深度學習視角下基于多模態知識圖譜的MOOC課程重構*

王 亮

?

深度學習視角下基于多模態知識圖譜的MOOC課程重構*

王 亮

（華中科技大學 教育科學研究院，湖北武漢 430074）

文章以在線學習者的深度學習需求為出發點，首先提取來自不同平臺的MOOC課程資源所蘊含的知識實體及其層級關系，構建以“知識實體—關系—知識實體”三元組為核心的多模態知識圖譜。隨后，文章通過多個相同內容的MOOC課程的資源融合，重構面向學習者深度學習需求的個性化MOOC課程。最后，文章依據在線學習者所設定的學習目標生成動態學習路徑，為學習者提供優質課程資源推薦服務，解決MOOC課程的學習導航問題和優質課程資源的跨平臺融合問題。實驗表明，基于多模態知識圖譜的MOOC課程重構能夠降低MOOC課程的輟學率，提高在線學習者的學習成效和學習效率。

MOOC課程；多模態知識圖譜；課程重構；學習路徑

引言

深度學習（Deep Learning）是一種基于理解和應用的持續學習過程，以知識建構與遷移、問題解決和能力發展為目標，既關注學習過程又強調學習結果的應用和遷移[1]。目前，針對某些熱門課程已上線的MOOC（Massive Open Online Course）課程多達數十種，不但沒有滿足學習者的深度學習需求，而且仍面臨持續較低的完成率和高輟學率、課程資源重復開發、跨平臺資源檢索與融合困難、在線學習效率較低等問題[2][3][4]。其原因主要包含以下幾個方面：①課程學習局限于某一個MOOC課程所提供的有限學習資源和服務，學習者只能選擇其中一個來進行課程學習，無法有效利用其它相同內容的MOOC課程提供的優質資源和服務，而單獨某一個MOOC課程往往很難滿足學習者的深度學習需求[5][6]。②現有的MOOC課程知識點以固化的線性模式呈現給學習者，缺少有效的在線學習導航和優質的課程資源推薦服務，不利于學習者根據已掌握的知識結構選擇相應的知識學習路徑。學習者的在線學習效果和效率很難得到提升，從而出現低完成率和高輟學率的問題[7]。③由于缺乏有效的課程資源評價機制，導致MOOC課程的低質量重復建設，直接影響了MOOC課程學習的效率和效果。

面對MOOC課程資源總量的快速增長及其更新速度的不斷加快，如何在海量MOOC課程資源及其相關學習資源中發現、重構和推薦最符合學習者深度學習需求的多模態學習資源，通過提供精準的個性化學習服務促進學習者的深度學習，已成為當前教育信息化亟待解決的關鍵問題。為此，本研究以提高MOOC課程的學習效果和學習效率為目標，以學習者的深度學習需求為出發點，提出了一種基于多模態知識圖譜的個性化MOOC課程重構方法。

一 多模態知識圖譜

MOOC課程包含微視頻（含視頻字幕和講義）、測驗作業、問題討論記錄等多種模態的知識內容表達，是一個由視頻、語音、圖像和文本構成的多模態系統。面向多模態MOOC課程的知識圖譜，是以所抽取的課程資源中的知識實體為節點，依據知識實體之間的層級關系（如表1所示）生成“知識實體—關系—知識實體”三元組，并根據這些三元組生成表示MOOC課程知識實體之間相互關系的多模態知識圖譜。其中，知識實體是體現MOOC課程微視頻主要內容的核心概念，其余模態的MOOC課程資源（如測驗作業、問題討論記錄等）根據其包含的核心概念將其歸為某一個知識實體的屬性。知識實體之間的層級關系表示學習者在學習某一門MOOC課程時的先后順序以及知識實體之間的相關性[7]。依據微視頻資源的目錄結構，以課程名為起始節點，以知識實體所在的節點與起始節點及其相關節點之間的關系表示MOOC課程中不同知識實體之間的層級關系。

表1 知識實體之間的關系定義

以“C語言程序設計”MOOC課程中的部分知識實體為例，可構建如圖1所示的多模態知識圖譜。相鄰兩個不同級別的知識實體之間是父子關系。在兩個同級知識實體中，左側的知識實體和右側的知識實體是先驗后繼關系或平行關系。在三級知識實體中，若左側的知識實體和右側的知識實體不存在先驗后繼關系，則為平行關系，如“標準庫函數”和“嵌套調用”；否則為相關關系，如“嵌套調用”和“自定義函數”。

圖1 “C語言程序設計”MOOC課程部分資源生成的多模態知識圖譜

多模態知識圖譜具有關聯性、結構性和導航性，能夠為MOOC課程重構提供以知識實體為核心的、非線性方式組織的多模態課程資源。MOOC課程重構是以面向MOOC課程的多模態知識圖譜為基礎，通過以知識實體及其相互之間的關系為依據的多模態課程資源的跨平臺檢索與融合，重新構建MOOC課程資源組織結構的過程。因此，多模態知識圖譜的生成是MOOC課程重構的關鍵。

二 面向MOOC課程重構的多模態知識圖譜生成

面向MOOC課程重構的多模態知識圖譜生成，包括面向學科的知識實體語料庫構建、面向MOOC課程資源的知識實體識別及其關系抽取、多模態知識圖譜的生成。

1 面向學科的知識實體語料庫構建

相同主題的多個MOOC課程是一個由教師和學生創造的學科知識庫，教師精心設計的課程資源描述文本（如微視頻標題及其字幕、測驗作業問題、課件內容等）體現了某一個學科的知識實體。由于面向學科的知識實體通常是名詞性的詞組或短語，本研究采用如圖2所示的知識實體語料庫構建方法，從MOOC課程資源描述中自動抽取針對不同學科的中文短語作為學科知識實體，減少人工創建學科知識實體語料庫的重復勞動。

圖2 基于MOOC課程的學科知識實體語料庫構建

基于MOOC課程的學科知識實體語料庫構建步驟為：①將MOOC課程資源描述文本作為學科知識描述文本進行輸入。②分別以漢語言處理包HanLP提供的中文分詞模型和詞性標注模型為基礎，采用平均感知機算法完成中文分詞和詞性標注。因為平均感知機算法是一種二分類算法，能夠解決訓練過程中由于學習率參數過大所引起的訓練過程中出現的震蕩問題。③基于哈爾濱工業大學停用詞詞庫和詞性標注結果，過濾其中包含的停用詞。④詞頻統計包括一階詞語和二階短語的頻次統計，一階詞語的頻次是指每個詞在學科知識描述文本中出現的次數，二階短語的頻次是指“數據→類型”、“控制→結構”這類二階詞串連續出現的頻次。⑤采用基于互信息和左右熵的中文多詞表達提取算法，從過濾掉停用詞的文本分詞結果中自動發現固定短語，即自動抽取固定多詞表達串。⑥對自動抽取的多詞表達串進行人工調優，刪除一些錯誤的自動抽取結果，從而得到面向某個學科的知識實體語料庫[8]。⑥將所構建的學科知識實體語料庫添加到現代漢語標注語料庫中，通過增量訓練方式訓練新的分詞模型和詞性標注模型，提高面向學科的中文分詞和詞性標注的精度。

2 面向MOOC課程資源的知識實體識別及其關系抽取

（1）知識實體的識別

Skip-gram向量模型是一個具有三層神經網絡結構的詞向量計算模型，輸出的詞向量可用于詞語語義相似度計算、語義查詢等[9]。BiLSTM-CRF是一個基于雙向長短時記憶網絡（BiLSTM）和條件隨機場（Conditional Random Fields，CRF）構成的命名實體識別模型，利用深度神經網絡提取特征，避免人工定義和提取特征的問題，包括Look-up層、BiLSTM層和CRF層[10]。為自動識別表示MOOC課程資源內容的知識實體，本研究設計了如圖3所示的面向MOOC課程資源的學科知識實體識別模型。

面向MOOC課程資源的學科知識實體識別步驟為：①基于中文分詞語料庫（如Sighan05分詞語料、搜狗分類互聯網語料庫）和學科知識實體語料庫，訓練Skip-gram詞向量模型；②利用基于學科知識實體語料庫增量訓練的分詞模型對MOOC課程資源的描述文本進行分詞標注，并利用訓練得到的Skip-gram詞向量模型預測資源描述文本中每個詞串的詞向量，并對得到的詞向量利用層次Softmax算法進行歸一化處理，所輸出的詞向量可用于詞語語義相似度計算、語義查詢等；③以Skip-gram模型預測得到的詞向量表示的句子作為輸入，Look-up層將每個詞向量映射到低維空間，然后將低維度表示的每個詞向量輸入到BiLSTM層，由BiLSTM層自動提取句子特征和詞特征。最后，CRF層根據所提取的特征對知識實體進行標注，輸出自動識別的MOOC課程資源相關的知識實體。

圖3 面向MOOC課程資源的學科知識實體識別

（2）知識實體的關系抽取與表示

知識實體關系是其對應MOOC課程資源之前層級關系的映射，采用三級知識實體表示方法即可描述多模態知識圖譜中的一個MOOC課程資源及其相互之間的關系，從而基于多模態知識圖譜重構MOOC課程，其步驟為：①從MOOC課程資源目錄的第一級標題和第二級標題中抽取知識實體，分別作為第一級知識實體1和第二級知識實體2，用來描述學習者的學習目標和學習需求；從微視頻及其字幕中抽取知識實體作為第三級知識實體3，用來標識某一個MOOC課程資源及其屬性。②將知識實體的來源（如微視頻標題、測驗作業問題或問題討論的主題）及其所屬MOOC課程資源目錄中的層級關系，作為該知識實體之間的初始關系。由于每個教師對同一門課程的教學內容組織順序不同，來自多個相同主題的MOOC課程的同一個知識實體可能具有不同的層級關系，首先對這個知識實體的子知識實體及其屬性進行融合，然后以出現頻次最高的層級關系作為融合后的新知識實體的層級關系。

3 多模態知識圖譜的生成

假設針對某一個主題的MOOC課程群是由個核心內容相同的MOOC課程C組成，表示為={C}，=1，2，…，。每個MOOC課程C由個三級知識實體K=[k1，k2，k3]及其屬性來描述，[a，b，c]表示該每級知識實體與起始節點（課程名）的距離，其對應的詞向量為v=[v1，v2，v3]。該MOOC課程群對應的多模態知識圖譜使用一個有向圖（，）來表示，={K}表示從不同MOOC課程提取的三級知識實體的集合，R∈表示兩個知識實體K和K之間的層級關系。R=0表示平行關系，否則表示先驗后繼關系，即R＞0表示知識實體K是K的前提，否則表示知識實體K是學習K的前提。因此，面向MOOC課程重構的多模態知識圖譜生成步驟如下：

①創建一個用于存儲多模態知識圖譜的一個有向圖={L}，=1，2，…，，節點L包含一個三級知識實體[l1，l2，l3]及其層級關系屬性[a，b，c]和詞向量[v1，v2，v3]。

②從個MOOC課程C組成的課程群中取出一個課程C，然后從C中取出一個知識實體K=[k1，k2，k3]，其層級關系屬性依次為[a，b，c]，每級知識實體的詞向量分為[v1，v2，v3]。

③若起始節點的子節點中存在v1= v1的節點，則執行步驟④；否則將K作為起始節點的子節點插入，并使插入后的二級知識實體的層級關系屬性保持非遞減順序。

④若存在滿足v2=v2的二級節點，則執行步驟⑤；否則將K以l1為子節點插入，并使插入后l1的子知識實體的第三級關系屬性保持非遞減順序。

⑤若v3=v3，則將K對應的課程資源融合到L葉子節點的知識實體屬性中；否則將知識實體K插入中，插入后l2的子知識實體的第三級關系屬性依然保持非遞減排序。

⑥迭代執行步驟②③④⑤，直到所有課程中的知識實體都添加到多模態知識圖譜中。

三 基于多模態知識圖譜的MOOC課程重構

完成面向MOOC課程群的多模態知識圖譜構建之后，即可依據相關MOOC課程資源中所包含的知識實體在多模態知識圖譜中所處的節點位置以及知識實體之間的關系，進行跨MOOC課程的資源檢索和融合，將分布于不同MOOC平臺的多個內容相同的課程重構為一個組織結構合理、資源豐富的新MOOC課程，如圖4所示。

圖4 基于多模態知識圖譜的MOOC課程重構

基于多模態知識圖譜的MOOC課程重構步驟為：①學習者根據一級知識實體及其子知識實體確定深度學習目標；②MOOC平臺從學習者所設定的學習目標中抽取知識實體，并采用所訓練的Skip-gram詞向量模型計算其詞向量，以這些詞向量為檢索對象在多模態知識圖譜中查找相應的知識實體節點，根據檢索得到的知識節點及其層級關系，通過MOOC課程資源的跨平臺融合重構面向學習者深度學習需求的個性化MOOC課程；③根據重構的MOOC課程知識實體之間的層級關系生成初始學習路徑，為學習者提供在線學習導航服務，避免學習者因知識結構復雜而迷失學習方向甚至終止學習過程。

在學習具體的知識內容時，根據學習者的學習特征，采用基于矩陣分解的協同過濾算法[11]為學習者推薦優質的多模態課程資源（如微視頻、測驗、問題討論記錄等），解決評價缺失的MOOC課程資源的在線推薦問題，節省學習者在海量資源中搜索和甄別優質學習資源的時間。當學習者在作業測驗中遇到困難時，為其推薦在線學習交流服務（如教師和助教答疑、生生交流等）或提示其學習相關課程內容，提高MOOC課程重構服務于深度學習的能力和水平。為提高優質課程資源推薦的準確度，學習者對MOOC課程資源的評價將反饋到MOOC課程重構流程中，通過完善MOOC課程資源的評價信息，自動過濾部分質量較低的課程資源，提高重構后MOOC課程資源的質量和課程資源推薦服務的準確度。同時，根據學習過程中的形成性評價分析學習者的學習狀態，動態調整學習路徑，使學習者高效地完成預定的深度學習目標。

由此可見，MOOC課程重構的本質是以多模態知識圖譜為基礎，以知識實體為核心融合分布于不同平臺的各種優質課程資源，通過重構融合后的課程資源之間的層級關系，以學習者的深度學習需求為主導進行動態學習路徑規劃與實時優質課程資源推薦，為學習者提供個性化的MOOC課程，以滿足差異學習個體的深度學習需求。MOOC課程重構的目標是優化在線學習過程和課程資源的智能服務模式，提高MOOC課程的服務水平和學習者的在線學習效率，幫助學習者利用MOOC課程資源有效開展深度學習。

四 案例分析

本研究以中國大學MOOC和學堂在線兩個MOOC平臺上的“C語言程序設計”課程為例，實現了一種基于多模態知識圖譜的MOOC課程重構的原型系統。將320名未修讀過“C語言程序設計”的大一學生隨機分為人數相等的兩組進行測試：A組通過原型系統，采用MOOC課程重構的方法進行在線學習，B組學生隨機選擇一門相應的MOOC課程進行在線學習。實驗結果表明，A組的輟學率降低了27.1%，課程考核合格率提升了19.5%，且通過課程考核學生的平均在線學習時間減少了28.7%。這是因為MOOC課程重構能夠幫助學習者高效獲取優質課程資源、優化在線學習路徑、及時提供學習輔導服務，從而提高了學習者的學習效率和學習效果。

[1]汪基德,王超然.信息技術與深度學習:信息技術教育研究新進展——中國教育技術協會信息技術教育專業委員會第十三屆學術年會綜述[J].電化教育研究,2017,(11):121-123、128.

[2]張剛要,沈大為.理解MOOCs的完成率:歸因與挑戰[J].中國電化教育,2017,(12):82-89.

[3]徐振國,張冠文,石林,等.MOOC學習者輟學行為的影響因素研究[J].現代教育技術,2017,(9):100-106.

[4]王雪宇,鄒剛,李驍.基于MOOC數據的學習者輟課預測研究[J].現代教育技術,2017,(6):94-100.

[5]段金菊.基于社會性知識網絡的cMOOC學習設計[J].電化教育研究,2017,(11):49-55.

[6]楊琳,吳鵬澤.面向深度學習的電子教材設計與開發策略[J].中國電化教育,2017,(9):78-84.

[7]劉紅晶,譚良.基于教師視角的SPOC課程知識地圖構建方法研究[J].電化教育研究,2017,(9):64-70.

[8]劉榮,王奕凱.利用統計量和語言學規則提取多字詞表達[J].太原理工大學學報,2011,(2):133-137.

[9]Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[A]. Proceedings of advances in neural information processing systems[C]. Nevada: Curran Associates, 2013:3111-3119.

[10]Dong C, Zhang J, Zong C, et al. Character-based LSTM-CRF with radical-level features for Chinese Nnmed entity recognition[A].International conference on computer processing of oriental languages[C]. Kunmin: Springer-Verlag, 2016:239-250.

[11]He X G, Liao L Z, Zhang H W, et al. Neural collaborative filtering[A]. Proceedings of World Wide Web[C]. Perth: ACM, 2017:173-182.

Reconstruction of MOOC Courses based on Multimodal Knowledge Map from the Perspective of Deep Learning

WANG Liang

In consideration of the online learners’ deep learning needs, this article firstly extracted the knowledge entities and their hierarchical relationships contained in MOOC course resources from different platforms, and then constructed a multimodal knowledge map with the “knowledge entity-relationship- knowledge entity” triplet as the core. Secondly, the personalized MOOC courses oriented to learners’ deep learning needs were reconstructed through the resource integration of multiple MOOC courses with the same content. Finally, the dynamic learning path was generated according to the learning objectives set by online learners. It could recommend high-quality course resources to online learners, solve the problems of learning navigation of MOOC courses and cross-platform integration of high-quality course resources. The experimental results showed that the reconstruction of MOOC based on multimodal knowledge map could reduce the dropout ratio of MOOC courses, and improve the learning effectiveness and learning efficiency of online learners.

MOOC course; multi-modal knowledge map; course reconstruction; learning path

G40-057

A

1009—8097（2018）10—0100—07

10.3969/j.issn.1009-8097.2018.10.015

本文為江蘇省教育科學“十三五”規劃2018年度課題“深度學習視角下基于多模態知識圖譜的MOOC課程重構研究”（項目編號：C-b/2018/01/19）的階段性研究成果。

王亮，在讀博士，研究方向為數字化學習與高等教育管理，郵箱為7802825@qq.com。

2018年4月28日

編輯：小西