可演化的个人知识图建构及认知评估模型研究

赵德芳 朱梦梦 杨娟

摘要：知识管理最重要的一個方面就是如何将学习者已经学过的知识具体化和可视化。尽管思维导图、本体以及知识图表是目前最流行的用来诠释和组织知识的方法与工具，但是这些方法与工具在模拟学习者的知识碎片组建上还存在缺陷，尤其是缺少必要的复杂语义推理支持机制和通过个人知识图产生的相关认知模拟。为模拟真实的个人知识碎片组建过程，我们设计并实现了一个可采集并集成个人显性知识碎片的自规律在线学习系统，以及融入了知识整合认知机制的个体隐性知识完成度评估模型。自规律在线学习系统，可构成个人知识语义链接图（SLN），将个人生成的显性知识碎片动态呈现给学习者；个体隐性知识完成度评估模型，可以可视化地呈现个人隐性知识碎片的动态演化轨迹，同时以较高保真度还原学习者知识认知程度的周期性变化曲线。实验也初步验证了学习者个人知识图的动态演化能力以及个体隐性知识完成度评估模型的保真度。

关键词：知识管理；知识碎片；个人知识图；显性知识；隐性知识；认知评估

中图分类号：G434 文献标识码：A 文章编号：1009-5195（2017）02-0095-09 doi10.3969/j.issn.1009-5195.2017.02.012

一、研究背景及相关文献

在过去的30年中，知识管理变得越来越重要，它可以帮助学习者更好地理解、管理、转化知识，使知识利用达到最大化（Tseng et al.，2012）。知识管理最重要的一个方面是能够尽可能地模拟学习者意识中知识碎片的建构过程，将学习者已知的知识形象地表示出来（Novak & Gowin，1984）。很多思维工具，如概念地图、思维导图、概念图表（Eppler，2006）都是常用的形象地诠释和组织学习者个人知识的技术手段（Jonassen & Carr，2000）。这些技术手段可以让学习者通过节点、标签和链接将许多概念之间的关系形象地表示出来（Tseng et al.，2012）。但是有调查发现（Weinerth et al.，2014），这些基于用户请求的驱动技术工具会因为不同用户在使用性上的差异而导致在可学习性上不稳定。

思维工具的另一个缺陷是无法处理复杂的推理，在模拟个人知识地图上存在局限性。例如，赖晓涛等（2005）认为知识管理的过程包括三部分，即知识的提取和存储、知识的共享和传播、知识的整合或创新，提出概念地图在知识管理中可以促进知识的提取和存储、增进知识的共享和传播、引发知识的整合和创新。这在宏观层面上概述了概念地图的作用，但是并没有体现出对于个体学习者的差异性。马费成等（2006）以有意义学习理论、图示理论和语义记忆理论作为理论依据，提出概念地图能够利用等级结构表达面向特定主题的结构化知识，并且可以作为知识表示、知识组织和知识存储的工具；然而面对非结构化的知识，概念地图缺少复杂的语义推理关系，无法完整地组织和表达知识。郝金星（2011）对概念地图从三个层次上进行深入分析，提出多个概念地图的核心指标和相应算法。这些算法和指标，可反映知识的复杂程度、集成程度和聚中度，指标的分析结果可以证明概念地图在组织决策中的重要性，但却无法反映知识之间隐性的内在关联。Garrido等人（2013）提出概念地图是为所有学习者提供基本课程组织，但他们只采用了4种语义关系来进行基本的推理。而这几种有限的语义关系无法根据学习者知识整合能力的不同体现出学习者的差异性。

另外一种知识组织和表现的常用方法是本体技术（Santacruz-Valencia et al.，2010；Gaeta et al.，2011；Cali et al.，2012；Spivak & Kent，2012；Dumontier et al.，2014）和知识地图（Hakkani-Tür et al.，2013；Zhu，2013；Dong et al.，2014；Hakkani-Tür et al.，2014）。然而这两种方法主要是针对公共知识基础的构建和推理，几乎不能够被用来产生个人知识地图的演变轨迹。例如，蒙应杰等人（2005）介绍了Ontology概念模型的建立、模型间转化的方法，这些方法可应用于异构信息系统构建时信息的表示、组织和信息资源之间交互的初期建模过程，但是其建立的模型尚不够细化，无法精细化描述本体间的语义关系。蒋国瑞等人（2009）基于本体技术设计了一个本体自学习模型，详述了知识资源的导入和重用、本体的提取、关联规则的确定以及各种组件的运用，但是该模型无法集成学习者自生成的知识碎片，学习者的隐性知识无法在该模型中表现出来。Gaeta等人（2011）依据基础本体关系扩充的另外3种语义关系，即包含、目的、含有资源这三种关系。这些关系可以提供更加灵活的推理选择，但是仍然无法满足个人知识地图所要求的复杂推理，因为个人知识地图需要融入学习者的认知特征。

总之，本体技术和知识地图在一定程度上可以处理资源库的构建、融合、推理、提取，可以反映整个知识库的变化和演变轨迹，但是却不能反映学习者个人意识中知识碎片以及这些碎片的产生及消亡轨迹。而要实现个人意识的知识图构建，除了对资源构建提出了更加复杂的语义推理要求外，还需要认知模拟机制的支持。

笔者在首先设计并实现了一个可采集并集成个人知识碎片的自规律在线学习系统。因为从广义上讲，自规律学习（Self-Regulated Learning）是指在与学习相关的元认知、策略执行以及动机指导下的学习过程，而“自规律”则主要描述学习者的学习行为控制以及对其评估的过程（Ormrod，2014）。所以自规律在线学习系统可以作为控制并评估学习者在线学习行为的载体，以及个人知识语义链接网络（Semantic Linked Network，SLN）（Zhuge，2010； 2011）图的支撑平台，内嵌个人知识SLN图所需要的资源语义图，同时采集个人生成的显性知识碎片并将其集成到学习者个人SLN图。

在此基础上，本文设计了一个可模拟个人知识构建过程的计算模型。该模型在模拟个人知识构建的过程时，不仅使用丰富的语义关系进行必要的语义推理，同时还以知识整合建构中一般智力理论作为模拟机制的基础。最后，笔者通过学习者对知识节点真实的认知度和个人知识碎片图推理出的知识完成度图的对比，评估了被试学生的模拟知识碎片图的还原能力。

二、相关计算描述

1.知识整合的一般认知能力

建构主义的观点认为，学习发生在知识建构的过程中，评估的核心是学习者已经学习的知识和其前驱知识之间的关系（Alesandrini & Larson，2002）。Hannon 和 Daneman建立了包括4个部分的模型来理解知识整合的一般认知能力（Hannon & Daneman，2001）：（1）从长时记忆中唤起新信息的能力；（2）基于文本提供的信息作出推理的能力；（3）访问前驱知识的能力；（4）整合前驱知识和新信息的能力。

为了评估这些能力，需要将这些抽象的文字描述转换为量化指标。对应于在线自规律学习过程，考察学习者知识整合能力指标被转换为如表1的描述。

2.基于SLN的个人知识图

一个SLN可以被定义为（Zhuge，2010；Zhuge，2011），N代表的是一组语义节点，N={n1（C1），n2（C2），.... nm（Cm）}，n是一个节点的名称，C是这个节点归属的类名。L是一组语义链接，Rules 包含推理规则和作用规则，推理规则是运用在节点间语义关系边上的规则，而作用规则则是用于反映节点间、关系间以及权重间不同作用的规则。在本文中，SLN的定义以及推理规则沿用前期工作（Yang et al.，2015）的相关定义和描述，具体如下：

（1）N中节点所包含的类名，除包括已有类theory（基础理论）、example（实例）、video（必要视频）、exercise（练习题面）外，新增self-reflections（显性知识碎片）和self-images（隐性知识碎片）两个节点类。

（2）L中包含的语义关系，除已有关系about a same topic，analogy of，similar with，apply with，prior of，successor of，expanding of，part of，interactive with，visual of，新增语义关系note of和reflect of，分别作用于self-reflections和self-images两类节点。

（3）推理规则集和作用规则集，在已有用于计算语义关系传递闭包的规则集的基础上新增包含作用规则的补充规则集。保留衍生规则集和可集成学习者新生成知识节点的生成规则集，同时新增剪枝规则集。具体规则集的相关公理及引理参看我们的前期工作（Yang et al.，2015）。

三、采集并构建学习者的显性自我知识碎片

1.系统整体结构设计

为了采集并构建更为准确的学习者对知识的自我意识，本文设计实现了一个自规律学习在线学习原型平台（“C语言程序设计”）。该系统底层为内嵌学习资源的基础学习模块，具有与普通在线学习平台类似的功能，在此基础之上分别设置“认知评估模型”和“个人知识碎片采集”模块，这两个模块互相作用，最后在“可视化个人知识空间”模块中形成针对个人的可视化知识表达。整体系统模块结构图如图1所示。

因为在线学习要求学习者有更高的主动性和投入度，所以该平台为学习者提供了以主题为单位的内嵌学习资源。“个人知识碎片采集”模块的主要作用是让学习者在浏览内嵌学习资源同时可进行相应的学习笔记记录，这样不仅增加了学习的主动性，而且有利于学习者将平台提供的学习资源内化为个人知识。该模块继而将学习者采集的零散知识碎片通过知识间不同的语义关联进行加工整理并存储于XML文件中，从而形成知识碎片空间。系统另外一个重要部件——学习者认知评估模型，是通过监控学习者不同的前驱知识访问模式来评估其对前驱知识掌握程度，如图1所示。认知评估模型通過对不同访问模式设置不同权重来区分学习者对知识的不同程度依赖。学习者的知识碎片空间结合学习者对知识的认知程度最终形成个人知识空间，将其可视化表达、以直观的形式呈现给学习者本人，使学习者清楚自己对知识的掌握情况，及时调整自己的学习策略。

2.学习平台特点

（1）以主题为中心呈现资源和知识节点

内嵌学习资源及新生成知识节点均以主题为中心，且每个主题的学习资源以知识分类理论进行划分，即包括基础理论、实例、必要视频、练习（题面）等各种学习过程中必需的资源类型。

这种以某学习主题基础理论为中心的星型资源构建模式主要是为了在学习者个人知识SLN图中构建足够丰富的语义关系，例如“analogy of”是实例类资源节点指向基础理论资源节点的语义边，而“apply with”则是练习/实验/测验等资源节点指向基础理论资源节点的语义边。而“prior of”和“successor of”则是构建在具有前驱/后继顺序约束的基础理论资源节点之间。丰富的语义关系可以从不同角度构建学习资源间多维关系。例如可以在顺序维度上计算不同学习资源间语义关系的传递闭包，也可以在不具有顺序关系的资源间计算相似关系等。具体的个人知识SLN图的语义推理及运用可参见我们的前期工作（Yang et al.，2015）

（2）提供多标签笔记功能

这种多标签笔记实际上是为学习者提供自我意识标注及存储的功能，即学习者在学习过程中可以将自我认知的新知识添加在系统中，并存储起来，形成介于内嵌资源和头脑知识碎片之间的新知识表达。除此之外，用户的自我知识表达还体现在其对测验/实验/考试等资源类型的理解和解答，因此测验/实验/考试的成果也会构成学习者自我知识表达的一部分。系统为学习者提供5类基本笔记标签（理解、总结、重点、推导、疑问），学习者可动态添加所需笔记标签。而学习者的笔记可以在页面上任意位置标注。实际上，学习者新生成的自我知识表达除了在页面上可具体查看外，还被集成到学习者个人的知识SLN图中，并动态地呈现在用户界面上。

（3）可视化呈现学习者的自生成知识节点

学习者的自我新知识表达，即后文提到的显性知识碎片会动态地呈现在用户的资源浏览界面中。即当学习者新生成笔记或测验答案这类自我意识反映，它们会以新知识节点的形式并入到该学习者的知识SLN图中，具体的并入方式参看前期工作（Yang et al.，2015）。也就是说，学习者的显性知识碎片和系统内嵌的学习资源可同时作为有用的学习资源提供给学习者。这样做的目的主要是为了区分学习者不同的前驱知识访问模式，例如在后文中会提到依据学习者知识整合的认知一般智力理论，学习者访问前驱知识的模式会被分为三种典型模式：访问内嵌学习资源；访问显性自我知识碎片；不依赖任何外部资源，仅访问头脑意识中存储的自我知识碎片。

总的说来，学习者的显性自我知识碎片主要由两部分构成：学习者笔记；学习者的练习、测验以及随手实验的成果。但仅仅通过依靠学习者笔记及其当时的练习、测验以及随手实验的成果来模拟学习者的个体知识图是不准确的，因为这种静态的组建并不能反映学习者对前驱知识的应用以及整合程度。如前所述，知识在头脑中的完成度应随学习者在后继学习过程中对其定位、访问以及应用的实际状态而发生动态变化。因此这里将显性知识碎片作为学习者自生成知识节点纳入其知识结构图中，并用于后续计算学习者隐性知识碎片的完整程度。

四、学习者个人知识碎片及其整合的评估模型

本文的目的之一是为学习者知识碎片建立一个可动态更新的评估模型，方法是通过计算他们在学习新知识时使用或与前驱知识交互的情况来考察其对已学知识的掌握和整合程度。这种方式相较于传统的方法更加符合建构主义学习理论，因为传统的方法仅仅是考虑了当时的学习效果，并未动态考虑学习者知识存储及应用的周期性变化。学习者个人知识碎片及其整合的评估模型由一个四层体系结构构成，如图2所示。

体系结构的最底层是自规律在线学习的基础平台，即“C语言程序设计平台”。平台为学习者进行自规律学习提供了必需的内嵌学习资源，并采集学习者显性知识碎片。在此基础上，平台提供一个公用的学习资源多维SLN图。体系结构第二层是个人知识SLN层。在这一层中，SLN节点由两部分组成，分别是学习者个人显性知识碎片和平台固有内嵌资源，个人知识的多维语义关系首先继承自底层平台的公用SLN图，并根据衍生规则集集成个人的显性知识碎片。个人SLN中的基本语义关系包括“about a same topic（同属一个主题）”、“part of（一部分）”、“prior of（前驱）”、“apply with（应用）”等。更多关于语义关系以及它们用法的详细内容可以参看前期工作（Yang et al.，2015）。体系结构的第三层是扁平化SLN层。在这一层中，多维复杂语义关系通过语义推理规则被压缩成为一维语义关系，即只保留其带有时序特征的“前驱”语义关系。体系结构的最高层是学习者个人的隐性知识图层，在这一层中，通过审查学习者对已学知识的访问及运用情况可对相关隐性知识的完成度做出评估，同时也可体现出学习者已学知识可能的缺失情况，从而动态地将学习情况及时地可视化反馈给学习者本身。

1.扁平化知识结构图

在完整的知识SLN图中，知识节点包括两部分：内嵌学习资源节点和学习者自生成知识节点。这些知识节点均可通过复杂的语义关系在不同维度上联系起来（Yang et al.，2015），这些关联足够复杂，可以从不同视角上代表不同的结构。然而，这些复杂的语义关系在本节中会被压缩为一种单一的关系，即“前驱”关系。因为在个人知识碎片及其整合的评估模型中仅需要考虑关系的时序性特征。本节采用语义权重策略来抽取节点间复杂语义关系中的时序性特征。因此，个人知识SLN图中任何两个知识节点无论有无直接关联的语义边均可被描述为一个三元组<初始节点，指向节点，δ>，系数δ代表不同的语义关系权重和距离的不同转化结果。例如，知识点t2是知识点t1的一部分，即在SLN图中，t2有一条指向t1的边，且该边名为”part of”，则t1和t2的关系就可以转化成这样一个前驱后继的三角关系。对于那些没有直接关联边的节点，关系的转化是基于前期工作（Yang et al.，2015）中所描述的相关语义关系推理公理及引理。

语义关系扁平化的过程可以分为以下三步：语义关系剪枝，计算语义关系的传递闭包，生成节点间的时序边。因此在已有规则集上新增剪枝规则集以及传递闭包补充规则集。用于删除不必要的节点类型，其基本形式如下：

如果中的规则具有如下形式：a→n→b，且b∈theory，n∈{analogy of，similar with，about a same topic，visual of，expanding of，apply with，note of}，那么删除节点a以及L（a）。

规则中L（a）指的是所有指向或由节点a发出的关系。

是相对于原有的传递闭包规则集的补充规则集，通过引入权重来计算规则的传递闭包，其基本形式如下：

如果中的规则具有如下形式：a→1*n→b；b→1*n'→c，且n'' =' prior of '，n和n'是规则集中可计算传递闭包的关系，那么在节点a和c之间以a→wn*wn'*n''→c的形式建立关系边n''，并赋予权重wn*wn'。

扁平化知識图的最后一步是生成节点间的时序边，在这个步骤中，知识图保持其连通性，不会存在孤立节点，但只有两种关系可以保持到最后，即“prior of”和“part of”（这一结论可通过规则集的相关公理和引理证明）。因此，新生成节点间时序边的实质是在节点间重新建立“prior of”关系边，而建立的策略则是在剪枝并完全计算语义关系传递闭包后为最终保留的关系“prior of”和“part of”设置不同的权重参数w1和w2。使用最短路径的算法（dijkstra算法）计算最终被赋予到新生成“prior of”关系边上的权重系数δ。此时，原本立体多维的SLN知识图被压缩成一个只具有时序关系的单维有向无环图。采用矩阵Mr，来存储这个有向无环图中每对节点间的边指向关系及其权重。矩阵中每个元素aij的值存储的是节点对间的三元组

2.前驱知识访问矩阵

当学习者学习知识点的相关知识（包括该知识点包含的各种类型的知识，即自生成知识节点）时，访问前驱知识i的频率fij会被记录下来。W1和W2（W1其中lg（j-i）为增压系数，用于模拟学习者在不同学习阶段时对前驱知识依赖程度的不同。例如，当学习者在学习知识点t3时对其前驱知识t1有值为f13+W1的依赖，那么当其在后续知识点t5的学习时，即使对知识点t1的依赖值f15+W1=f13+W1，其依赖程度也会大于学习知识点t3时对t1的依赖。即在越远离前驱知识节点i的时刻回顾i，那么可认为该知识点在学习者头脑中的认知度在随时间不断降低。

3.隐性知识碎片的认知度评估模型

根据建构主义学习理论，学习是一个长期积累的过程。通过回顾、理解和应用已经学过的知识，知识可以被更好地内化。因此，仅仅根据学习者单独的测试或考试成绩而不考虑其在学习过程中对前驱知识的回顾、访问及应用等相关认知操作，是无法准确评估出学习者隐性知识碎片的完整程度的。从建构主义的观点来看，学习者的知识认知完成度应该是伴随学习者学习过程的推进而不断演化和更新的。学习者的个人知识图也应具有上述特征。

本文提出的学习者隐性知识碎片的认知度评估模型，是通过使用贝叶斯概率公式计算前驱知识访问矩阵Ma及扁平语义关系矩阵Mr来实现已学习知识点认知完成度的动态更新。该模型的核心是知识认知完成度动态更新算法“Knowledge Completeness Updating Algorithm”（见图3）。算法中，b代表学习者当前完成的知识节点，即需要动态更新其前驱知识节点认知完成度的时刻，I是与节点b具有前驱关系的所有节点集合，即a∈I，a→“prior of”→b。Ba是节点a到b为止的所有已学习独立后继节点的集合，S（I）是所有节点a∈I的独立测验/习题成绩，S（Ba）是所有节点，∈Ba的独立测验/习题成绩。输出C（I）是所有迄今为止与b具有前驱关系的所有节点的认知完成度。

五、实验及结果分析

在实验环节中，共有20名被试参与，实验涉及自规律学习平台中内嵌的前9个学习主题。实验分为两部分，第一部分验证学习者个人知识图的动态演化能力，第二部分检验个人隐性知识认知度评估模型的保真度（Fidelity）。

1.动态更新的个人知识图

在本节中，我们将可视化地呈现被试学习者之一的个人知识图演化过程，图4（a-c）分别对应的是其整个学习过程中三个比较具有代表性时刻的知识图。

图中无阴影圆圈中的知识点代表认知完成度低的点（<0.6），而带阴影圆圈代表认知完成度高的节点（>>0.6）。值得注意的是，学习者在完成知识点t4的学习后，由于在其学习过程中过度依赖前驱知识t1和t2，从而导致了这两个知识点完成度较低，在学习者当前的个人知识图上可看作缺失知识节点，即学习者并没有真正掌握这两个前驱节点。

而情况在其学习完知识点t7后发生了一定的变化，t1的完成度随着后续节点学习过程中对其依赖值不断降低而逐渐增加，从缺失知识节点演变为已掌握知识节点。这种掌握状态一直持续到知识点t7完成。而t2则一直保持其缺失状态，即该学习者到t9完成时刻其t2都没能真正掌握。仔细分析所有学习者的个人知识动态演化图会发现，学习者对前驱知识的掌握通常具有周期性特征，即随着个人前驱知识应用模式不同、长时记忆/短时记忆能力不同、前驱知识访问模式不同等个体特征的不同，其知识掌握的周期性特征也有所不同。这种不同的特征通常体现在知识从掌握到缺失，又从缺失到掌握的频率以及周期的不同上，与个人学习模式紧密关联。

2.个人隐性知识认知度评估模型的保真度检验

为检验个人隐性知识认知度评估模型对学习者所掌握知识的还原程度，我们对比了由评估模型推导出的知识完成度值与学习者对该知识的真实认知值。表2显示了上节中所提及的参试学习者在学习过程中其知识认知完成度的变化数据。图5则展示了评估模型推导的知识点t1的认知完成度曲线与该学习者真实的认知曲线的对比图。真实认知曲线通过以下方法获得：首先建立仅针对知识点t1的题库，然后在每个后续知识点学习完成后（完成练习或测验），再随机选择一个关于t1的测验题，让学习者不依赖任何帮助的前提下完成。获得的成绩曲线即为学习者关于t1在tn（n>1）时刻的真实认知曲线。

从图5两组曲线的对比可看出，隐性知识认知度评估模型推导出的知识点完成度虽然没有与学习者真实认知曲线重合，但是却享有共同的周期性特征，这说明个人知识认知度评估模型在还原学习者隐性知识碎片上是趋势性保真的。

为了反映隐性知识认知度评估模型作用于所有参试学习者的平均保真性能，我们计算了所有被试学习者在学习时刻tn时关于知识点t1的保真方差（Stn（t1）-Ctn（t1））2曲线，如图6所示，一个系列代表一个被试学习者。

图6显示了隐性知识认知度评估模型的整体保真性能。从图中可看出大部分学习者的保真方差曲线均能享有一个平滑的形态，只有少量学习者的保真曲线起伏较大。因此，该评估模型具有较好的整体保真性能。

六、结論

在本文中，为模拟真实的个人知识碎片组建过程，我们设计并实现了一个可集成学习者显性知识碎片的自规律学习平台。该平台因为具有主题中心性、学习者自我意识标注并存储以及可视化动态显示等特征，使得实时采集学习者显性知识碎片成为可能；而且，依靠SLN强大的涌现语义生成能力，可以将学习者新生成知识融入已有的个人知识SLN，使个人知识图随学习过程推进而不断演化。

而在此基础上提出的融入了知识整合认知机制的个人知识完成度评估模型，不仅可以可视化地实现个人隐性知识碎片的动态演化轨迹，还可以以较高保真度还原学习者知识认知程度的周期性变化曲线，从而从真正意义上实现机器以建构主义方式动态模拟不同学习者的个人知识组建轨迹和知识整合认知模式。当然，鉴于本文有限的被试规模及知识体量，所提出的个人隐性知识认知度评估模型还有待进一步修正和改进。

參考文献：

[1]郝金星（2011）.利用概念地图分析辅助组织决策[A].Proceedings of the 2011 International Conference on Information ，Services and Management Engineering[C]. China Academic Journal Electronic Publishing House：1749-1754.

[2]蒋国瑞， 赵亮（2009）. 一个优化的本体自学习构建模型及其应用[J]. 计算机应用研究， （1）：168-171.

[3]赖晓涛， 任茵（2005）. 概念地图在知识管理中的作用[J]. 赣南师范学院学报， （6）：73-75.

[4]蒙应杰， 董礼英， 郭凯（2005）. 本体技术在异构信息建模中的应用研究[J]. 甘肃科学学报， （1）：69-72.

[5]马费成， 郝金星（2006）. 概念地图在知识表示和知识评价中的应用（Ⅰ）——概念地图的基本内涵[J]. 中国图书馆学报， （3）：5-9.

[6]Alesandrini， K.， & Larson， L. （2002）. Teachers Bridge to Constructivism[J]. The Clearing House， 75（3）：118-121.

[7]Cali， A.， Gottlob， G.， & Pieris， A. （2012）. Towards More Expressive Ontology Languages： The Query Answering Problem[J]. Artificial Intelligence， 193（6）：87-128.

[8]Dong， X.， Gabrilovich， E.， & Heitz， G. et al. （2014）. Knowledge Vault： A Web-Scale Approach to Probabilistic Knowledge Fusion[A]. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. ACM： 601-610.

[9]Dumontier， M.， Baker， C. J.， & Baran， J. et al. （2014）. The Semanticscience Integrated Ontology （SIO） for Biomedical Research and Knowledge Discovery[J]. Journal of Biomedical Semantics， 5（1）：14.

[10]Eppler， M. J. （2006）. A Comparison Between Concept Maps， Mind Maps， Conceptual Diagrams， and Visual Metaphors as Complementary Tools for Knowledge Construction and Sharing[J]. Information Visualization， 5（3）：202-210.

[11]Gaeta， M.， Orciuoli， F.， & Paolozzi， S. et al. （2011）. Ontology Extraction for Knowledge Reuse： The E-Learning Perspective[J]. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 41（4） ： 798-809.

[12]Garrido， A.， & Onaindia， E. （2013）. Assembling Learning Objects for Personalized Learning： An AI Planning Perspective[J]. IEEE Intelligent Systems， 28（2） ： 64-73.

[13]Hakkani-Tür， D.， Celikyilmaz， A.， & Heck， L. et al. （2014）. Probabilistic Enrichment of Knowledge Graph Entities for Relation Detection in Conversational Understanding[A]. Proceedings of the Annual Conference of the International Speech Communication Association [C]. International Speech and Communication Association： 2113-2117.

[14]Hakkani-Tür， D.， Heck， L.， & Tur， G. （2013）. Using a Knowledge Graph and Query Click Logs for Unsupervised Learning of Relation Detection[A].2013 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）[C]. IEEE： 8327-8331.

[15]Hannon， B.， & Daneman， M. （2001）. A New Tool for Measuring and Understanding Individual Differences in The Component Processes of Reading Comprehension[J]. Journal of Educational Psychology， 93（1）：103.

[16]Jonassen， D. H.， & Carr， C. S. （2000）. Mindtools： Affording Multiple Knowledge Representations for Learning[J]. Computers as Cognitive Tools， 2： 165-196.

[17]Novak， J. D.， & Gowin， D. B. （1984）. Learning How to Learn[M]. Cambridge University Press.

[18]Ormrod， J. E. （2014）. Essentials of Educational Psychology： Big Ideas to Guide Effective Teaching[M]. Pearson Higher Ed.

[19]Santacruz-Valencia， L. P.， Navarro， A.， & Aedo， I. （2010）. Comparison of Knowledge During the Assembly Process of Learning Objects[J].Journal of Intelligent Information Systems， 35（1） ： 51-74.

[20]Spivak， D. I.， & Kent， R. E. （2012）. Ologs： A Categorical Framework for Knowledge Representation[J]. PLoS One， 7（1）： e24274.

[21]Tseng， K. H.， Chang， C. C.， & Lou， S. J. et al. （2012）. How Concept-mapping Perception Navigates Student Knowledge Transfer Performance[J]. Educational Technology & Society， 15（1）：102-115.

[22]Weinerth， K.， Koenig， V.， & Brunner， M. et al. （2014）. Concept Maps： A Useful and Usable Tool for Computer-Based Knowledge Assessment？ A Literature Review With a Focus on Usability[J]. Computers & Education， 78（259）： 201-209.

[23]Yang， J.， Gao， Y.， & Liu， H. （2015）. Constructing the Personalized Knowledge Map Through a Self-Evolved Knowledge Management Model[A].Proceedings of 11th International Conference on Semantics， Knowledge and Grids （SKG）[C]. IEEE： 41-48.

[24]Zhu， A.（2013）. Knowledge Graph Visualization for Understanding Ideas[J]. International Journal for Cross-Disciplinary Subjects in Education （IJCDSE）， 3（1）： 1392-1396.

[25]Zhuge， H. （2010）. Interactive Semantics[J]. Artificial Intelligence， 174（2）： 190-204.

[26]Zhuge， H. （2011）. Semantic Linking Through Spaces for Cyber-Physical-Socio Intelligence： A Methodology[J]. Artificial Intelligence， 175（5-6）： 988-1019.

收稿日期 2016-10-06 責任编辑 汪燕

Abstract： One of the most important aspects of knowledge management is how to externally visualize what the learners have learned. Although mind tools， ontology and knowledge graph are the most popular methods to interpret and organize knowledge， those methods have significant flaws in simulating the knowledge images which are stored in learners' minds because of lacking the necessary complex semantic reasoning mechanism and the supporting cognitive simulation theories. In this paper， we design and implement a self-regulated online learning system that collects individual learners' explicit knowledge reflections and a latent knowledge evaluation model that is integrated with cognitive theory of general intelligence. This online learning system not only can simulate the process of integrating the knowledge， but also can dynamically provide learners with their individualized explicit knowledge reflections in the form of semantic linked network （SLN）. The evolving trajectory produced by the latent knowledge evaluation model about an individual's latent knowledge has a comparatively high fidelity to the true situation， and this result is also partly proved by the experiment result.

Keywords： Knowledge Management； Knowledge Reflections； Individualized Knowledge Map； Explicit Knowledge； Latent Knowledge； Recognition Evaluation