教育部在2021国际人工智能与教育会议上指出，新冠肺炎疫情是一场空前的全球性挑战，对教育的创新发展，特别是教育与人工智能等新技术的有机融合提出了更新更高的要求。在2019年的“全国教育信息工作会议”上，知识图谱和深度学习、大数据一起被列为智能教育时代下的重点研究内容，针对教育知识图谱的研究也成为了教育技术的研究热点。教育知识图谱能够基于教学过程中产生的教学数据和资源，对不同学科的多层次知识结构进行准确地表征，为教育教学对知识的建模提供可能性。它为学科知识网络的可视化提供了有效的技术手段，同时为学生提供个性化学习路径，从而深度培养学生的问题解决能力、系统思维能力，形成学科思维，贯彻核心素养，真正使学生成为智慧时代的思维型人才，实现适应性与超越性的统一。但如今的教育教学中教育图谱却因其知识粒度大小模糊、迁移性不佳、缺乏高质量教育资源数据、建构方法依赖人工等并没有被广泛运用在教育教学之中。本文首先对知识图谱的内涵、分类和面临问题进行阐述，然后探讨了教育知识图谱的相关应用并在此基础上提出相关发展策略。

1.1教育知识图谱的内涵

知识图谱本质上就是一个语义网络，由节点和边构成。每个节点表示现实世界中存在的实体，而每条边表示实体与实体之间的关系。简单来说，知识图谱就是把所有不同种类的信息连接在一起而得到的关系网络，比如社交网络。

教育知识图谱是针对教育领域构建的知识图谱，旨在表示教学过程中涉及的不同元素以及这些元素之间存在的具有教育意义的各类认知关系。通常情况下，教育知识图谱中的点表示与教育紧密相关的各类元素，如知识点、教学目标、习题测试、学科教材等，图谱中的线表示不同元素间的教育关系，例如知识点间的前驱后继关系，习题测试与学习目标的考查对应关系等。教育知识图谱是智能教育系统的核心，在其基础上可以实现异构海量学习资源的结构化组织、知识关联、群体协同学习、个性化学习、自适应学习等关键应用。

在教育领域，知识图谱作为显示学科知识点结构关系的一种可视化表征方式，能够促进学习者对知识内容的认知、理解、记忆与传播，并培养其应用新知识的能力，帮助其在信息化时代更好地完成知识建构和思维训练。同时，对教育数据的结构化表征，实现了知识图谱的高效查询与管理。

1.2教育知识图谱的分类

教育知识图谱不仅面向传统的学科知识，还针对教学场景中的多种教育资源进行管理。它包括以下两类:静态知识图谱，以学科资源为主，建立学科知识点之间、学科知识点与学科资源之间的联系;动态知识图谱，侧重于学科知识点与教学过程中的活动以及教学事件之间的联系等。

1.2.1 静态教育知识图谱

杨开城定义其为根据知识点的语义联系在知识点结点之间建立特定名称的弧(带箭头的边)而形成的知识网络图，用以开发课程和考察课程内在一致性的水平。与此相类似，有学者也强调它是学科中的知识点(概念、公式、定理、原理等)和其逻辑关系形成的语义网络。不难看出，其本质就是围绕学科主题具体的知识网络展示所有知识的整体结构，包括知识点的先后顺序、包含与被包含等关系，这种知识间存在的各种内在逻辑联系，是确定以何种方式建构知识意义的重要参照。静态学科课程知识图谱的建构必须能将学科孤立的事实本身和零碎的知识结论建立逻辑指向，有效整合学生感知的具体经验和经验理解转化后的抽象概念,通过问题的设计与关联，使学生的思维发展实现从具体到抽象再上升到具体，在变式中迁移应用。

1.2.2 动态教育知识图谱

由于知识图谱构成的关系网络有时随着时间推移，导致其实体以及实体间的关系会不断变化，为了全面获取知识，要搭建动态知识图谱，在知识图谱数据中加入时间维度，利用时序分析技术和图相似性技术，分析图谱结构随时间的变化和趋势，从而掌握到关键信息。例如动态教育知识图谱可以运用在教育教学，教育治理，教育评价等过程中，也可以构建面向学生的自适应学习，个性化学习系统等等。

2.1 学科课程知识图谱

在教学中，课程知识的整体框架多是以书中的章节目录关系呈现的，而章节中所包含的细小知识点和知识点之间的关系并不是十分明确，从学生的角度来讲，难以对前后所学的知识建立联系,接受知识仍然很困难。通过对权威的教材和互联网学习平台中大量的课程资源进行知识挖掘，学科课程知识图谱能够有效地解决上述问题，为课程知识建模提供帮助。丁子恒等基于图数据库在“物化生”知识点及知识体系构建知识图谱方面进行了深入的研究，并以此完成了“物化生”概念知识库的建设与应用。

2.2 个性化学习资源推荐

依据学习者之间不同的学习进度，为他们提供适合自己的教学资源，促使其个性化发展是智能教育场景的基本要求。因此，如果能为学习者提供类似于个性化推荐学习视频这样的多元化应用形式，在一定程度上能够激发学习者的热情，提高学习效率。例如孙红旭构建了基于知识图谱的自适应学习系统,它多维度分析学习者个性化特征并标签化,利用聚类算法建立学习者画像,以知识图谱关联规则挖掘试题间的知识点关系,形成知识点关联图。利用拓扑排序算法将知识点关联图转化为先行有序序列，生成学习者学习资源集合，实现学习资源的个性化推荐。

2.3 知识问答

教育知识图谱能够为体量巨大且结构关系错综复杂的学科知识处理提供支撑，然后根据学习者的个性化知识需求从图谱中查询或者经过复杂关系推理，得到能够满足学习者需求的教育知识解释。问答系统实质上是信息检索系统的高级形式,使用人类可认知的自然语言为用户提供问题的解答,使用知识图谱来构建问题知识库。首先将给定的问题分解为多个小的问题集合，然后通过匹配算法在知识库中抽取合适的答案，最后以直观的方式反馈给用户。问答系统对数据规模和匹配速度要求较高，目前很多问答平台引入知识图谱。赵维平等人提出了利用古谱及古文化知识图谱实现可视化教育,基于构建的音乐领域知识图谱建立专业知识问答系统,在可视化教育方面取得了良好的效果。

2.4 知识检索与可视化

为了增强学习者对知识体系的认知，提供全面、多层次的知识点检索与可视化展示功能，学者们将多模态知识融合到教育知识图谱中，其主要是以构建好的教育知识图谱为对象，将知识网络以图的形式展示给学习者，也要在学习者检索某个特定知识点时，将与该知识点相关的其他知识点等资源展示出来。通过知识图谱将互联网的大规模信息抽取、组合和表达成更接近人类的认知形式，更好地组织、管理和利用海量信息的方式。因此，在智能语义搜索应用中，搜索应用可借助知识图谱，对用户提交的关键词进行分析与推理，根据知识图谱中的知识表示结构，通过标准查询语句进入知识图谱进行检索，从而对相应的实体以及与其在概念、关系、相关性等方面匹配实体，最后向用户返回图形化的知识结构。李光明构建了初中化学学科知识图谱及其可视化查询系统该研究依托自行设计的化学学科本体数据模型,梳理各层次的学科知识构建知识图谱,并依靠学科教师与专家学者的人工审核来保证知识的准确性,以此来提高学习者的习积极性与学习效率。

2.5 学习路径分析

学习者进行学习活动时面临着大量零碎的学习内容,合理安排学习对象的顺序,生成一条明确的学习路径,可以帮助学习者高效、系统地完成学习目标。根据连接主义理论，学习是一个不断连接知识节点或资源的过程，知识要素之间的内在联系在学习过程中具有重要作用。因此，在知识图谱的基础上，结合学习者的领域知识结构与认知结构生成学习路径更加符合学习者的学习需求。Shi等人提出了基于多维度知识图谱框架的学习路径推荐模型。此模型设计了一个多维度知识图谱框架，将学习对象分别存储在多个类中然后，其团队将图中学习对象之间的关系划分为6种语义关系，提出了一种加权加权系数评分的学习路径选择方法并以此为基础生成学习路径,最后通过对比实验验证了算法的有效性。

3.1知识粒度大小模糊

现有知识图谱的知识节点多用于表示概念、知识点抑或是现实中的实体，它的知识粒度大小还较为模糊，未能深入到知识的最小独立单元——知识元。现有自适应学习系统中的领域知识建模主要面向可编码、可量化的显性知识，但没有考虑隐性知识，因此，如何利用知识图谱对学习过程中的隐性知识进行表示和建模是未来需要研究的重点模块。

3.2构建方法依赖人工

目前教育知识图谱的建构过于依赖各学科专家对于知识点进行抽象、筛选与建立联系，其自动化程度并不高，而且专家对于知识点的划分具有主观性，不同专家对于同一知识点的认知有一定偏差，这使得知识图谱的科学性难以保障。

3.3知识图谱迁移性差

目前教育知识图谱的构建研究仅局限于某一门课程或针对于某一学科的具体任务，研究涉及的范围较小，且构建好的教育本体不具备迁移性，难以适用于其他学科的构建任务中。祝智庭等人提出建立教育知识图谱的标准化本体，但为了促成这一目标,需要教育领域的相关专家以及从事教育数据文本分析的技术人员共同努力，从理论和技术层面挖掘出不同学科知识体系中的共性内容，制定通用的教育知识本体，为教育知识图谱的构建提供便利。

3.4 缺乏高质量教育资源数据集

现阶段,深度学习技术被广泛应用于教育知识图谱的构建过程中，而深度学习模型的训练需要大量的数据集作为支撑。目前，教育领域的高质量数据集较少，多数研究者依靠自己构建数据集来完成教育知识图谱构建的任务，该种方式耗时耗力，且不能完全体现相关模型的说服力。因此，加速对MOOC等传统开源学习网站和真实教学场景中多模态教学资源地采集与处理，丰富和完善教学资源数据集，是教育知识图谱的重点研究内容之一。

3.5 没有同相关教学活动建立广泛联系

在教育信息服务领域，融合多模态资源的教育知识图谱应用已经开始向多方面拓展，但目前仍局限在多模态课程知识图谱研究中，并没有同相关的教学活动建立广泛的联系。随着相关技术的成熟，未来的研究可以深入到教学场景中，突破课程知识图谱的限制，将学科知识体系、教学资源和受教育者学习轨迹等教学活动进行关联，实现教与学过程的可视化，朝着智能教育应用的方向迈进，最大限度地促进教育信息服务。

4.1增强以知识图谱为核心的教育知识表达能力

应针对学科的差异，深入研究以图谱为核心的不同学科的知识表示方式;拓展教育知识图谱的内涵，拓展教育核心实体的类型与语义关系的多样性;探索多模态的教育知识表示方式;探索教育知识图谱与预训练语言模型的融合表示方式;研究基于这些新型知识表示方式的推理方法。

4.2提升教育知识图谱的构建能力

研究多模态教育知识图谱构建、教育资源的知识点自动挂载、教育知识图谱自动更新等关键技术;研究面向教案、教材、考题与教学视频等不同类型教育数据的知识获取技术;研究学科知识体系与概念层级的自动化或半自动化构建技术;研究可迁移、可泛化的教育知识图谱构建技术，大幅降低教育知识图谱的构建成本;开展以术语、图表、公式、定义、引用、作者、机构、专家为核心的高等教育知识图谱建设。

4.3研究教育知识图谱的开发技术

丰富教育知识图谱应用场景，研究基于教育知识图谱的语义搜索、精准推荐、用户画像、学习路径规划、教学评估、考查考评、学科洞察以及可解释的学情诊断，探索教育知识图谱的独特应用场景，深挖教育知识图谱的潜在价值，实现基于教育知识图谱的自适应学习、个性化学习。

4.4 立足学生真实需求

我们需要立足于学生高效学习的真实需求，定位于学校统一备考学习方式的不足进行补充，针对学校统一教学现存的“难以兼顾个性化”和“缺乏学习针对性”的问题，借助于教育大数据对学生知识掌握情况进行精准全面的测量与评价，结合学生在线学习数据挖掘出学生个体特点，从而运用知识图谱进行精准学习内容推荐，以此帮助学生提高学习质量和效率，减负不减质。

教育智能化征程已经开启，基于知识图谱的教育智能化将会进入发展的快车道。教育智能化应用将牵引知识图谱技术向领域认知的纵深方向持续发展。知识图谱技术也将持续助力教育的高质量发展。教育知识图谱的落地实践应坚持实用主义,要将知识图谱系统视作人类复杂的人机交互系统，将其落地实践视作一类典型的系统工程；不能将知识图谱系统视作孤立系统，要将其置于整个教育智能化的大环境中，充分考虑与环境以及其他子系统之间千丝万缕的关系，在成本与资源合理约束下最大化落地效果。

[1]杜志建,申华,管文荣,王佑鹏.基于知识图谱的个性化学习系统[J].人工智能,2022(02):96-104.

[2]李振,周东岱.教育知识图谱的概念模型与构建方法研究[J].电化教育研究,2019,40(08):78-86+113.

[3]董晓晓,周东岱,黄雪娇,顾恒年,李振.学科核心素养发展导向下教育领域知识图谱模式构建方法研究[J].电化教育研究,2022,43(05):76-83.

[4]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(01):32-38.

[5]杨娟,杜旭,李浩.自适应学习系统中教育知识图谱模型构建研究[J].中国教育信息化,2021(24):24-29.

[6]丁子恒,丁子轩,袁鑫妍.知识图谱在“物化生”概念教育中的研究与应用——以高中教材为例[J].教育与装备研究,2022,38(08):60-64.

[7]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,2017,35(03):11-21.