知识图谱赋能信息化教学创新

曾露 李其娜

摘要：人工智能技术的发展，正驱使着“互联网+”教育大步迈向“人工智能+”教育的时代。人工智能符号主义研究范式的最新成果——知识图谱，为教育信息化2.0进程中的信息化教学提供了新的技术支撑和创新动力。知识图谱技术应用信息化教学将助力于数字教学资源整合知识化、学习者认知诊断个性化、智慧教学可视化和在线学习推荐个性化等方面的技术变革和教育创新，以数据结构课程知识图谱的构建为例进行阐述。

关键词：人工智能;知识图谱;个性化学习推荐;教学创新

中图分类号：TP391     文献标识码：A    文章编号：2096-4706（2021）07-0196-03

Knowledge Graph Enabling Informatization Teaching Innovation

ZENG Lu1，LI Qina2

（1.Guangxi Normal University，Guilin  541004，China;2.Wuzhou University，Wuzhou  543002，China）

Abstract：The development of artificial intelligence technology is driving “internet+”education to stride forward the era of “artificial intelligence+” education.The latest achievement of the research paradigm of artificial intelligence symbolism——the knowledge graph provides new technical support and innovation power for the informatization teaching in the process of education informatization 2.0.The application of knowledge graph technology in informatization teaching will contribute to the technological transformation and educational innovation in the following aspects，such as the intellectualization of the integration of digital teaching resources，the personalization of learners cognitive diagnosis，the visualization of smart teaching and the personalization of online learning recommendations.This paper elaborates the related content based on the construction of knowledge graph of data structure course.

Keywords：artificial intelligence;knowledge graph;personalized learning recommendation;teaching innovation

收稿日期：2021-03-10

课题项目：广西研究生教育创新计划项目专项课题（YCSW2021106）

0  引  言

“人工智能”一词起源于1956年的美国达特茅斯学院会议，发展至今已成为一门涉及计算机科学、信息科学、心理学、哲學、认知神经科学、生理学等众多领域的前沿交叉科学[1]。知识图谱技术在语义搜索、自然语言理解和逻辑推理等方面具有卓越优势，作为一种数据分析精准化和决策可视化的技术手段，知识图谱在电商、医疗、自动驾驶汽车等领域已经取得了一定成果，教育领域也逐渐有学者开始深入研究知识图谱与信息化教学融合的可能性。国内外众多学者深入探索学科知识图谱与教育融合的适切性，探究课程知识图谱辅助信息化教学创新的巨大潜能。美国知名在线教育平台Knewton依据课程、知识点和学习资源之间存在的逻辑关系，将知识点和学习资源连接起来形成一幅巨大的可视化网络图，并基于此对学生的知识水平进行诊断，进而推荐学习资源和学习路径。我国《新一代人工智能发展规划》指出，“要研究知识图谱构建与学习、知识演化与推理等关键技术，要构建覆盖数亿级知识实体的多元、多学科、多数据源的知识图谱”[2]。清华大学知识工程研究室建立了中国第一个基础教育知识图谱，并基于此开发了基础教育知识服务平台。基础教育知识图谱平台在智能教育领域的应用，不仅涉及知识检索、知识快照、知识问答、知识链接，而且还将进一步扩展到“人工智能教材”等研究领域。由此可见，知识图谱在教育领域具有广泛的发展前景，不仅仅是大规模教育教学资源的知识重构，同时还能够赋能精准化教学和个性化学习推荐。

1  知识图谱的相关概念界定

1.1  知识图谱

知识图谱是一种描述事物及其关系的技术方法，从组成的要素来说，知识图谱主要由节点和边组成，每个节点对应客观存在的实体，边则表示实体间的关系[3]。节点可以是实体，如一个人、一本书等，或者也可以是抽象概念深度学习、机器学习之类。边可以是实体的属性（地名、国家）、实体之间的关系（籍贯、国籍）等等。本质上来看知识图谱是从知识内在联系的角度认识事物结构，从而形成一张巨大的网状结构图。

1.2  教育知识图谱

教育知识图谱的概念界定从知识建模角度而言是一种对学科知识进行建模的方法，图谱中节点代表知识点，边表示知识点间的语义关联[4];而从资源管理角度看教育知识图谱则是以图的形式表征各类知识点和资源实体之间的关系[5]。构建一个完整的教育知识图谱需要以下关键技术：本体构建技术、命名实体识别技术、实体关系抽取技术和知识融合技术。

2  知识图谱助力信息化教学创新的应用

2.1  教育资源智能化表征

人工智能教育应用的基础就是数据，数据挖掘和分析过程也就是数据转化为知识的过程。应用知识图谱技术辅助海量数据处理，将繁杂的数据抽象成一个个知识网络结构图。在这个过程中，使用知识图谱将海量复杂的数据整合为一个语义化的知识网络图，可以有效解决数据挖掘和分析技术过度依赖数据本身的特征、缺少领域知识和学科专家的经验和对因果判断决策不够精准的难题。同时，通过提供先序知识的挖掘，知识图谱技术融合教育数据处理大大提升了机器的学习能力及机器认知水平，实现了教育数据处理智能化。根据“数据结构”典型教材，利用知识概念类的层级结构，构建其课程知识图谱，图1是“数据结构”第二章内容的局部知识图谱，展现了线性结构中包含的知识点和实例情况。

随着移动学习平台的不断完善，MOOC、SPOC、微课等开放的网络学习资源铺天盖地，知识获取方式多样化、便捷化的同时也带来了一些急需解决的问题，如学习资源分散无序、知识碎片化、资源共享以及知识间严重断裂等问题。知识图谱通过知识组织将学习资源语义化关联、融合多模态资源构建跨媒体知识图谱，在一定程度上为语义化聚合学习资源起到了积极作用，成为教育资源组织、表征、管理和融合的关键技术之一[6]。对“数据结构”习题文本的表征采用了salon提出的VSM模型，将习题文本进行向量化处理并统一到同一空间进行计算。具体将习题di表示为向量空间的n维向量：

（1）

其中vj代表知识点特征词，wij表示特征词vj在习题di中的权重。特征权重的计算则采用TF-IDF原理，TF表示词频，IDF表示逆向文档频率。具体计算公式为：

（2）

（3）

wij=TFIDFij=TFij×IDFj                        （4）

2.2  认知诊断个性化推荐

用户画像是一种基于用户行为数据，将用户多维特征标签化的用户建模方法，它是实现个性化学习的前提条件和基础，主要描述了学习者的知识掌握情况、学习兴趣偏好和认知发展状态等方面的信息。传统建模过程存在数据稀疏、隐私泄露和机器对于标签的语义理解偏差三方面的问题，而知识图谱技术的应用则在很大程度上缓解了以上问题带来的不便。因此，采用知识图谱技术进行数据特征标签，既可以增加语义可理解性和推理性，又可以实现用户模型的解释性和关联化。

如何准确地诊断学习者的知识掌握情况和认知能力，仍然是当前智能教学系统和个性化学习面临的挑战之一。知识图谱辅助的学习诊断是以学习者的学习数据为基础，运用认知诊断理论，通过统计测量和数据可视化分析评价不同的学习者选用不同的工具和内容的差异，与传统用户画像建模相比，诊断结果具有客观性、个性化和智能化。

根据已经构建好的“数据结构”课程知识图谱和学习者用户画像中学生的习题测试成绩情况来诊断学习者的知识点掌握水平，并利用知识图谱中知识点间的联系向学习者推荐与其水平相匹配的习题。将测试成绩Q划分成与学习者掌握程度相对应的三段：Q>90则对应P1完全掌握知识;60≤Q≤90则对应P2部分掌握知识;Q<60则对应P3知识点掌握薄弱;同时试题难度分为高、中、低三级分别对应P1、P2、P3。个性化习题推荐算法的执行流程如图2所示。

2.3  知识结构可视化教学

教学目标是教学活动的出发点和归宿，取决于学生现有知识能力水平和未掌握的知识程度。知识图谱的引入为教学目标的精准定位提供了新的思路和技术，通过学科知识图谱精准判断学生在各个知识点的掌握情况，追踪预测学生未掌握知识点的动态变化情况。此外，在智慧教学过程中，知识结构可视化工具能够帮助学习者高效组织知识、构建知识框架，起到了“脚手架”的作用。因此，利用知识图谱实现知识结构可视化，也成为当前在线教学平台必备的基本功能。

2.4  学习路径自适应查询

随着技术的飞快发展，在线学习资源爆炸式增长，教学者和学习者在个性化学习过程中多多少少会遇到认知负荷超载和无从入手的问题，数字资源过度丰富和个性化学习服务的“机械化”之间也渐渐凸显难以逾越的代沟。个性化学习推荐是人工智能技术赋能教育的实践途径之一，它旨在依据学习者的画像来推荐合适的数字学习资源和自主学习路径。“数据结构”课程知识图谱可以实现知识点之间最短学习路径的查询，依据学习者知识点的掌握情况找出其已掌握知识点到未掌握知识点之间的最短路径从而避免无关知识的摄取。查詢知识点“单链表”到“循环队列”的最短路径使用查询语句：match p = shortestPath（（n：Resource {uri：'单链表'}）-[*..6]-（b： Resource {uri：'循环队列'}）） return p，知识路径查询运行结果如图3所示。

知识图谱将知识点的顺序和关系形象化，呈现出知识结构与学习者的整体关系。因此，基于知识图谱的个性化学习推荐可以综合考虑学习者的知识掌握情况、知识点与学习风格偏好的关系等因素，为学习者提供有针对性的数字资源。

3  结  论

随着教育信息化2.0的发展，人工智能技术融合教育是信息化教育创新的必然要求。知识图谱助力智能教育向“认知智能”跨越，为教育大数据智能化处理、教学资源整合智能化、智慧教学可视化以及学习推荐个性化等教育实践应用提供技术支持和创新动力。知识图谱在教育领域有着广大的应用前景，但目前研究聚焦在理论层面，缺乏深层次的理论实践研究，因此需要推进知识图谱在智慧教育环境中的实践应用，未来知识图谱技术的教育实践将是信息化教育发展的大趋势。

参考文献：

[1] 徐鹏，王以宁.国内人工智能教育应用研究现状与反思 [J].现代远距离教育，2009（5）：3-5.

[2] 国务院.国务院关于印发新一代人工智能发展规划的通知.[EB/OL].（2020-04-22）.http：//ai.cumt.edu.cn/info/10 24/1052.htm.

[3] 漆桂林，高桓，吴天星.知识图谱研究进展 [J].情报工程，2017，3（1）：4-25.

[4] 杨开城.论课程的易理解性与知识建模技术 [J].电化教育研究，2011（6）：10-14.

[5] 张波，金玉鹏，张倩，等.试论一种新型在线教育资源大数据组织框架 [J].中国电化教育，2018（3）：41-46.

[6] 张治，刘小龙，余明华，等.研究型课程自适应学习系统：理念、策略与实践 [J].中国电化教育，2018（4）：119-130.

作者简介：曾露（1996—），女，汉族，湖南祁阳人，硕士在读，研究方向：知识图谱、人工智能教育应用。李其娜（1994—），女，汉族，广西玉林人，助教，硕士，研究方向：知识图谱、推荐系统。