經驗分析哪個時間段，哪個地點適合推送什么類別的語義圖示。機器學習通過先向學習者推送未聚類的知識變量使學習者根據知識特征進行手動聚類，并將結果與機器學習的聚類結果進行匹配，就能發現學習者可能遺漏或者不確定的知識點，這些反饋信息就代表學習者還需努力進步的方向。學習者可以根據自身要求將某些知識變量設置不同的重要等級。

3 結語

學習新的知識有兩種方式：一種是機械學習，學習者孤立地學習各個知識變量；另外一種是有意義的學習，學習者能將各個知識點聯系起來并編制一張知識網絡。機械學習無法使得知識被長時記憶，所以只有意義學習可以應用在解決新問題的情境中，促進以后的相關學習。本文所提到的基于機器學習的語義圖示就是旨在促進有意義的學習。

[參考文獻]

[1]GAGNE E D，YEKOVICH C W，YEKOVICH F R.The cognitive psychology of school learning[M].New York：HarperCollins College Publishers，1993.

[2]李曉源.論網絡環境中的“碎片化”閱讀[J].情報資料工作，2011（6）：84-87.

[3]顧小清，權國龍.以語義圖示實現可視化知識表征與建模的研究綜述[J].電化教育研究，2014（5）：45-52.

[4]鐘志賢，陳春生.作為學習工具的概念地圖[J].中國電化教育，2004（1）：23-27.

[5]顧小清，權國龍，王華克，等.圖示工具在協作學習中的應用[J].開放教育研究，2014（6）：64-71.

[6]LIAO S H.Expert system methodologies and applications—a decade review from 1995 to 2004[J].Expert Systems With Applications，2005（1）：93-103.

[7]希建華，趙國慶.“概念圖”解讀：背景，理論，實踐及發展—訪教育心理學國際著名專家約瑟夫·D·諾瓦卡教授[J].開放教育研究，2006（1）：4-8.