融合知識圖譜的自適應學習研究與應用

豐霞　袁理健　宋丹　章銀萍

摘要：在知識迭代速度加快的時代背景中，高校教育教學的傳統(tǒng)教學模式難以滿足學生個性化教學需求，學生容易陷入知識迷航、知識缺口等學習困境。針對這一問題，研究提出了一種融合知識圖譜的自適應學習系統(tǒng)，對課程的知識點進行拆分、分級與歸納，并總結出知識點的重要度、知識點之間的前趨關系與關聯(lián)度等信息，構建課程知識圖譜，并建立自適應學習系統(tǒng)。系統(tǒng)通過學生個體的錯題鏈接到相應知識點，并經(jīng)知識圖譜追溯到前趨知識點與相關知識點，進而自適應推薦這些知識點的教學課件、視頻和鞏固練習的題目。研究在智慧教學中對知識端與數(shù)據(jù)端的有機結合進行了探索，構建了自適應學習與精準教學的新途徑。

關鍵詞：知識圖譜；自適應學習；精準教學；智慧教學；個性化教學

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2024）13-0001-03 開放科學（資源服務）標識碼（OSID） ：

0 引言

近年來，人工智能、大數(shù)據(jù)、區(qū)塊鏈、互聯(lián)網(wǎng)等新興技術飛速發(fā)展，課程教學數(shù)字化、智能化的變革備受關注。2023年2月在北京召開的世界數(shù)字教育大會以“數(shù)字變革與教育未來”為主題，指出現(xiàn)代信息技術對教育發(fā)展具有革命性影響。在教育數(shù)字化、智能化轉型的宏觀背景下，基礎教育高質量發(fā)展面臨挑戰(zhàn)，對未來教師的教學能力提出了新的要求，以探索線上線下、人機協(xié)同的混合教學方法，推動教師從知識講授者向智能技術的應用者、個性化學習的促進者等轉變[1]。新冠疫情也加速了課程教學向數(shù)字化轉型的進程，慕課、學習通、嗶哩嗶哩等網(wǎng)絡課程的數(shù)字化教學得以普及，但智能化教學仍面臨一系列挑戰(zhàn)，教育智能化水平有待提高。

近幾年，人工智能從以計算智能、感知智能為核心的弱人工智能向以知識圖譜、深度學習為核心的認知智能的方向發(fā)展，以認知智能主導的智能化教學開始進入人們的視野。知識圖譜技術可將獲取到的知識或數(shù)據(jù)加以研究，實現(xiàn)人類思維的理解、推理或者解釋。因此，知識圖譜技術是數(shù)字化教學階段向智能化教學階段發(fā)展的必然趨勢，是智能教育發(fā)展的重要研究課題。

本研究從人工智能與本科課程教學深度融合的角度出發(fā)，基于智慧教學的現(xiàn)實需求，融合知識圖譜技術，探索教育教學中知識端與數(shù)據(jù)端的有機結合，構建自適應學習和精準化教學的新途徑。

1 知識圖譜技術

知識圖譜（Knowledge Graph） 是由概念、實體、實例以及其他屬性關系構等約束條件構成的可視化的圖網(wǎng)絡。其中的節(jié)點表示定義、實體、性質或者概念，邊則表示這些實體、定義、屬性之間的語義關系。目前，知識圖譜已經(jīng)廣泛應用于信息檢索、文本分類、問答系統(tǒng)、機器翻譯以及網(wǎng)絡學習等領域。

在教育領域中，知識圖譜以教學過程中涉及的元素為節(jié)點，以教學元素間的邏輯關系為邊，構建一個知識點與知識點以及知識點與教學資源之間連接的語義網(wǎng)絡[2]，在知識端和數(shù)據(jù)端之間搭建橋梁[3]。學科知識圖譜以結構化的方式描述概念、領域知識、語義等實體之間的關系，在學生個性化輔導、學科知識構建、教師精準化教學等教育領域逐漸釋放其價值[4-5]。

1.1 知識獲取

作為知識圖譜構建的第一步，知識獲取從具體應用領域的知識庫中獲得結構化、半結構化和非結構化的數(shù)據(jù)，從中抽取出計算機可理解的結構化數(shù)據(jù)，并存儲到知識圖譜中。通常，也可以通過專家經(jīng)驗、網(wǎng)絡爬取或者機器學習獲取信息。根據(jù)不同的情況，知識獲取需要解決的抽取問題分為實體抽取、關系抽取、屬性抽取和事件抽取。

1.2 知識表示和知識存儲

在知識圖譜的技術中，知識表示和知識存儲是兩個核心環(huán)節(jié)。知識表示是將現(xiàn)實世界中的實體、事件或概念以及它們之間的關系轉化為計算機可以理解的形式的過程。在知識圖譜中，這些信息通常以圖結構進行表示，其中圖的節(jié)點代表實體、事件或概念，而邊則代表這些實體、事件或概念之間的關系。

知識存儲則是將已經(jīng)進行了知識表示的知識儲存到計算機中，便于后續(xù)的查詢和分析。知識存儲的關鍵是要高效地儲存大量的知識，同時還要支持對知識的快速查詢和更新。例如，我們可以用圖數(shù)據(jù)庫或者分布式文件系統(tǒng)來進行知識存儲。

1.3 知識融合和知識建模

知識融合的目標是將來自不同來源的關于同一實體或概念的描述信息進行整合。知識融合以多源異構數(shù)據(jù)為基礎，在本體庫和規(guī)則庫的支持下，通過知識抽取和轉換獲得隱藏在數(shù)據(jù)資源中的知識因子及其關聯(lián)關系，進而在語義層次上補充不完全知識、創(chuàng)造出新知識的過程。

知識建模則是將現(xiàn)實世界中的實體、事件或概念以及它們之間的關系轉化為計算機可以理解的形式的過程。在實際操作過程中，手工建模和半自動建模被廣泛地應用于模型構建中。在未來的發(fā)展趨勢中，基于自動語義處理的全自動建模方式將成為主流。

1.4 知識推理

知識推理是一個核心環(huán)節(jié)，它主要圍繞關系的推理展開，在于從給定知識圖譜中推導出新的實體、關系和屬性。面對復雜的語義網(wǎng)絡，一個具備知識推理能力的知識圖譜，可以挖掘出數(shù)據(jù)更深層次的內在價值，提供數(shù)據(jù)分析和決策支持。通常，基于知識推理的典型應用包括智能推薦、智能搜索和智能問答等。

2 基于知識圖譜的自適應學習系統(tǒng)

基于知識圖譜的自適應學習系統(tǒng)是一種利用人工智能和大數(shù)據(jù)技術，根據(jù)學生的學習行為、興趣和能力，為其提供個性化學習資源和智能輔導的教育解決方案。基于知識圖譜的自適應學習系統(tǒng)通過整合各種教育資源，為學生提供個性化的學習體驗，幫助他們更高效地掌握知識。

在中國知網(wǎng)檢索關鍵詞“知識圖譜”與“自適應學習”，其中自適應學習是教育改革與發(fā)展的重要主題，更是強人工智能時代教育創(chuàng)新發(fā)展的重大命題，而建立自適應學習系統(tǒng)是實現(xiàn)個性化學習的重要突破口，是促進自適應學習從理論走向實踐的重要抓手和實踐平臺。

本研究是以操作系統(tǒng)課程為例，對課程的知識點進行拆分、分析、總結，找到各個知識點之間的聯(lián)系，構建知識圖譜。基于這種概念的學習方式來幫助學生有效的提升學習的效率，同時也可以給老師提供新的教學途徑與方式。

2.1 數(shù)據(jù)準備

在構建課程知識圖譜與自適應學習系統(tǒng)之前，根據(jù)教材章節(jié)結構，將知識點拆分為一級知識點（即 章節(jié)一級標題）和二級知識點（即 章節(jié)二級標題）。表1為第七章一級知識點，表2為第七章二級知識點。

在進行課程知識學習的時候，對于每一個知識點的學習都存在它們的掌握程度（了解、理解、掌握、運用等）。以此為基礎，根據(jù)知識點的掌握程度，對知識點重要程度進行劃分，劃分為1～5級，知識點的等級越高知識點的重要程度越高，要求學生對知識點的熟練掌握與運用越高。如“7.1.1 數(shù)據(jù)項、記錄和文件，重要程度標為2。”

知識點往往都不是獨立存在的，它們之間是存在著一脈相承的師徒關系。當我們找到它們之間的師承關系，即可建立它們之間的關系網(wǎng)絡。具體做法是將每一個知識點作為網(wǎng)絡中的一個節(jié)點（Point） ，將知識點之間的師承關系作為網(wǎng)絡中的邊（Edge） ，建立節(jié)點之間的有向連接，由后繼結點指向前趨節(jié)點。以操作系統(tǒng)課第七章為例，使用這種方法創(chuàng)建第七章二級知識點的前趨關系表，如表3所示。

將章節(jié)內知識點之間的關聯(lián)度劃分成0～5級共6 個等級，構建二級知識點之間的關聯(lián)度表，等級越高直接關聯(lián)程度就越高。如圖1所示。

0 級表示知識點之間不存在關系，屬于獨立的知識點；

1 級表示兩個知識點之間有相同的后繼關系；

2 級表示學習的思維模式差不多，并且兩者之間存在著一定相似之處；

3 級表示兩個知識點中存在技術發(fā)展的先后關系；

4 級表示學習上間接的前趨關系；

5 級表示學習上直接前趨關系。

2.2 建立知識圖譜

知識圖譜模塊包括知識點前趨性知識圖譜和章節(jié)關聯(lián)性知識圖譜。知識點前趨性知識圖譜是根據(jù)知識點的前趨關系表所示的知識點之間前趨關系動態(tài)生成，以第七章知識點為例，依據(jù)表3所示的第七章二級知識點前趨關系，建立如圖2所示的第七章二級知識點前趨關系知識圖譜。其中黃色點代表第七章二級知識點，紅色點代表第一章二級知識點。

按照第七章二級知識點前趨關系知識圖譜建立方法，以后繼知識點為源頭點，前趨知識點為靶點，建立課程其他章節(jié)前趨關系知識圖譜。所有章節(jié)前趨關系知識圖譜建立完成后，即可匯聚成為這一門課程整體的知識圖譜網(wǎng)絡。

章節(jié)關聯(lián)性知識圖譜是根據(jù)知識點所有的依賴關系生成的關系知識圖譜，以第七章為例，依據(jù)圖1所示的第七章所有二級知識點之間的依賴關系，建立如圖3所示的第七章知識點關系知識圖譜。

2.3 構建自適應學習系統(tǒng)

基于前文建立的知識點前趨性知識圖譜和章節(jié)關聯(lián)性知識圖譜，本研究以操作系統(tǒng)這一門課程為例，構建了一個自適應學習系統(tǒng)——OSC系統(tǒng)。其整體分為登錄模塊、系統(tǒng)管理模塊、OSC庫模塊、知識圖譜模塊等。其中OSC庫模塊包括前端知識點庫、在線學習、試題管理等。圖4 為OSC 系統(tǒng)整體框架結構圖。

教師和管理員將知識點前趨關系、重要程度、課件PPT和視頻等上傳到OSC系統(tǒng)，系統(tǒng)生成前趨關系知識圖譜和課程關系知識圖譜。學生通過在線學習、試題管理選擇章節(jié)知識點進行學習，并完成知識點測試。教師通過系統(tǒng)查看與統(tǒng)計學生在線學習情況，對錯誤率較高的知識點及其前趨知識點進行鞏固教學。

圖5所示為自適應學習系統(tǒng)個性化推薦流程。知識點A與知識點B、知識點C分別構成前趨、關聯(lián)關系。每個知識點背后都有與之配套的教學資源，包括教學視頻、課件、習題等。學生根據(jù)課程進度對知識點A進行學習，觀看相關課程視頻與課件，并完成配套課后習題。當學生完成知識點A習題后，習題錯誤率達到系統(tǒng)錯誤率閾值范圍，自適應學習系統(tǒng)將根據(jù)知識端知識圖譜所示知識點A的前趨知識點B、關聯(lián)知識點C進行個性化推送教學資源給學生進行相關知識點的鞏固學習與練習。

3 結束語

本文以一門課程為例，對課程知識內容進行點狀化，完成實體抽取，進而開展知識點的系統(tǒng)化、網(wǎng)狀化；此外，從知識點的時序性、關聯(lián)度、重要度等維度進行關系抽取，進而構建前趨圖、關聯(lián)圖等學科知識圖譜；最后，在課程知識圖譜的基礎上開展自適應教學中應用，以挖掘知識圖譜蘊含的知識拓撲結構與延伸出的推理能力，并在實際教學中體現(xiàn)其實踐運用價值。

參考文獻：

[1] 蔡可. 譜寫課程教學數(shù)字化轉型的中國方案[N]. 中國教育報，2023-02-27（004）.

[2] 萬海鵬，王琦，余勝泉. 基于學習認知圖譜的適應性學習框架構建與應用[J]. 現(xiàn)代遠距離教育，2022（4）：73-82.

[3] 宋宇，肖菁，湯娜，等. 知識圖譜如何賦能課堂教學評價？：以小學階段優(yōu)質數(shù)學課“平行與垂直”為例[J]. 現(xiàn)代教育技術，2023，33（1）：83-90.

[4] 孫雨生，彭夢媛，劉濤. 學科知識圖譜及其構建機理[J]. 科技管理研究，2022，42（20）：157-162.

[5] 范佳榮，鐘紹春. 學科知識圖譜研究：由知識學習走向思維發(fā)展[J]. 電化教育研究，2022，43（1）：32-38.

【通聯(lián)編輯：王力】

基金項目：本文系湖南省普通高等學校教學改革項目“基于繼續(xù)教育數(shù)據(jù)的跨域關聯(lián)與智慧教育研究（HNJG-20210853）”的階段性研究成果；湖南省普通高等學校教學改革重點項目“新工科視域下的圖數(shù)雙驅智慧教學新模式構建與研究（HNJG-20230950）”資助