教育知识图谱的应用及研究

摘  要：知识图谱是显示科学知识的发展进程与结构关系的一种图形。它的悄然兴起，一方面是解释科学知识及其活动规律的科学计量学从数学表达转向图形表达的产物，另一方面是显示科学知识结构的构成及其分布，展现知识结构关系与知识发展规律。而且，知识图谱作为推动智慧化教学的核心驱动力，为教育信息化2.0时代的教育教学提供了新的赋能力量。文章介绍知识图谱的由来和具体概念，并讲解了知识图谱在翻转课堂、个性化学习推荐、教育大数据中的应用，最后也阐述了教育知识图谱的不足。

关键词：教育知识图谱；信息可视化；个性化学习

引言

伴随着数字中国建设的深入推进，数字技术得到广泛运用，不断拓展智慧便利生活的边界，展现出强大的影响力和创造力。同时伴随着互联网+的进步、完善5G的出现以及在世界范围内的迅速传播，导致全球的信息呈现指数型增长，由此出现了数据的选择困难的问题。旨在将知识和信息进行可视化的图像直观性地展现出来的新兴学科悄然兴起，并迅速成为重要学科——教育知识图谱。它把现在的海量数据通过数据挖掘、信息处理、图形绘制等显示出最前沿、重点知识信息。从而使研究人员得以直观地了解自己研究领域的信息结构，可以快速寻找到感兴趣的新领域。

1.教育知识图谱由来和概念

目前，对于教育知识图谱的定义有多种，在学术界好像还没有形成统一的标准，专家学者们结合自己与多方面的研究视角对其进行了说明。知识图谱是显示相关知识的发展进程与其结构关系的图形，是以科学知识计量为研究对象，属于科学计量学的研究范畴[1]。最初它是以数学方程式表达科学发展规律为基础，进而将某学科或知识点的发展规律绘制为二维图形，这就形成了最早的知识图谱。知识图谱是结构化的知识网络，图谱中的节点为实体，边为节点之间的语义关系[2]。教育知识图谱作为知识点与知识点或是知识点与教育资源之间的建立的知识结构化网络，能够在学科间或学科内、个性化学习推荐、自适应学习等多方面发挥重要作用；杨开城等人认为，教育知识图谱可看作一种由知识点与教育资源及其语义联系形成的知识化网络图形[3]；余胜泉等人认为，教育知识图谱是针对教育领域构架的知识图谱，旨在表示教学过程中涉及的不同元素及这些元素之间存在的具有教育意义的各类认知关系[4]；张波等人认为，教育知识图谱是用以描述学科知识点之间的关系的图的模型，将知识点或教学资源通过特定关系进行两两关联，实现各类教育知识点、教育资源实体等以规范化、形式化的关系进行图链接[5]。

综上所述，教育知识图谱就是使用多功能关系图的结构描述教育教学中的某个学科、场景或某个知识点之间的具体节点之间的关联的知识库。教育知识图谱是针对教育领域构建的专门的知识图谱，目的为了表示教学过程中不同知识点及这些知识点之间存在的具有教育意义的各类结构化关系。要想构架完整化、系统化、维度化的教育知识图谱，需要深度挖掘教育过程中所涉及的各个环节与各个要素，例如教学、学习、管理、服务、评价五大环节，还有以教师、学生、管理人员、服务人员、年级、学科、知识点、角色、任务、行为、效果等进行语义抽取、融合和推理，构建教育知识图谱[4]。

2.教育知识图谱的应用

2.1基于知识图谱的翻转课堂教学

翻转课堂最早源于美国，后又在世界上的多个知名大学中推广。什么是翻转课堂——一般指教师将课堂中的学习内容提供给学生进行课前的在线学习，在课堂上，学生通过课前的学习完成课堂活动和任务，加深对内容的理解。翻转课堂分为三个阶段：课前学习内容阶段、课上讨论阶段和课后巩固学习阶段。翻转课堂具有显著提高学生的自我约束的能力；可以锻炼学生的批判性思维能力；还可以有效提高学生合作能力；还给与学生更高的参与度和对知识更深的理解[6]。

模式构建：借鉴Stahl提出的知识建构模型，参考面向过程任务驱动等为导向，以人工建构，以及面向个体知识建构、群体人机互动为导向，以社会认知网络为核心的协同知识建构模型[7]，利用教育知识图谱的理念和技术支持，建构了以优化个体认知结构、链接群体意义智慧为导向，以协同知识建构和生成性教学理念为核心的基于教育知识图谱的翻转课堂教学模式，如图1所示。

图1 基于教育知识图谱的翻转课堂教学模式

（1）课前：基于学生个体建构的初级知识图谱

课前是学习者基于个体理解的基础上建构个体教育知识图谱的阶段。学习者在已有的知识基础上，通过自主学习、参与线上线下讨论、加入任务小组并完成任务等，生成属于自己的并符合学习目标或学习目的所要的知识图谱。这一阶段的教育知识图谱以学习者的个体观念为主，表现学习者目前已有的认知水平，和讨论交流得到的新理解、新经验等。

（2）课中：班级内部的群体知识图谱

课中主要以协作学习为核心，主要问题源于对个体初级知识图谱的汇聚提炼，并且通过班级群体的交互，对问题或学习知识点的思维发散，由个体见解向群体思维的汇聚发展，即通过聚类、人工审核等技术形势实现对学习目标中的关键点进行探讨，使所有学习者通过深度的参与协作完成教育知识图谱，与此同时，教师通过有针对性的教学真正提高课堂教学效率。

（3）课后：基于评价反思后的高级图谱

课后学生通过深入反思，使得个体知识图谱逐渐完善。在课后，根据在课中学生间的协作交流，教师再继续推送拓展的学习内容；学习者可以查看别人的知识图谱，同时参考学习评价，通过深入学习、实践、拓展等完善个体高级知识图谱，实现对个体知识结构的完善创新。

2.2基于教育知识图谱赋能个性化学习的推荐

个性化学习是教育发展最本质的追求和价值取向，也是人工智能技术赋能教育的最佳时间。但是，当前的学习资源的指数式增长，使得学习者的“认知负荷”问题日益加剧，学习资源的极大丰富与个性化学习服务供给不足之间的矛盾日益突出[8]。个性化学习推荐能够根据学者当前的知识状态，为其推荐适合学习者的个性化学习资源，从而帮助其的深入学习[9]。

通过已有的研究发现，传统基于协同过滤的推荐、基于内容的推荐以及二者混合的推荐方法，不仅存在冷启动、数据稀疏、可拓展性差等诸多问题，而且也无法应对教育领域个性化学习推荐的复杂性。即便是基于深度学习、增强学习等的个性化学习推荐方法，也无法融入教育教学的领域知识。针对上述问题，朱天宇等人提出了领域知识驱动的个性化推荐方法，并将其成功应用于“智学网”[10]，这一研究证明了教育领域知识对个性化学习推荐的复杂性。基于上述研究成果，我们认为，知识图谱作为一种组织和表征知识的工具，反映了知识点的先后顺序以及认知依赖关系，提供了较完善的教学知识体系；参照知识图谱来实现个性化的学习资源推荐以及个性化学习路径规划；符合知识的认知规律和教学的基本逻辑，能够解决现有个性化学习推荐方法缺乏领域知识的问题。

2.3教育知识图谱助力教育大数据智能化处理

人工智能教育应用以教育大数据为基础。教育大数据的分析的过程就是从“数据”到“知识”的萃取过程。通过知识图谱，我们可以将教育领域海量的繁复的教育大数据整合为一个语义知识网络（教育知识图谱），从而解决数据大量出现的难以汇聚的难题，并优化数据价值的抓取过程，如图2所示。

图2 知识图谱在教育大数据处理中的应用

从数据汇聚融合的角度来看，教育大数据价值密度低的特性，为保证分析结果的精准性，需要融合多源异构的教育数据。而当前的教育大数据在汇聚融合过程中，缺乏统一标准与规范，数据模式动态变迁困难，多源异构数据难以寓意融合，“数据孤岛”等问题依然存在。因此，急需一种灵活可扩展、智能自适应的数据模式，将现有数据进行多维度深度融合。知识图谱作为一种轻量级的数据模式，并且具有语义关联、动态可扩展的能力，能够在一定程度上实现多源异构数据统一建模与管理。

3.教育知识图谱的不足

教育知识图谱是一个新的概念，从提出到现在不过10年左右时间，然而通过对教育知识图谱的分析，进行深入观察，可以看出其事实上是建立在学科、知识点领域研究成果的基础上的实用技术。但是通过上述的概念的阐述以及多个应用的表明可以看出，在教育知识图谱的构建、应用等方面的关键环节都存在着一些巨大的困难和挑战。

3.1知识内容表示

在知识内容表示方面，现在的教育知识图谱还是集中在描述某个基本知识点，或是说现有的教育知识图谱主要用来描述知识性概念、知识点，其中的知识内容比较分散，缺少以学科为中心、以及关联词根据学科语义相关性结合在一起的知识簇。

3.2能力刻画

在能力刻画方面，现有的教育知识图谱大多数是描述知识点内容与知识点之间的关联关系，对学习者能力的描述还缺乏深入研究挖掘。目前教育知识图谱对于学习者的描述

3.3构建方法

在构建方法方面，现有的教育知识图谱大多数还是采用领域专家人工构架的方法来完成，缺乏借助计算机、可视化、5G、深度学习、自然语言处理等人工智能技术的自动化构建，其自主能力不强，自动化程度不高。通常来说，所有专家都会带有主观性，不同专家对同一事物会提出不同的看法，具有一定的偏差，这使得教育知识图谱的科学性难以保障。

3.4学科性

在学科教育中，特别是高等教育的各个学科，它们的知识体系往往处于动态发展与持续更新的过程当中。对于科研、教学和学科情报工作而言，需要具备足够的学科背景知识才能拥有一定的学科洞察力。而学科知识图谱对于学科洞察具有积极意义，比如，学生搜索“知识图谱”相关文献，通过直接匹配论文关键字很难检索得到直接的相关文献，但事实上标题含有“教育知识图谱”、“知识图谱研究”的论文是符合要求的 显然，如果机器也拥有人类类似的学科背景知识，是能够胜任这类文献查找工作的。学科知识图谱的建立可以深化整个学科发展态势的洞察，提升科技情报服务的内涵。当前，词汇挖掘和关系挖掘等方法能够从海量学科论文、专利等语料数据自动挖掘学科术语（词汇、关键词等）及其之间的各种语义关系，构建以术语为核心的词汇知识图谱（其内涵与传统图书情报领域的虚词表相近），为学科洞察奠定了良好基础。

不同学科间的巨大差异对于知识表示与应用提出巨大挑战。数学中需要表达数理与运算的逻辑，历史需要表达事件之间的时序关系、地理需要表达时空逻辑、物理需要表达物理规律。作为语义网络的知识图谱很难应对不同学科的知识表示需求。学科差异也对知识的获取与应用手段提出了挑战。语文、历史、政治等文科类的学科，使用大规模语言模型有可能取得比较好的效果。理科的各类学科单单文本不足以表达相应学科的基本逻辑，需要发展额外的知识表示方式，以显著提升相应学科的知识表示与应用水平。此外，各个学科之间存在紧密关系（所谓文史哲不分家、数理化不分家），跨学科的知识融合对技术提出了巨大挑战。比如牛顿的万有引力（物理）与微积分方法（数学）有着紧密联系。如何关联与融合不同学科的知识仍有待深入研究。

3.5全覆盖性

教育所涉及的知识内容丰富多样，包含课程知识、教学知识、教材知识、学科知识、百科知识课程题库等。目前，关于知识图谱理论、技术和应用的相关研究设计领域知识结构展示、学科可视化、课程教学组织、知识传播途径以及数字图书馆的管理等方面，分布在生命科学、经济学、社会鞋、体育科学、教育学和新型技术等领域。尤其在教育教学领域中，知识图谱更多地被应用于高等院校课程设计，主要涉及教师课程建设和学习者学习情况追踪，旨在优化教学，推动教学内容及活动的改进，并促进在线学习模式的转变。知识内容的多样性增加了知识获取和组织的难度。不同类型的知识需要不同的表示方式，不同的知识处理手段。例如，在教学环节,教材知识极为重要，通常需要以知识为核心组织教材的知识体系与内容逻辑，因而需要建设以知识点之间的逻辑关系为核心、辅以知识点与定义、公式、说明的关联关系为外围的知识点知识图谱。而考评环节的关键是考题资源，往往需要建设以考题为核心的知识图谱，包含题目与知识点、学生、老师的关联关系。在某些应用场景，比如机器辅助解题，需要进一步从题目中拆解题干、选项、答案解释等知识要素。教育的不同环节需要不同类型的知识，需要建设不同类型的图谱。利用知识图谱，以及知识点学习进度和考试反馈数据的实时关联，丰富用户画像，更加精准的学情分析。利用这些可以做更精准的学习资源推送和帮助老师针对性的制定教学策略。但类型多样对教育知识图谱的建设提出了巨大挑战。

3.6准确性

学科中的知识点是有粒度之分的。教育知识图谱的应用过程中的不同抽象层次的知识点很自然地组织成层级体系，不同的层级对应不同的知识粒度，不同的知识粒度需要不同的处理手段。那么随即教育知识图谱的准确性也有待保证。由于在研究过程中对于先前研究资料的准备情况的不足，导致随后的研究出现的准确性的问题，尤其不同学科，不同层次，不同知识粒度他们所需的研究内容都有各种不同之处。

4.总结与展望

知识图谱能够用来提高精准化教学和个性化服务，已经成为推动教育信息化2.0发展的必然要求，这也是未来智慧化教育从理论到实践的重要推进力。知识图谱以知识为核心来驱动智能教育的发展，作为智能教育从理论到实践发展的基础，能够为教育大数据的智能化处理、教学资源的语义化聚合、智慧教学的优化、个性化学习等提供技术支撑。

虽然知识图谱在智慧化等领域具有广阔的应用前景，但其在基础理论阶段的研究、平台研发和应用示范等方面，目前人处于起步阶段。为此，智能教育的未来应从知识表示学习、知识获取、学科知识推理与计算等方面，深入研究大规模教育知识图谱的基础理论和方法，并积极推进教育知识图谱在智慧校园、智慧教室、智慧教学等多种场景下的应用示范，从而切实推动知识图谱在智能教育领域的落地与实施。

参考文献

[1]陈悦,刘则渊.悄然兴起的科学知识图谱[J].科学学研究,2005(02):149-154.DOI:10.16192/j.cnki.1003-2053.2005.02.002.

[2]钟卓,唐烨伟,钟绍春,赵一婷.人工智能支持下教育知识图谱模型构建研究[J].电化教育研究,2020,41(04):62-70.DOI:10.13811/j.cnki.eer.2020.04.009.

[3]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(06):10-14.DOI:10.13811/j.cnki.eer.2011.06.014.

[4]余胜泉,李晓庆.区域性教育大数据总体架构与应用模型[J].中国电化教育,2019(01):18-27.

[5]张波,金玉鹏,张倩,赵勤,王娇燕.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(03):41-46.

[6]董江丽,周群,何志巍,王涛.运用“翻转课堂”教学法 推动教与学系统性改革[J].中国高等教育,2022(09):56-58.

[7]崔京菁,马宁,余胜泉.基于社会认知网络的翻转课堂教学模式研究[J].现代教育技术,2016,26(11):54-59.

[8]李振,周东岱,王勇.“人工智能+”视域下的教育知识图谱:内涵、技术框架与应用研究[J].远程教育杂志,2019,37(04):42-53.DOI:10.15881/j.cnki.cn33-1304/g4.2019.04.006.

[9]师亚飞,彭红超,童名文.基于学习画像的精准个性化学习路径生成性推荐策略研究[J].中国电化教育,2019(05):84-91.

[10]朱天宇,黄振亚,陈恩红,刘淇,吴润泽,吴乐,苏喻,陈志刚,胡国平.基于认知诊断的个性化试题推荐方法[J].计算机学报,2017,40(01):176-191.