基于机器学习的语义图示超越碎片化学习

付小兵

摘 要：信息化时代的到来，泛在技术的普及使得信息的获取更加便捷，特别是无线互联网的普及應用，潜移默化地改变了人们的生活方式与学习方式。碎片化的学习方式就是这种改变后不可逆转的学习习惯。文章针对这其中的碎片化、多任务和浅层读图的现象，试图提出一种基于机器学习的语义图示来超越碎片化的学习方式。机器学习根据我们获取到的碎片化信息，依据经验、反馈、规则和推理机制等从而把各个碎片化的信息整合联系起来向学习者推送可视化的语义图示。

关键词：机器学习；碎片化；深度学习；语义图示

1 背景及问题提出

1.1 碎片化学习

当学习者期冀在生活工作的间隙实现任意时间、任意地点的学习，借助移动泛在技术所实现的碎片化学习也就成为颇具潜力的一种学习方式。但是随之产生的碎片化、多任务和读图等特征所带来的学习深度问题也浮出水面。学习就是对碎片化的知识、信息等“构件”进行加工的过程[1]。碎片化的信息获取所构成的学习，往往具有浅阅读的特征导致由阅读所引发的思考变得支离破碎，进而让知识与思想也呈现出碎片化的危机[2]。

1.2 语义图示

语义图示，作为承载知识信息的新一代图示媒介，将抽象的知识信息通过带有语义规则的图形、图像、动画等可视化元素予以表征，促进知识从认识到理解的过程[3]。语义图示可以理解为一张关系网，确定一个中心目标之后把与它关系密切的联系起来。概念图是语义图示工具的一种，由节点、连线和连接词构成，其中节点代表概念，具体符号表现为几何图形或图案；连线的两端是节点，连线可以是单向的、双向的或没有方向的，连接各节点的连线意味着这些节点之间存在某种关系；连接词即连线上的文字，对节点之间关系进行文字描述[4]。有研究通过干预自然教学情境，将图示工具和方法应用于协作任务设计中，发现图示方式与工具可以通过平衡工作记忆、聚焦思考，缓解学习者认知负荷，促进理解与认知并辅助表达[5]。

1.3 机器学习

其实“深度学习”这个名词最早就是机器学习领域使用的。在机器学习中，深度学习被定义为“一系列试图使用多重非线性变换对数据进行多层抽象的算法”。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法是对人的意识、思维和信息过程的模拟。而深度学习是机器学习中表征学习方法的一类。

1.4 教育中的深层学习

与计算机领域的深度学习不同，教育领域的深层学习是一种学习方式，特指学习者进行有意义的学习。深层学习是学习者在记忆的基础上对知识进行理解、归纳、掌握、运用，并结合原有认知结构，建立新旧知识间的相互联系，通过分析，作出决策和解决问题的学习方式。浅层学习通常是指只停留于信息的接收层面上，没有做到对信息的加工处理，并且无法做到长时记忆。而深层学习关注于对新知识的有意义吸收，将它们与已有知识建立关联，引起对概念的理解和长期保留，以便于应用到解决在新环境中所遇到的问题[6]。

2 利用机器学习构建语义图示

在碎片化学习的时代，学习者必须突破浅层学习的局限，以实现深度学习。碎片化学习中信息的片段化拾取往往是零碎的甚至闲散的，这样的信息获取往往缺乏对内容的深入思考，不能建立信息的广泛联系，学习仅仅停留在浅层面，不易进行学习的推理。如果学习只能停留在这种无组织、孤立的知识片段层面，也就难以超越碎片化导致的浅层学习局限。超越碎片化实现深层学习，是探索解决碎片化问题的要义。

语义图示正是提供学习者进行知识梳理，建立知识对象和属性、知识关系及过程的知识模型。语义图示的这一功能提供了迈向深度学习的第一步。语义图示强调将抽象的知识进行可视化表征，在可视化界面，学习者看到的不是大段文字，而是携带语义的图形、图像。学习者可以更容易地把握知识的逻辑关系，建立碎片信息间的联系。语义图示对信息的可视化加工，大大增加了阅读的效率，能够适应当代人的生活节奏与阅读取向。

机器算法中知识库的作用是存放着搜集来的知识，通过系统地表达或模块化，使得计算机能够推论和解决问题。知识库中的知识通常包含两种。一是知识本身，即物质及概念的实体分析、彼此关系；另一种是人类专家特有的经验法则、判断与直觉[7]。

学习者接触到的各种不同的信息是零碎、分散、缺乏逻辑性和连贯性，其中的一些信息很快便被遗忘。利用语义图示模型可以解决这些平常我们不留意去发掘他们之间的联系性的信息整合起来适时地推送给学习者，并能接受学习者的反馈。如图1所示。

如图2所示，获得X1，X2，X3…Xn碎片信息。知识库依据数据训练而生成的预测模型进行推理聚类，计算出知识目标变量，也就是最后的分类结果。碎片信息根据自身的特征确定权重Q，代表对最后输出结果的影响程度。机器学习根据经验、规则和反馈来为不同的信息赋权重。输出结果中M和W分别代表不同的类别，同类别降序排列越靠前的越重要。这里机器学习根据不同的规则来处理碎片信息，同一个碎片信息经过处理以后可能出现在不同类别中。

碎片化信息在机器学习处理下成为知识库中的知识。现在问题是学习者获取的碎片化信息往往难以构成一个比较合理的语义关系图。例如学习者接触到“flower”时候，但是很长一段时间内也一直没有出现关系密切的“leaf”，机器学习的规则应能发现此问题并自动增补关系密切的知识变量。

模型记录各类别的碎片信息出现的频率、时间甚至地点等，然后根据这些经验分析哪个时间段，哪个地点适合推送什么类别的语义图示。机器学习通过先向学习者推送未聚类的知识变量使学习者根据知识特征进行手动聚类，并将结果与机器学习的聚类结果进行匹配，就能发现学习者可能遗漏或者不确定的知识点，这些反馈信息就代表学习者还需努力进步的方向。学习者可以根据自身要求将某些知识变量设置不同的重要等级。

3 结语

学习新的知识有两种方式：一种是机械学习，学习者孤立地学习各个知识变量；另外一种是有意义的学习，学习者能将各个知识点联系起来并编制一张知识网络。机械学习无法使得知识被长时记忆，所以只有意义学习可以应用在解决新问题的情境中，促进以后的相关学习。本文所提到的基于机器学习的语义图示就是旨在促进有意义的学习。

[参考文献]

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

[2]李晓源.论网络环境中的“碎片化”阅读[J].情报资料工作，2011（6）：84-87.

[3]顾小清，权国龙.以语义图示实现可视化知识表征与建模的研究综述[J].电化教育研究，2014（5）：45-52.

[4]钟志贤，陈春生.作为学习工具的概念地图[J].中国电化教育，2004（1）：23-27.

[5]顾小清，权国龙，王华克，等.图示工具在协作学习中的应用[J].开放教育研究，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]希建华，赵国庆.“概念图”解读：背景，理论，实践及发展—访教育心理学国际著名专家约瑟夫·D·诺瓦卡教授[J].开放教育研究，2006（1）：4-8.