个性化教育知识平台的设计与思考

陶伟 谢怡晨 邹雨菲

摘 要：针对网络社会信息过载和大学生通识教育效果不佳等现象，考虑设计一种个性化知识平台。平台采用轻量级的知识形态，应用知识图谱和推荐系统对信息进行过滤和优化，进而完善学生的个性化教育。

关键词：信息过载；通识教育；移动音频；知识图谱；推荐系统

一、绪论

当下我们正处于数字化的媒体时代，随着信息技术的成熟和产业的迅速发展，社会产生的信息不断累计，其量级不断扩大。而我们对它的利用率却变低，这又被称为信息过载。

信息过载对社会的影响是深远的。一方面，对于集体而言，我们身处巨大的集体学习浪潮中，任何人在任何地点都具备获取、创造和传播信息的条件。大量的信息和信息交互增强了人类社会创新的能力，这使得集体的发展水平和发展速度远超历史上的任何一个时期。信息廉价易得，知识随处可见。这使得每个人都能从互联网知识库中获益良多，也使得每一个个体都有发掘自身潜力，成为行业尖端的可能。而另一方面，对于个体，由于我们缺乏处理大量信息和数据的能力，信息过载和信息处理低效化将对个人的学习，生活，工作提出新的挑战。若无任何应对策略，人类的大脑没有办法在短时间应对如此丰富且具有诱导性的多维动态信息。针对这一问题，我们探讨的是，在并不缺乏学习资源的信息过载时代，如何合理整合学習资源和利用信息处理工具，消除信息过载对学生的不良影响，并完善大学生的通识教育及个性化教育。

二、知识平台的设计

解决信息过载和知识超载的一种有效方式是搭建适合不同学生群体的通用知识平台，这个平台可由音频电台搭建、知识图谱绘制，推荐系统设计三个部分组成，围绕着个性化教育，尝试处理知识过滤，知识解构，知识推荐，知识利用等问题。

（一）使用轻量级知识形态——音频，文字，图片的组合

移动互联网催生了在线教育，但公开课、MOOC以及各类直播录播课，对硬件要求高，对网络要求高，学生需要长期观看电脑和手机。对意志力薄弱的学生，在线教育时常成为时间的黑洞，健康的杀手而非学习的良药。相较之下，集合音频、文字、图片的知识平台易于使用，引导人们远离手机电脑，解放双眼，发掘健康的学习模式，适合需要快速提升自己的青年学生。

音频是一种具有良好伴随性的知识载体，它不受时间和空间限制。利用碎片化时间听音频；读书本是一种有效的学习方式，一本优秀的教科书或技术书籍涵盖了大量的知识点和作者的实践经验，仔细阅读，必会受益良多。图片和图谱具有直观性，一图胜千言，一张层次清晰的图谱能够承载大量的结构化信息，有助于我们发掘和利用知识间的联系。在繁杂的知识网络中，一张制作精良的学习路径图能够给初学者指明方向，避免走弯路，走错路。

（二）使用知识图谱和推荐系统过滤信息

知识图谱是一种研究事物之间复杂联系的量化工具，也可以理解为抽象意义上包含多种类型节点和边的多关系图，因此它比数学中的图论和数据库原理中的E.R图更具应用价值。

我们经常提到个性化教育、因材施教等针对单个学生的教育理念，但这些想法仅凭教育体制和教师群体很难实现。借助于知识图谱和推荐系统等智能信息处理技术，我们能够对某一领域的知识进行解构，分析概念的逻辑结构，从而针对学生的需求和偏好，设计合理的学习路径和完善的学习诊断机制。利用知识图谱构建知识体系，利用推荐系统满足个性化需求，省去了人工的信息过滤流程，节省了时间，也提升了知识获取的效率。学校和教师借助于这样一种平台能够了解每个学生的个性偏好和学习情况，并在这个基础上对教学方式和教学内容进行改进，能够大大提升教学质量。

三、讨论个性化教育中知识平台的应用

（一）个性化教育中的知识图谱

在分析特定学生的知识结构和推荐学习路径前，我们先要构建该知识域的通用概念知识图谱。概念图谱的核心是描述信息的数据模型，而根据不同信息的特征，数据模型常常分为层次、网状、关系、面向对象数据类型等等。实践中往往有着不同的侧重点，这里根据教育领域知识的特征，我们介绍三种类型的图谱。

1.层次型知识图谱

大量的图谱都采用了类似决策树的分枝结构，因此狭义的思维导图，知识归纳，技能图谱实际上可以理解为非严格的决策树归纳问题。通过精心设计的一系列属性检验条件，我们通过分枝结构将实体进行分类，该决策树不断生长直至可以确定类标号。这样所有的问题都被分在某一个具体的分枝中，树形结构简单明了，容易定位问题，方便学生查缺补漏。

2.概念模型的E.R图

由于在通识教育领域，我们对知识的处理仅仅考虑其浅层的逻辑联系而非其隐藏的复杂逻辑关系，这里我们可以用E.R图来表达比层次型知识图谱稍微复杂的知识结构。如下图，我们可以直观看到树形结构和E.R图的一些区别，在不同的场合下，我们需要综合使用这两类图谱。

3.广义RDF三元组模型的知识图谱

知识图谱的通用数据结构是RDF，它用资源、谓词及陈述这三个对象类型来表示数据，使用SPARQL可以对RDF数据集进行查询和修改等操作，限于篇幅，这里不多介绍，但读者需知目前工业界主要使用RDF三元组理论来搭建知识图谱。其在科研分析、医疗健康、工业设计、产品管理和图书出版上应用广泛。

4.知识图谱在教育中的应用

知识图谱是人工智能领域较常使用的技术之一，它的原理在于将信息世界中的信息和数据重新表达为计算机所能理解的形式，进而考察事物的实体、属性和关系。在教育领域使用知识图谱，可以建立问题搜索和求解的辅助知识库，与基于关键词和全文的搜索引擎不同，知识图谱中所包含的层次结构和实体关系能够更高效地定位问题，能够从全局把握知识点在知识体系中的位置，既方便学生解决问题，也能帮助他们举一反三，查缺补漏。

综上，知识图谱技术在分析各类问题特别是实体和实体关系时应用广泛，有很好的发展潜力，也适合我们构建通识教育和专业教育的知识框架和学习路径。

（二）个性化教育中的推荐系统

推荐系统应用在教育行业，其核心在于了解学生当前的知识水平及其知识体系，再进行推荐。而了解知识体系将极其依赖于我们所获取到的关于学生的数据信息，例如考试评测数据、学习偏好，性格、年龄、知识水平等个性化特征。当知识体系过于庞大，学生不知道如何学习，学习什么，哪些要重点学习时，推荐系统就可以发挥很大的作用。系统通过模拟学生来处理接受到的信息或知识，并基于一定的搜索和优化策略，给出最合理的匹配结果，可以有效地解决学生信息过载的问题。

教育领域，目前主要使用基于用户历史行为的推薦和基于内容的推荐这两种方法。第一种是根据学生的搜索、点击、浏览和下载记录，粗略记录一个学生的学习偏好和兴趣。将这些记录进行量化，建立用户画像，即可方便地对不同的用户进行自动推荐。另一种是针对知识实体本身相似性进行的物品建模，依据知识的特征和人的经验，知识被分门别类地放在不同的内容集合中。在用户的需求明确且无歧义的情况下，基于关键词和标签的检索可以给学生推荐合适的内容。实践中两种方法常常结合起来使用，由于推荐系统的性能受到平台规模和所用算法效率的影响，因此，针对不同问题，我们的推荐策略和方法也会作相应的调整。

特别地，对于初学者，可以采用基于用户的协同过滤方法来实现内容推荐。协同过滤，简单来说，就是先找到与某个用户相似的人群，考察这些人的偏好和需求的内容，最后生成一个针对特定用户的内容推荐列表。实际建模时，一般先收集具体的用户偏好，将这些偏好处理为量化的评价值，在计算相似用户时，使用欧氏距离或皮尔逊相关度判断人们的兴趣相似度。根据相似度，以相似度为权重，计算不同内容的加权评分，排名后即可得到一个推荐列表。推荐的作用就在于对学生所接触的内容做减法，根据他的知识水平和学习情况，合理地推荐习题，知识点，教学资料甚至教学方法，能够帮助学生举一反三，高效学习。

另外，推荐系统结合知识图谱和用户数据集，还能对用户的学习情况进行诊断分析。以在校生为例，若能准确记录学生的各项评测数据，历次考试、家庭作业的做题记录，在线上平台上，便可以就学生的做题正误、题目难度、题型、知识点等相关数据进行数据分析。将个人的分析结果与整体的情况进行比对，可以了解一个学生的学习进度、学习态度和学习效率，由此得到学习过程的诊断结果，并给出合理的建议。

四、结论

在当下的信息爆炸时代，大学生的在校教育问题迎来了新的机遇和挑战，对于这个问题，笔者提出并讨论了一个想法，即设计和构建一种新型知识平台。与在线视频教育和各种MOOC不同，它采用音频、文字和图片等轻量级的知识形态，综合利用知识图谱和推荐系统等技术来进行信息过滤，减轻了学生的负担，也让我们离个性化教育更近了一步。

项目：安徽农业大学2017年省级大学生创新创业训练计划资助项目