融合知识图谱的自适应学习研究与应用

丰霞　袁理健　宋丹　章银萍

摘要：在知识迭代速度加快的时代背景中，高校教育教学的传统教学模式难以满足学生个性化教学需求，学生容易陷入知识迷航、知识缺口等学习困境。针对这一问题，研究提出了一种融合知识图谱的自适应学习系统，对课程的知识点进行拆分、分级与归纳，并总结出知识点的重要度、知识点之间的前趋关系与关联度等信息，构建课程知识图谱，并建立自适应学习系统。系统通过学生个体的错题链接到相应知识点，并经知识图谱追溯到前趋知识点与相关知识点，进而自适应推荐这些知识点的教学课件、视频和巩固练习的题目。研究在智慧教学中对知识端与数据端的有机结合进行了探索，构建了自适应学习与精准教学的新途径。

关键词：知识图谱；自适应学习；精准教学；智慧教学；个性化教学

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2024）13-0001-03 开放科学（资源服务）标识码（OSID） ：

0 引言

近年来，人工智能、大数据、区块链、互联网等新兴技术飞速发展，课程教学数字化、智能化的变革备受关注。2023年2月在北京召开的世界数字教育大会以“数字变革与教育未来”为主题，指出现代信息技术对教育发展具有革命性影响。在教育数字化、智能化转型的宏观背景下，基础教育高质量发展面临挑战，对未来教师的教学能力提出了新的要求，以探索线上线下、人机协同的混合教学方法，推动教师从知识讲授者向智能技术的应用者、个性化学习的促进者等转变[1]。新冠疫情也加速了课程教学向数字化转型的进程，慕课、学习通、哔哩哔哩等网络课程的数字化教学得以普及，但智能化教学仍面临一系列挑战，教育智能化水平有待提高。

近几年，人工智能从以计算智能、感知智能为核心的弱人工智能向以知识图谱、深度学习为核心的认知智能的方向发展，以认知智能主导的智能化教学开始进入人们的视野。知识图谱技术可将获取到的知识或数据加以研究，实现人类思维的理解、推理或者解释。因此，知识图谱技术是数字化教学阶段向智能化教学阶段发展的必然趋势，是智能教育发展的重要研究课题。

本研究从人工智能与本科课程教学深度融合的角度出发，基于智慧教学的现实需求，融合知识图谱技术，探索教育教学中知识端与数据端的有机结合，构建自适应学习和精准化教学的新途径。

1 知识图谱技术

知识图谱（Knowledge Graph） 是由概念、实体、实例以及其他属性关系构等约束条件构成的可视化的图网络。其中的节点表示定义、实体、性质或者概念，边则表示这些实体、定义、属性之间的语义关系。目前，知识图谱已经广泛应用于信息检索、文本分类、问答系统、机器翻译以及网络学习等领域。

在教育领域中，知识图谱以教学过程中涉及的元素为节点，以教学元素间的逻辑关系为边，构建一个知识点与知识点以及知识点与教学资源之间连接的语义网络[2]，在知识端和数据端之间搭建桥梁[3]。学科知识图谱以结构化的方式描述概念、领域知识、语义等实体之间的关系，在学生个性化辅导、学科知识构建、教师精准化教学等教育领域逐渐释放其价值[4-5]。

1.1 知识获取

作为知识图谱构建的第一步，知识获取从具体应用领域的知识库中获得结构化、半结构化和非结构化的数据，从中抽取出计算机可理解的结构化数据，并存储到知识图谱中。通常，也可以通过专家经验、网络爬取或者机器学习获取信息。根据不同的情况，知识获取需要解决的抽取问题分为实体抽取、关系抽取、属性抽取和事件抽取。

1.2 知识表示和知识存储

在知识图谱的技术中，知识表示和知识存储是两个核心环节。知识表示是将现实世界中的实体、事件或概念以及它们之间的关系转化为计算机可以理解的形式的过程。在知识图谱中，这些信息通常以图结构进行表示，其中图的节点代表实体、事件或概念，而边则代表这些实体、事件或概念之间的关系。

知识存储则是将已经进行了知识表示的知识储存到计算机中，便于后续的查询和分析。知识存储的关键是要高效地储存大量的知识，同时还要支持对知识的快速查询和更新。例如，我们可以用图数据库或者分布式文件系统来进行知识存储。

1.3 知识融合和知识建模

知识融合的目标是将来自不同来源的关于同一实体或概念的描述信息进行整合。知识融合以多源异构数据为基础，在本体库和规则库的支持下，通过知识抽取和转换获得隐藏在数据资源中的知识因子及其关联关系，进而在语义层次上补充不完全知识、创造出新知识的过程。

知识建模则是将现实世界中的实体、事件或概念以及它们之间的关系转化为计算机可以理解的形式的过程。在实际操作过程中，手工建模和半自动建模被广泛地应用于模型构建中。在未来的发展趋势中，基于自动语义处理的全自动建模方式将成为主流。

1.4 知识推理

知识推理是一个核心环节，它主要围绕关系的推理展开，在于从给定知识图谱中推导出新的实体、关系和属性。面对复杂的语义网络，一个具备知识推理能力的知识图谱，可以挖掘出数据更深层次的内在价值，提供数据分析和决策支持。通常，基于知识推理的典型应用包括智能推荐、智能搜索和智能问答等。

2 基于知识图谱的自适应学习系统

基于知识图谱的自适应学习系统是一种利用人工智能和大数据技术，根据学生的学习行为、兴趣和能力，为其提供个性化学习资源和智能辅导的教育解决方案。基于知识图谱的自适应学习系统通过整合各种教育资源，为学生提供个性化的学习体验，帮助他们更高效地掌握知识。

在中国知网检索关键词“知识图谱”与“自适应学习”，其中自适应学习是教育改革与发展的重要主题，更是强人工智能时代教育创新发展的重大命题，而建立自适应学习系统是实现个性化学习的重要突破口，是促进自适应学习从理论走向实践的重要抓手和实践平台。

本研究是以操作系统课程为例，对课程的知识点进行拆分、分析、总结，找到各个知识点之间的联系，构建知识图谱。基于这种概念的学习方式来帮助学生有效的提升学习的效率，同时也可以给老师提供新的教学途径与方式。

2.1 数据准备

在构建课程知识图谱与自适应学习系统之前，根据教材章节结构，将知识点拆分为一级知识点（即 章节一级标题）和二级知识点（即 章节二级标题）。表1为第七章一级知识点，表2为第七章二级知识点。

在进行课程知识学习的时候，对于每一个知识点的学习都存在它们的掌握程度（了解、理解、掌握、运用等）。以此为基础，根据知识点的掌握程度，对知识点重要程度进行划分，划分为1～5级，知识点的等级越高知识点的重要程度越高，要求学生对知识点的熟练掌握与运用越高。如“7.1.1 数据项、记录和文件，重要程度标为2。”

知识点往往都不是独立存在的，它们之间是存在着一脉相承的师徒关系。当我们找到它们之间的师承关系，即可建立它们之间的关系网络。具体做法是将每一个知识点作为网络中的一个节点（Point） ，将知识点之间的师承关系作为网络中的边（Edge） ，建立节点之间的有向连接，由后继结点指向前趋节点。以操作系统课第七章为例，使用这种方法创建第七章二级知识点的前趋关系表，如表3所示。

将章节内知识点之间的关联度划分成0～5级共6 个等级，构建二级知识点之间的关联度表，等级越高直接关联程度就越高。如图1所示。

0 级表示知识点之间不存在关系，属于独立的知识点；

1 级表示两个知识点之间有相同的后继关系；

2 级表示学习的思维模式差不多，并且两者之间存在着一定相似之处；

3 级表示两个知识点中存在技术发展的先后关系；

4 级表示学习上间接的前趋关系；

5 级表示学习上直接前趋关系。

2.2 建立知识图谱

知识图谱模块包括知识点前趋性知识图谱和章节关联性知识图谱。知识点前趋性知识图谱是根据知识点的前趋关系表所示的知识点之间前趋关系动态生成，以第七章知识点为例，依据表3所示的第七章二级知识点前趋关系，建立如图2所示的第七章二级知识点前趋关系知识图谱。其中黄色点代表第七章二级知识点，红色点代表第一章二级知识点。

按照第七章二级知识点前趋关系知识图谱建立方法，以后继知识点为源头点，前趋知识点为靶点，建立课程其他章节前趋关系知识图谱。所有章节前趋关系知识图谱建立完成后，即可汇聚成为这一门课程整体的知识图谱网络。

章节关联性知识图谱是根据知识点所有的依赖关系生成的关系知识图谱，以第七章为例，依据图1所示的第七章所有二级知识点之间的依赖关系，建立如图3所示的第七章知识点关系知识图谱。

2.3 构建自适应学习系统

基于前文建立的知识点前趋性知识图谱和章节关联性知识图谱，本研究以操作系统这一门课程为例，构建了一个自适应学习系统——OSC系统。其整体分为登录模块、系统管理模块、OSC库模块、知识图谱模块等。其中OSC库模块包括前端知识点库、在线学习、试题管理等。图4 为OSC 系统整体框架结构图。

教师和管理员将知识点前趋关系、重要程度、课件PPT和视频等上传到OSC系统，系统生成前趋关系知识图谱和课程关系知识图谱。学生通过在线学习、试题管理选择章节知识点进行学习，并完成知识点测试。教师通过系统查看与统计学生在线学习情况，对错误率较高的知识点及其前趋知识点进行巩固教学。

图5所示为自适应学习系统个性化推荐流程。知识点A与知识点B、知识点C分别构成前趋、关联关系。每个知识点背后都有与之配套的教学资源，包括教学视频、课件、习题等。学生根据课程进度对知识点A进行学习，观看相关课程视频与课件，并完成配套课后习题。当学生完成知识点A习题后，习题错误率达到系统错误率阈值范围，自适应学习系统将根据知识端知识图谱所示知识点A的前趋知识点B、关联知识点C进行个性化推送教学资源给学生进行相关知识点的巩固学习与练习。

3 结束语

本文以一门课程为例，对课程知识内容进行点状化，完成实体抽取，进而开展知识点的系统化、网状化；此外，从知识点的时序性、关联度、重要度等维度进行关系抽取，进而构建前趋图、关联图等学科知识图谱；最后，在课程知识图谱的基础上开展自适应教学中应用，以挖掘知识图谱蕴含的知识拓扑结构与延伸出的推理能力，并在实际教学中体现其实践运用价值。

参考文献：

[1] 蔡可. 谱写课程教学数字化转型的中国方案[N]. 中国教育报，2023-02-27（004）.

[2] 万海鹏，王琦，余胜泉. 基于学习认知图谱的适应性学习框架构建与应用[J]. 现代远距离教育，2022（4）：73-82.

[3] 宋宇，肖菁，汤娜，等. 知识图谱如何赋能课堂教学评价？：以小学阶段优质数学课“平行与垂直”为例[J]. 现代教育技术，2023，33（1）：83-90.

[4] 孙雨生，彭梦媛，刘涛. 学科知识图谱及其构建机理[J]. 科技管理研究，2022，42（20）：157-162.

[5] 范佳荣，钟绍春. 学科知识图谱研究：由知识学习走向思维发展[J]. 电化教育研究，2022，43（1）：32-38.

【通联编辑：王力】

基金项目：本文系湖南省普通高等学校教学改革项目“基于继续教育数据的跨域关联与智慧教育研究（HNJG-20210853）”的阶段性研究成果；湖南省普通高等学校教学改革重点项目“新工科视域下的图数双驱智慧教学新模式构建与研究（HNJG-20230950）”资助