基于计算思维解析知识地图自主学习模型

2018-04-24蔡荣华赵海斌

中国教育技术装备 2018年20期

蔡荣华赵海斌

摘要以计算思维方法解析知识地图自主学习模型构建，通过计算思维的方法对知识地图进行分析，帮助学习者更高效地理解知识地图，构建完善个性化的知识地图自主学习模型。同时，在知识本体库层引入深度学习方法，完善知识地图自主学习模型的教育数据挖掘分析技术。

关键词计算思维;知识地图;数据挖掘;自主学习模型;机器学习

中图分类号：G652 文献标识码：B

文章编号：1671-489X（2018）20-0060-03

Analysis of Knowledge Map Autonomous Learning Model based

on Computational Thinking//Cai Ronghua， Zhao Haibin

Abstract This paper analyzes the autonomous learning model of

knowledge map by calculating thinking method， analyzes know-ledge map through the method of calculation thinking， helps learners

understand knowledge map more efficiently， and constructs an auto-

nomous learning model of knowledge map. At the same time， the

deep learning method is introduced in the ontology layer to improve

the educational data mining and analysis technology of the know-ledge map autonomous learning model.

Key words computational thinking; knowledge map; data mining; autonomous learning model; machine learning

1 計算思维概述

周以真提出计算思维[1]，引起学术界热烈讨论，为人们解决问题提供了新的思路，继而深入开展对计算思维能力的培养和运用计算思维解决问题的研究。计算思维作为人们学习的有力工具，主要有约简、嵌入、转化、递归、仿真和离散分析等方法。

2 知识地图概述

知识地图是一种知识库管理系统技术与Internet技术相结合的新型知识管理技术[2]。知识地图这一概念最早出自情报学，主要目的是揭示知识节点间的层次以及知识节点间的关系，具有知识导航和知识管理的作用。知识地图按构建的方法可以分成八类，分别是概念型知识地图、分布式知识地图、流程型知识地图、结构型知识地图、联系型知识地图、生命期知识地图、导航型知识地图和认知型知识地图[3]。构建个性化的自主学习模型，需要基于人的认知规律，因此，本文采用的是认知型知识地图。

3 以计算思维解析知识地图自主学习模型

蔡荣华、范云霞构建了图1所示知识地图自主学习模型[4]。通过计算思维的关注分离方法（SOC）对知识地图模型进行分析，可以分为四层，分别是行为层、学科知识本体库层、数据采集层和信息可视化层。其数学模型表示为：

M={AC，AD，DS，DV} （1）

式中，M表示知识地图自主学习模型，AC表示行为层，AD表示学科知识本体库层，DS表示数据采集层，DV表示信息可视化层。

在蔡荣华、范云霞构建的知识地图模型中，AC包括三个方面的行为，即对知识进行浏览、对知识进行查询和对知识进行选取。其数学模型表示为：

AC={BR，QU，CH} （2）

式中BR表示对知识进行浏览，也即对知识的遍历;QU表示对知识进行查询，也即对知识的检索;CH表示对知识进行选取。在真实的学习环境中，知识是无限的，要用有限的精力、时间对知识进行浏览、查询，选择能解决问题的知识;对已经解决的问题通过计算思维的约简、仿真等方法，选择合适的方式去陈述问题，搜集相关知识建立问题或问题相关方面的模型，使AC过程更高效地完成;对于难以处理的问题，通过计算思维的约简、转化等方法，把难以处理的问题变成一个已经知道解决方法的问题，或者通过递归的方法，找出难以处理的问题中的关键点，大大缩减BR的检索范围和方向;对于复杂或庞大的问题，采用计算思维的抽象、分解方法对问题进行分类，进行多线程知识浏览，让协作学习成为可能，提升QU的效率;对无法解决的问题，按照计算思维的方法预防、保护及通过冗余、容错、纠错的方式，避免CH走上错误方向;对未知问题，利用计算思维方法启发式推理确定AC的目标，减少知识检索的时间;对于多个问题，利用计算思维SOC方法对问题进行归类，方便不同的学习者分组协作，共同解决问题。

在蔡荣华、范云霞构建的知识地图模型中，AD包括对知识节点进行语言含义分析、对知识点进行描述和在知识点之间建立链接。其表述可以用数学模型表示：

AD={SE，KP，KL} （3）

式中SE表示知识节点进行语言含义分析，KP表示对知识点进行描述，KL表示在知识点之间建立链接。计算思维的方法可以提升AD构建的效率。运用计算思维的约简、转化、仿真等方法对知识节点进行语义分析，描述知识点，使SE和KP模块化，确定知识点，提升知识提取的效率。采用计算思维抽象、分解的方法对确定的知识点建立牢固的联系，形成KL。计算思维的方法对AD的影响极为积极，帮助学习者明确SE，精准描述KP，并将SE与KP之间建立起有逻辑关系、稳固的KL。

AD本身是为解决问题服务的，高效利用AD需要运用教育数据的挖掘分析技术。余明华、冯翔、祝智庭使用机器学习方法对教育数据进行自动化分析来发现未知的新知识和模式，如图2所示[5]。

在DS中，通过计算思维递归的方法将问题从表面逐步深入到本质、核心的问题点，形成假设，明确AC的目标和范围。AC在学习者所处的教育环境中搜集知识，帮助学习者形成自己需要的目标数据AD。通过计算思维的SOC、转化等方法对AD转换数据，进而进行数据挖掘。计算思维的方法同样可以应用于机器学习中。当学习者不知道采取何种方法对问题进行分析时，可以引导学习者使用计算思维方法遍历分类、回归、聚类等机器学习方法，帮助学习者找到最合适的方法，进而建立数据挖掘模型，对学习者学习行为进行分析，进而建立预测模型（Predictive Model）;

或者对学习者知识进行分析，进而建立描述模型（Descrip-tive Model），实现对知识的解释或评估，形成新的知识。新知识可以验证在教育环境之初提出的假设，也可以预测学习者行为，发现AD新结构。如通过分析学生的学习成果来预测其未来的学习表现，又或通过分析知识的数据来发现新的知识模式或结构。

闫志明、唐夏夏、秦旋等认为在教育人工智能中，教学模型、领域知识模型和学习者模型是其核心[6]。因此，在余明华、冯翔、祝智庭的基础上，本文对DS进行学习者建模补充，增加学习者知识水平、行为和情绪的建模，如图3所示。

知识地图自主学习模型构建还应新增学习者知识、行为和情感这三个影响因素。通过对学习者进行知识分析，完成知识建模，持续了解学习者知识构成的变化，生成学习者形成性评价;通过对学习者行为进行分析，进而建立行为建模，分析学习者的学习历史，发现学习者的特征，方便对学习者分组进行协作学习;通过对学习者进行情感分析，建立情感模型，持续了解学习者的情绪变化，进而发现情绪与学习者知识构成、学习行为的相关性。这样通过学習者模型对学习者的预测和反馈更为精准，推荐的课程和资源更加适应学习者。

DV将其知识点和知识点之间的关系进行可视化显示，并在对知识点描述时可以根据布卢姆在认知领域对教学目标的分类，将知识点描述为知道、理解、应用、分析、综合和评价类知识，用不同颜色的点表示，经过知识点的联结形成的知识地图更加清晰。

AC、AD、DS、DV四者紧密联系，AC浏览、查询、选择的知识越广越深，形成的AD的知识结构越牢固，AD影响DS的采集效率，DS影响DV的形成。

4 结束语

本文使用计算思维方法对知识地图自主学习模型进行解析完善，帮助学习者构建个性化的知识地图学习模型，提升学习效率。同时探讨计算思维方法在知识地图模型和机器学习中的使用，为计算思维的培养提供新的思路。

参考文献：

[1]周以真.计算机思维[J].中国计算机协会通讯，2007，

3（11）.

[2]邱均平.知识管理学[M].北京：科学技术文献出版社，

2006：219.

[3]叶六奇，石晶.知识地图的构建方法论研究[J].图书情报工作，2012（10）：30-31.

[4]蔡荣华，范云霞.大数据视角下基于知识地图的自主学习模型构建[J].中国教育技术装备，2017（5）：79-81.

[5]余明华，冯翔，祝智庭.人工智能视域下机器学习的教育应用与创新探索[J].远程教育杂志，2017（3）：11-21.