“人工智能+”视域下的教育知识图谱- 大数跨境

盘相数字

2023-10-11

导读：知识图谱作为推动人工智能发展的核心驱动力，为教育信息化2.0时代的教育教学提供了新的赋能力量。

知识图谱作为推动人工智能发展的核心驱动力，为教育信息化2.0时代的教育教学提供了新的赋能力量。从人工智能的研究范式来看，知识图谱是符号主义研究范式在大数据和人工智能时代的演变和发展；从人工智能的发展阶段来看，知识图谱是人工智能从“感知智能”向“认知智能”进阶的重要基础。因此，从“人工智能+”视域来看，教育知识图谱在教育大数据智能化处理、教学资源语义化聚合、智慧教学优化、学习者画像模型构建、适应性学习诊断、个性化学习推荐、智能教育机器人等方面具有广阔的应用前景。

知识图谱的内涵

目前，对于教育知识图谱这一概念，学术界还没有形成统一的认识，不同研究者从不同的研究视角对其进行了阐释。我们应从多维视角对教育知识图谱予以认识：在知识建模视角下，教育知识图谱是一种对学科知识本体进行建模的方法；在资源管理视角下，教育知识图谱是采用“图”的形式，对教育领域的资源及其关系进行语义化组织的方式；在知识导航视角下，教育知识图谱能够在大数据、人工智能等技术支持下，生成面向学习目标的个性化学习路径；在学习认知视角下，基于知识图谱叠加学习者的知识掌握状态信息，能够形成学习者的认知图式；在知识库视角下，教育知识图谱是一种以计算机可“理解”的方式，存储教育领域知识的结构化语义知识库。

教育知识图谱的分类

教育知识图谱可以分为以下两类：

（1）静态知识图谱（Static Knowledge Graph，SKG），该类图谱是以教学过程中涉及的元素为实体节点、以教学元素间的逻辑关系为边，形成的语义网络，这里的教学元素既可以指学科中的知识点（概念、公式、定理、原理等），也可泛指教材、课程、教学资源、知识主题、知识单元、教学目标、教学问题、教学参与者、教学情境等；

（2）动态事理图谱 （Dynamic Reason Graph，DRG），该类图谱是以教学事件或教学活动为表征对象，以逻辑事理关系（顺承、因果、反转、条件、上下位、组成等）为边，构成的多关系图。下图分别展示了面向知识点的静态知识图谱和面向活动的动态事理图谱。

面向知识点的教育知识图谱

面向活动的教育知识图谱

“人工智能+”视域下的教育知识图谱应用

（一）助力教育大数据智能化处理

教育大数据是人工智能教育应用的基础。教育大数据的分析与挖掘是从“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且繁杂的大数据整合为一个语义化的知识网络，破解数据汇聚融合的难题，并优化数据价值的攫取过程。

从数据汇聚融合的角度来看，教育大数据价值密度低、数据稀疏的特性，需要融合多源异构的教育数据才能保证分析结果的精准性。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，多源异构数据难以语义化融合，“数据孤岛”“数据烟囱”等问题依然严重，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。首先，需要由学科专家和知识工程师从教学、管理、科研三个维度定义知识图谱的标准模式；其次，需要由大数据工程师将海量的教学日志数据、教学资源数据以及学习行为、学习测评数据与标准模式进行映射；再次，通过知识校验技术将不同数据源中的实体进行融合；最后，利用实体链接技术将数据与各类资源库和知识库进行关联。

（二）助力教育资源语义化聚合

近年来，随着泛在学习环境以及MOOC、SPOC、微课等开放教育资源的出现，知识的获取方式呈现跨端、跨源、跨模态的特性，学习资源面临着分散无序、知识碎片、共享困难、关联缺失等严重问题，学习资源的语义化聚合逐渐成为教育技术研究的热点问题。

知识图谱以其语义化关联、智能组织聚合的能力，为机器理解复杂的学习资源和构建知识语义网络提供了新的思路，它是进行海量教育资源组织、表征与管理，实现教育资源融合的关键技术之一。

（三）助力智慧教学更加高效化

助力“以学定教” 教学目标作为教学过程的出发点和风向标，它的精准定位决定着教学设计和教学过程的有效性。以知识图谱为代表的人工智能技术为教学目标的精准定位，提供了新的技术手段，主要表现在：

（1）基于学科知识图谱，能够精准探测学生在各知识点的掌握状态。借助于教育大数据的采集技术，智能学习系统能够记录学生在作业、练习、考试、答疑等各个环节的学习轨迹；结合学习分析技术，以知识图谱的形式可视化展示学生知识点的掌握程度，能够精准定位学生学习短板以及薄弱知识点。

（2）结合知识追踪技术以及相关教育学理论，动态预测学生各知识点的掌握变化情况。每个学生的学习状态、学习进度、知识程度都各不相同且动态变化，需借助人工智能技术进行动态预测。

（四）赋能学习者画像模型的构建

用户画像是一种以用户行为大数据为基础，融合文本挖掘、情感分析、知识抽取、数据可视化等技术，以标签化的信息模型描述用户多维特征的建模方法，其本质就是对画像主体“打标签”。学习者画像是用户画像的一种特殊形态，主要用于描述学习者的学科知识、认知能力、学科素养、学习风格以及情感状态等方面的个性特征，它是开展个性化支持服务的前提和基础。学习者画像的一般过程包括：学习行为数据获取、学习行为数据分析、用户标签抽取、用户画像生成四个环节。

（五）赋能适应性学习的诊断

当前的智慧教育更加突出强调“以学习者为中心”的教学理念，而如何评测、诊断学习者对于知识和技能的真实掌握状况，仍是全球教育信息化面临的难题。根据认知主义理论观点，学习是面对真实的问题情境，通过学习者的心理加工和信息处理，形成和建立认知结构的过程，而学习诊断是通过诊断性测试，来对学习者的认知结构进行评估的过程。

（六）赋能个性化学习的推荐

个性化学习是教育发展的本质追求和价值取向，也是人工智能技术赋能教育的最佳实践。然而，当前指数式增长的学习资源，使得学习者的“认知负荷”和“学习迷航”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。而个性化学习推荐能够根据学习者当前的知识状态，为其推荐适切的个性化学习资源和学习路径，成为实现精准个性化学习的关键和基础。

（七）赋能智能教育机器人

《地平线报告》连续多年预测教学机器人将成为持续影响教育领域的关键技术；英国开放大学发布的2019年度《创新教学报告》也指出，“机器人陪伴学习”将成为教育领域可能出现的“创新教学法”。教育机器人能够充当学习者的学习助手、智能学伴，为其提供答疑、导航、推荐、提问、社交等智能服务，对于增强学习兴趣、激发学习动机、提高学习效果具有重要作用。同时，教育机器人也能够辅助教师进行教学监控、教学管理、自动答疑，延伸教师的表达能力、知识传递能力和沟通能力。

当前，教育领域应用的机器人主要是对话型或聊天型，该类机器人通过机器学习和知识图谱等技术让机器理解人的语言，在对人类意图进行深入分析的基础上，经过简单的逻辑推理和规则匹配过程，对学习者的提问进行回应抑或完成某项明确具体的任务。比如，对话型机器人是一个集语言感知、语音识别、智能决策、自动反馈为一体的复杂系统，涉及自然语言处理、知识图谱、知识推理、增强学习等诸多人工智能技术，而知识图谱在其中起到了决定性作用。

下图所示为对话型教育机器人的基本结构，主要包括自然语言处理模块、对话管理模块、知识图谱模块、自然语言生成模块四大部分。其基本处理流程如下：自然语言处理模块将学习者输入的文字与语音数据转变为机器的内部表示，在知识图谱的辅助下，基于深度学习技术对输入进行实体识别、实体链接、指代消解、语义理解等处理，最终解析为槽值对的形式；对话管理模块综合学习者的输入数据以及知识图谱中的信息，经过知识推理、语义消歧、上下文理解、语义检索等操作生成问题答案，最后交由自然语言生成模块反馈给当前学习者。在该过程中，知识图谱相当于教育机器人的大脑记忆系统，存储了教育领域海量的常识性知识，以及学习者的情感状态、兴趣偏好、知识技能等数据信息，使得机器人拥有了类似人类大脑的记忆、思考、推理和研判能力。

对话型教育机器人的基本结构

深度学习和知识图谱是人工智能符号主义和联结主义研究范式的最新成果，将这两项技术与教育教学深度融合，来提高精准教学质量和个性化服务水平，已成为推动教育信息化2.0发展的必然要求，这也是智能教育从理论走向实践的重要抓手。但单纯依靠深度学习技术的智能教育，存在着黑箱问题和不可解释问题，而知识图谱恰恰弥合了这一缺陷，它以知识为核心来驱动智能教育的发展。知识图谱作为智能教育从“感知智能”阶段向“认知智能”阶段发展的基础，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、学习者画像模型构建、适应性学习诊断、个性化学习推荐、智能教育机器人等教育应用等方面，提供技术支撑。

未来，盘相数字会将知识图谱应用于自主研发平台i+教育，力求给用户带来更加智能化的学习体验，帮助教师更好的进行学生管理，为学生提供更加个性化的学习体验，为企业更精准的推送适合企业发展的实用性人才。更多精彩请关注i+教育平台（https://www.aijiaedu.cn/）。

权责声明：以上图文，贵在分享，版权归原作者及原出处所有，如涉及版权等问题，请及时与我们联系删除。

往期回顾

虚拟教研室建设案例分享

虚拟仿真建设指南

数字孪生|为高校解决“三高三难”的实训教学问题

未来已来——教育元宇宙

精品在线课程建设

商务合作请致电：

18966606100（江老师）