李振 周東岱

[摘 ? 要] 自適應(yīng)學(xué)習(xí)系統(tǒng)是實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的重要突破口，而領(lǐng)域知識(shí)建模一直是困擾該系統(tǒng)發(fā)展的一大難題。目前，以深度學(xué)習(xí)、知識(shí)圖譜為核心的新一代人工智能技術(shù)的回歸，為其提供了新的發(fā)展契機(jī)。文章首先對(duì)已有的教育領(lǐng)域知識(shí)建模方法進(jìn)行了梳理與總結(jié)，對(duì)其現(xiàn)存問(wèn)題進(jìn)行了對(duì)比分析;在此基礎(chǔ)上，針對(duì)通用知識(shí)圖譜遷移應(yīng)用于教育領(lǐng)域所面臨的知識(shí)粒度模糊、領(lǐng)域適應(yīng)性不強(qiáng)兩大問(wèn)題，構(gòu)建了一種教育知識(shí)圖譜概念模型——EKGCM模型，該模型包括知識(shí)圖示、認(rèn)知圖式兩個(gè)層次，以及知識(shí)節(jié)點(diǎn)、知識(shí)關(guān)聯(lián)、認(rèn)知狀態(tài)、學(xué)習(xí)路徑四個(gè)基本要素;然后，針對(duì)圖譜構(gòu)建自動(dòng)化程度不高的問(wèn)題，文章提出一種基于智能處理技術(shù)的構(gòu)建方法，具體包括知識(shí)元抽取、前驅(qū)后繼關(guān)系挖掘、認(rèn)知狀態(tài)診斷、學(xué)習(xí)路徑生成四個(gè)步驟;最后，采用理想智慧教育云平臺(tái)中的教學(xué)資源和學(xué)習(xí)行為數(shù)據(jù)驗(yàn)證了上述方法的可行性。研究對(duì)于開(kāi)展數(shù)據(jù)智能驅(qū)動(dòng)的個(gè)性化自適應(yīng)學(xué)習(xí)具有重要意義。

[關(guān)鍵詞] 教育知識(shí)圖譜; 概念模型; 知識(shí)元; 前驅(qū)后繼關(guān)系; 認(rèn)知狀態(tài); 學(xué)習(xí)路徑

[中圖分類號(hào)] G434 ? ? ? ? ? ?[文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 李振（1989—），男，山東濟(jì)寧人。博士研究生，主要從事自適應(yīng)學(xué)習(xí)系統(tǒng)、教育知識(shí)圖譜、個(gè)性化學(xué)習(xí)路徑推薦等研究。E-mail：liz666@nenu.edu.cn。

一、引 ? 言

個(gè)性化學(xué)習(xí)是教育改革與發(fā)展的永恒主題，更是大數(shù)據(jù)和人工智能時(shí)代教育創(chuàng)新發(fā)展的重大命題，而自適應(yīng)學(xué)習(xí)系統(tǒng)是促進(jìn)個(gè)性化學(xué)習(xí)從理論走向?qū)嵺`的重要抓手和實(shí)踐平臺(tái)，其核心組件包括學(xué)習(xí)者特征模型、領(lǐng)域知識(shí)模型、適應(yīng)性引擎三部分[1]。隨著大數(shù)據(jù)、人工智能等技術(shù)的迅猛發(fā)展，互聯(lián)網(wǎng)教育邁向智能教育新階段，教育信息化邁入以人工智能技術(shù)為主要特征的2.0時(shí)代[2]，以深度學(xué)習(xí)、知識(shí)圖譜為核心的新一代人工智能技術(shù)的回歸，將對(duì)個(gè)性化自適應(yīng)學(xué)習(xí)系統(tǒng)進(jìn)行重塑和再造[3]。

知識(shí)圖譜作為人工智能從感知智能向認(rèn)知智能變遷的核心和基礎(chǔ)，已成為各行各業(yè)從網(wǎng)絡(luò)化向智能化轉(zhuǎn)型升級(jí)的關(guān)鍵技術(shù)之一，也為個(gè)性化自適應(yīng)學(xué)習(xí)系統(tǒng)中的核心和基礎(chǔ)問(wèn)題——領(lǐng)域知識(shí)建模提供了新的技術(shù)手段[4]?！缎乱淮斯ぶ悄馨l(fā)展規(guī)劃》明確提出，要研究知識(shí)圖譜構(gòu)建與學(xué)習(xí)技術(shù)，要構(gòu)建覆蓋數(shù)億級(jí)知識(shí)實(shí)體的多元、多學(xué)科、多數(shù)據(jù)源的知識(shí)圖譜[5]。在此背景下，構(gòu)建教育領(lǐng)域的知識(shí)圖譜成為智能教育發(fā)展的重要研究課題。鑒于此，本研究以通用知識(shí)圖譜為基礎(chǔ)，構(gòu)建了教育知識(shí)圖譜的概念模型，并對(duì)其智能化構(gòu)建方法進(jìn)行了研究，為進(jìn)一步開(kāi)展個(gè)性化學(xué)習(xí)、精準(zhǔn)化教學(xué)等智能教育應(yīng)用提供基礎(chǔ)。

二、教育領(lǐng)域知識(shí)建模研究現(xiàn)狀

知識(shí)建模源于知識(shí)工程領(lǐng)域，其本質(zhì)是將知識(shí)進(jìn)行語(yǔ)義化和結(jié)構(gòu)化表征，而教育領(lǐng)域的知識(shí)建模是將知識(shí)因子有序化和知識(shí)關(guān)聯(lián)網(wǎng)絡(luò)化的過(guò)程，其目標(biāo)是使學(xué)科知識(shí)及學(xué)習(xí)資源處于有序化狀態(tài)，為人工智能技術(shù)支持下的教育應(yīng)用提供整序的知識(shí)服務(wù)。目前，在自適應(yīng)學(xué)習(xí)系統(tǒng)中采用的知識(shí)建模方法主要有概念圖、知識(shí)地圖、認(rèn)知地圖、知識(shí)圖譜等。

概念圖是采用節(jié)點(diǎn)（概念）和連線（概念間關(guān)系）組織知識(shí)的圖示化方法，其理論基礎(chǔ)是奧蘇伯爾提出的有意義學(xué)習(xí)理論。概念圖的構(gòu)建過(guò)程大致可分為四個(gè)步驟：概念抽取、概念分類、定位中心概念、連接交叉概念[6]。在應(yīng)用方面，概念圖既可以用于表達(dá)領(lǐng)域知識(shí)，也可以用于評(píng)估學(xué)習(xí)者對(duì)概念的認(rèn)知狀況，如自適應(yīng)學(xué)習(xí)系統(tǒng)中的LAOS模型就采用了概念圖來(lái)對(duì)領(lǐng)域知識(shí)進(jìn)行建模[7]，而Yi-Ting等人將概念圖與多因素模糊推理相結(jié)合來(lái)評(píng)估學(xué)習(xí)績(jī)效[8]。

知識(shí)地圖是對(duì)知識(shí)及其存在方位的圖形化表示，是一種面向知識(shí)搜索和導(dǎo)航的建模方法。知識(shí)地圖也經(jīng)常被用在自適應(yīng)學(xué)習(xí)系統(tǒng)中來(lái)組織和表征學(xué)科知識(shí)及其關(guān)聯(lián)的資源，并作為學(xué)習(xí)者認(rèn)知加工的支架。在知識(shí)地圖的構(gòu)建過(guò)程中，需將概念圖與包含概念的知識(shí)資源進(jìn)行鏈接[9]，該過(guò)程主要由教師和教育專家手工完成[10]。

認(rèn)知地圖是1948年由美國(guó)心理學(xué)家托爾曼提出的，其本質(zhì)是一種通過(guò)概念及其因果關(guān)系表征個(gè)人認(rèn)知結(jié)構(gòu)的圖式方法。在認(rèn)知地圖的教育應(yīng)用方面，余勝泉等人針對(duì)在線學(xué)習(xí)存在的“學(xué)習(xí)迷航”問(wèn)題，提出了“學(xué)習(xí)認(rèn)知地圖”的解決方案，但其構(gòu)建過(guò)程主要由學(xué)科專家進(jìn)行手工編制[11]。早期的認(rèn)知地圖缺乏概念及其因果關(guān)系的定量描述，因此，Kosko等人將模糊集理論融入認(rèn)知地圖之中，提出了“模糊認(rèn)知地圖”的概念，使得認(rèn)知地圖能夠從概率角度表示相關(guān)概念的關(guān)聯(lián)程度[12]。在此基礎(chǔ)上，Konstantina等人將其運(yùn)用于個(gè)性化自適應(yīng)學(xué)習(xí)系統(tǒng)中來(lái)構(gòu)建領(lǐng)域知識(shí)模型，地圖中的節(jié)點(diǎn)表示學(xué)習(xí)資源所包含的領(lǐng)域概念，并采用模糊集理論計(jì)算概念間的依賴關(guān)系及“影響強(qiáng)度”[13]。

當(dāng)下學(xué)術(shù)界談及的知識(shí)圖譜主要有兩大類：一類是應(yīng)用于文獻(xiàn)分析的“科學(xué)知識(shí)圖譜”，屬于信息資源管理領(lǐng)域;另一類是Google公司于2012年提出的“大規(guī)模知識(shí)圖譜”，屬于計(jì)算機(jī)科學(xué)領(lǐng)域[14]。其中，Google 提出的知識(shí)圖譜（以下簡(jiǎn)稱“知識(shí)圖譜”）作為一種新型的、結(jié)構(gòu)化的語(yǔ)義知識(shí)網(wǎng)絡(luò)，能夠描述現(xiàn)實(shí)世界中的各種實(shí)體（概念）及其復(fù)雜的語(yǔ)義關(guān)系，并能夠?qū)崿F(xiàn)自動(dòng)化或半自動(dòng)化的構(gòu)建[15]，已成為當(dāng)前大數(shù)據(jù)智能時(shí)代的前沿研究方向。

目前，公開(kāi)的通用知識(shí)圖譜庫(kù)主要有Google Knowledge Graph、Microsoft Concept Graph、DBpedia、Freebase、知立方、知心等。在教育領(lǐng)域，美國(guó)的Knewton公司利用知識(shí)圖譜構(gòu)建了包含概念及其先決關(guān)系的跨學(xué)科知識(shí)體系[16];Wolfram Research公司通過(guò)融合Mathematica和各垂直網(wǎng)站的知識(shí)，構(gòu)建了面向智能知識(shí)檢索的知識(shí)庫(kù)引擎Wolfram Alpha;可汗學(xué)院也將知識(shí)圖譜作為數(shù)學(xué)、科學(xué)與工程、計(jì)算機(jī)等學(xué)科課程的基本組織架構(gòu)。在國(guó)內(nèi)，微軟研究院和清華大學(xué)聯(lián)合發(fā)布了“開(kāi)放學(xué)術(shù)圖譜”，百度公司提出要構(gòu)建K12教育知識(shí)圖譜，北京師范大學(xué)余勝泉教授團(tuán)隊(duì)研發(fā)了基于育人知識(shí)圖譜的“AI好老師”智能助理系統(tǒng)[17]，華中師范大學(xué)的研究團(tuán)隊(duì)開(kāi)展了基于潛在語(yǔ)義分析的學(xué)科知識(shí)圖譜構(gòu)建研究[18]。

綜合而言，知識(shí)圖譜相比概念圖、知識(shí)地圖、認(rèn)知地圖，能夠表達(dá)更加廣泛的知識(shí)內(nèi)容以及語(yǔ)義關(guān)聯(lián)關(guān)系[11-14]，而且構(gòu)建的自動(dòng)化程度較高。但經(jīng)過(guò)文獻(xiàn)分析發(fā)現(xiàn)，當(dāng)前知識(shí)圖譜在教育領(lǐng)域的應(yīng)用尚處于初步探索階段，在知識(shí)粒度、領(lǐng)域適應(yīng)性、構(gòu)建方法等方面仍存在以下問(wèn)題：（1）知識(shí)粒度方面，現(xiàn)有知識(shí)圖譜中的知識(shí)節(jié)點(diǎn)多用于表示概念、知識(shí)點(diǎn)抑或現(xiàn)實(shí)中的實(shí)體，其粒度大小模糊，尚未深入到知識(shí)的最小獨(dú)立單元——知識(shí)元;（2）領(lǐng)域適應(yīng)性方面，缺乏教育教學(xué)的針對(duì)性和語(yǔ)用情境，尚未體現(xiàn)出學(xué)習(xí)者個(gè)體對(duì)知識(shí)認(rèn)知程度的差異性，未能模擬和反應(yīng)學(xué)習(xí)者個(gè)體認(rèn)知所達(dá)成的狀態(tài);（3）構(gòu)建方法方面，構(gòu)建過(guò)程過(guò)于依賴學(xué)科專家，自動(dòng)化程度不高，不同專家對(duì)同一知識(shí)點(diǎn)的認(rèn)知偏差使得科學(xué)性與一致性難以保證[19]。

三、教育知識(shí)圖譜的概念模型構(gòu)建

（一）教育知識(shí)圖譜的概念界定

目前，對(duì)于教育知識(shí)圖譜這一概念，學(xué)術(shù)界還沒(méi)有形成統(tǒng)一的定義，學(xué)者們從不同的研究視角對(duì)其進(jìn)行了闡述，現(xiàn)有研究大致可分為以下三大類：（1）從知識(shí)組織視角出發(fā)，教育知識(shí)圖譜可看作一種由知識(shí)點(diǎn)及其語(yǔ)義聯(lián)系形成的知識(shí)網(wǎng)絡(luò)圖[20]，其表征的教育領(lǐng)域知識(shí)既包含個(gè)體知識(shí)結(jié)構(gòu)，也包含群體的智慧[21]。（2）從學(xué)習(xí)者認(rèn)知視角出發(fā)，教育知識(shí)圖譜旨在表達(dá)教學(xué)過(guò)程中涉及的不同元素以及各類具有教育意義的認(rèn)知關(guān)系[22]，在知識(shí)圖譜的基礎(chǔ)上疊加學(xué)習(xí)者對(duì)知識(shí)掌握的狀態(tài)信息，能夠形成學(xué)習(xí)者的認(rèn)知圖式[11]。（3）從知識(shí)服務(wù)視角出發(fā)，教育知識(shí)圖譜在表征學(xué)科知識(shí)和知識(shí)關(guān)系的基礎(chǔ)上，能夠在大數(shù)據(jù)、人工智能等技術(shù)支持下形成面向知識(shí)學(xué)習(xí)和能力培養(yǎng)的學(xué)習(xí)路徑[23];教育知識(shí)圖譜也能夠?qū)W(xué)科知識(shí)與教學(xué)資源實(shí)體以規(guī)范化、形式化的方式進(jìn)行語(yǔ)義連接，從而實(shí)現(xiàn)在線教育資源的有效組織[24]。

綜合上述觀點(diǎn)，本研究認(rèn)為，教育知識(shí)圖譜（Educational Knowledge Graph，簡(jiǎn)稱EduKG）是知識(shí)圖譜在教育領(lǐng)域的拓展應(yīng)用，是一種以知識(shí)元為節(jié)點(diǎn)，根據(jù)其多維語(yǔ)義關(guān)系進(jìn)行關(guān)聯(lián)，在知識(shí)層面和認(rèn)知層面上表示學(xué)科領(lǐng)域知識(shí)和學(xué)習(xí)者認(rèn)知狀態(tài)，可用于知識(shí)導(dǎo)航、認(rèn)知診斷、資源聚合、路徑推薦的知識(shí)組織與認(rèn)知表征工具。

（二）教育知識(shí)圖譜的概念模型構(gòu)建

鑒于知識(shí)圖譜在教育領(lǐng)域應(yīng)用中存在的知識(shí)粒度模糊和領(lǐng)域適應(yīng)性不強(qiáng)兩方面的問(wèn)題，本研究從結(jié)構(gòu)和要素兩個(gè)視角出發(fā)，設(shè)計(jì)了教育領(lǐng)域知識(shí)圖譜的概念模型（Educational Knowledge Graph Concept Model，簡(jiǎn)稱EKGCM）。如圖1 所示，EKGCM模型包括兩個(gè)層次、四個(gè)基本要素。

1. 模型結(jié)構(gòu)視角——兩種圖示

認(rèn)知主義學(xué)習(xí)理論認(rèn)為，學(xué)習(xí)就是形成內(nèi)部認(rèn)知結(jié)構(gòu)的過(guò)程，學(xué)習(xí)者通過(guò)學(xué)習(xí)會(huì)對(duì)某一領(lǐng)域知識(shí)在頭腦里形成一個(gè)內(nèi)部的認(rèn)知狀態(tài)。因此，教育領(lǐng)域的知識(shí)建模既要考慮學(xué)科的領(lǐng)域知識(shí)，又要考慮個(gè)體差異化的認(rèn)知狀態(tài)。余勝泉教授研究團(tuán)隊(duì)也指出，教育知識(shí)圖譜應(yīng)當(dāng)能夠表征教學(xué)過(guò)程中涉及的不同元素以及元素間的各類認(rèn)知關(guān)系[22]?；诖?，本研究采用經(jīng)典的分層設(shè)計(jì)理念，將認(rèn)知層置于知識(shí)層之下，形成了教育知識(shí)圖譜的兩種圖示——知識(shí)圖示和認(rèn)知圖式。

（1）知識(shí)圖示

知識(shí)圖示繼承了通用知識(shí)圖譜具有的知識(shí)表示、傳遞和共享功能，能夠很好地表征教育領(lǐng)域的學(xué)科知識(shí)體系，是教育領(lǐng)域知識(shí)結(jié)構(gòu)的語(yǔ)義化、圖示化組織方式。EKGCM模型中的知識(shí)圖示由知識(shí)節(jié)點(diǎn)和知識(shí)關(guān)聯(lián)組成，記為DKG =（N，R），其中N表示知識(shí)節(jié)點(diǎn)集合，R表示知識(shí)關(guān)聯(lián)集合。

（2）認(rèn)知圖式

皮亞杰的圖式理論認(rèn)為，個(gè)體的發(fā)展是在同化和順應(yīng)過(guò)程中改變認(rèn)知圖式（結(jié)構(gòu)）的動(dòng)態(tài)過(guò)程[25]。安德森認(rèn)為，認(rèn)知結(jié)構(gòu)是主體內(nèi)部的一種動(dòng)態(tài)的、可變的圖式，并且可以利用知識(shí)圖來(lái)外顯學(xué)習(xí)者的認(rèn)知結(jié)構(gòu)[26]。EKGCM模型中的認(rèn)知圖式就是對(duì)學(xué)習(xí)者個(gè)體認(rèn)知結(jié)構(gòu)的可視化表征。認(rèn)知圖式是以知識(shí)圖示為基礎(chǔ)，通過(guò)對(duì)學(xué)習(xí)者認(rèn)知狀態(tài)的診斷、評(píng)測(cè)，以可視化方式進(jìn)行展現(xiàn)。認(rèn)知圖式體現(xiàn)了學(xué)科知識(shí)到個(gè)體認(rèn)知的生成，是實(shí)現(xiàn)基于認(rèn)知差異的個(gè)性化資源推薦與學(xué)習(xí)路徑規(guī)劃的基礎(chǔ)。

2. 模型要素視角——四大基本要素

托爾曼提出的認(rèn)知地圖包括五大要素：標(biāo)志、節(jié)點(diǎn)、道路/路徑、區(qū)域、邊界[27]。余勝泉教授提出的學(xué)習(xí)認(rèn)知地圖包括知識(shí)點(diǎn)內(nèi)容、知識(shí)點(diǎn)關(guān)系、學(xué)習(xí)認(rèn)知狀態(tài)、知識(shí)關(guān)系權(quán)重、學(xué)習(xí)路徑和服務(wù)推薦六個(gè)方面的內(nèi)容[11]。基于此，本研究認(rèn)為教育知識(shí)圖譜主要由知識(shí)節(jié)點(diǎn)、知識(shí)關(guān)聯(lián)、認(rèn)知狀態(tài)、學(xué)習(xí)路徑四大基本要素構(gòu)成。

（1）知識(shí)節(jié)點(diǎn)

根據(jù)聯(lián)通主義理論，學(xué)習(xí)是知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)中知識(shí)節(jié)點(diǎn)和知識(shí)關(guān)系建立和重構(gòu)的過(guò)程[28]。因此，可以認(rèn)為知識(shí)節(jié)點(diǎn)和知識(shí)關(guān)聯(lián)是教育知識(shí)圖譜最基本的要素。為細(xì)粒度地表征教育領(lǐng)域知識(shí)，本研究引入知識(shí)元作為知識(shí)節(jié)點(diǎn)的基本單位。知識(shí)元是表達(dá)概念、方法、規(guī)則、公理等知識(shí)元素的最小獨(dú)立單元，是表征教育知識(shí)圖譜知識(shí)節(jié)點(diǎn)的理想基元。

（2）知識(shí)關(guān)聯(lián)

人類知識(shí)原本是系統(tǒng)化、結(jié)構(gòu)化的整體，但海量、異質(zhì)、碎片化的數(shù)字化學(xué)習(xí)資源形態(tài)割裂了其內(nèi)在聯(lián)系。知識(shí)關(guān)聯(lián)是重建知識(shí)內(nèi)在固有邏輯結(jié)構(gòu)的關(guān)鍵，是教育知識(shí)圖譜語(yǔ)義化組織的關(guān)鍵要素，也是學(xué)科領(lǐng)域知識(shí)和個(gè)體認(rèn)知結(jié)構(gòu)可視化展現(xiàn)的基礎(chǔ)。知識(shí)之間的關(guān)聯(lián)關(guān)系復(fù)雜多樣，對(duì)教學(xué)具有重要作用的關(guān)系有：父子關(guān)系、前驅(qū)后繼關(guān)系、兄弟關(guān)系、平行關(guān)系、參考關(guān)系等[29]。在上述關(guān)聯(lián)關(guān)系中，前驅(qū)后繼關(guān)系是教師制定教學(xué)設(shè)計(jì)和教學(xué)策略的依據(jù)，也是實(shí)現(xiàn)知識(shí)導(dǎo)航和學(xué)習(xí)路徑規(guī)劃的前提。

（3）認(rèn)知狀態(tài)

所謂認(rèn)知狀態(tài)就是有關(guān)學(xué)習(xí)者對(duì)知識(shí)的認(rèn)知水平以及掌握程度。個(gè)體的發(fā)展是在同化和順應(yīng)過(guò)程中改變認(rèn)知圖式的動(dòng)態(tài)過(guò)程，認(rèn)知圖式作為學(xué)習(xí)者已有知識(shí)經(jīng)驗(yàn)的網(wǎng)絡(luò)，是學(xué)科知識(shí)結(jié)構(gòu)與學(xué)習(xí)者個(gè)體心理結(jié)構(gòu)相作用的產(chǎn)物，由學(xué)科知識(shí)結(jié)構(gòu)“內(nèi)化”而來(lái)。在知識(shí)圖示基礎(chǔ)上，對(duì)學(xué)習(xí)者知識(shí)節(jié)點(diǎn)的認(rèn)知狀態(tài)進(jìn)行量化分析，形成個(gè)體的認(rèn)知圖式。

（4）學(xué)習(xí)路徑

“互聯(lián)網(wǎng)+教育”時(shí)代，海量的學(xué)習(xí)資源、碎片化的學(xué)習(xí)時(shí)間、復(fù)雜的學(xué)習(xí)情境以及師生分離的教學(xué)空間形態(tài)，加劇了學(xué)習(xí)者的“知識(shí)迷航”和“知識(shí)過(guò)載”問(wèn)題。研究發(fā)現(xiàn)，自適應(yīng)學(xué)習(xí)系統(tǒng)中，如果沒(méi)有導(dǎo)航性的學(xué)習(xí)路徑支持，學(xué)習(xí)者很難達(dá)成既定的學(xué)習(xí)需求和學(xué)習(xí)目標(biāo)[30]。因此，結(jié)合學(xué)習(xí)者的認(rèn)知狀態(tài)和學(xué)習(xí)目標(biāo)，為其智能規(guī)劃和推薦適合的學(xué)習(xí)路徑，是提升自適應(yīng)學(xué)習(xí)系統(tǒng)個(gè)性化服務(wù)質(zhì)量的關(guān)鍵所在。EKGCM模型中的學(xué)習(xí)路徑是在學(xué)習(xí)者的認(rèn)知狀態(tài)以及知識(shí)圖示的基礎(chǔ)上，通過(guò)智能優(yōu)化算法對(duì)知識(shí)元?jiǎng)討B(tài)規(guī)劃與重組而生成的。

四、教育知識(shí)圖譜的構(gòu)建方法

在EKGCM模型基礎(chǔ)上，本研究提出一種基于智能處理技術(shù)的教育知識(shí)圖譜構(gòu)建方法，具體包括知識(shí)元抽取、前驅(qū)后繼關(guān)系挖掘、認(rèn)知狀態(tài)診斷、學(xué)習(xí)路徑生成四個(gè)步驟。

（一）知識(shí)元抽取

知識(shí)元抽取是將教學(xué)資源中的概念、定義、定理、性質(zhì)、公式等領(lǐng)域術(shù)語(yǔ)提煉出來(lái)的過(guò)程。該問(wèn)題可以轉(zhuǎn)化為信息抽取領(lǐng)域中的序列化標(biāo)注問(wèn)題（Sequence Labeling），即對(duì)教育資源文本序列中的每個(gè)知識(shí)元打上一個(gè)標(biāo)簽類別。目前，解決該類問(wèn)題的方法主要有三種：基于詞典的識(shí)別方法、基于規(guī)則的識(shí)別方法以及機(jī)器學(xué)習(xí)識(shí)別方法。其中，前兩種方法需要領(lǐng)域?qū)＜液驼Z(yǔ)言學(xué)者手工制定詞典和規(guī)則，存在耗時(shí)、耗力、領(lǐng)域遷移性欠佳等問(wèn)題，而基于機(jī)器學(xué)習(xí)的方法能夠?qū)崿F(xiàn)自動(dòng)識(shí)別。

條件隨機(jī)場(chǎng)模型（Conditional Random Fields，簡(jiǎn)稱CRF）是機(jī)器學(xué)習(xí)領(lǐng)域中的一種判別式概率模型，廣泛應(yīng)用于自然語(yǔ)言處理中的分詞、詞性標(biāo)注、命名實(shí)體識(shí)別等序列標(biāo)注任務(wù)，因此，可將其應(yīng)用于知識(shí)元抽取中。基于條件隨機(jī)場(chǎng)模型的知識(shí)元抽取過(guò)程主要包括知識(shí)元特征選擇和知識(shí)元序列標(biāo)注兩個(gè)步驟。

（1）知識(shí)元特征選擇

特征選擇是知識(shí)元抽取的關(guān)鍵，通過(guò)分析，我們發(fā)現(xiàn)教師在進(jìn)行教學(xué)設(shè)計(jì)時(shí)通常遵循科學(xué)性、層次性、條理性、思想性的原則，形成的教學(xué)資源具有明顯的詞法、語(yǔ)法特征，比如：教學(xué)設(shè)計(jì)中的教學(xué)目標(biāo)通常采用“使學(xué)生掌握……知識(shí)”“培養(yǎng)學(xué)生……能力”“通過(guò)學(xué)習(xí)，能說(shuō)出……”“通過(guò)學(xué)習(xí)，能理解……”“通過(guò)學(xué)習(xí)，能分析歸納……”“通過(guò)學(xué)習(xí)，將形成……”等語(yǔ)法結(jié)構(gòu)。

（二）前驅(qū)后繼關(guān)系挖掘

如前所述，前驅(qū)后繼關(guān)系是知識(shí)之間最重要的關(guān)聯(lián)關(guān)系，也是教育知識(shí)圖譜語(yǔ)義化特征的體現(xiàn)。知識(shí)空間理論指出，前驅(qū)后繼關(guān)系作為知識(shí)間的一種自然依賴而存在，是形成學(xué)習(xí)者認(rèn)知空間的基礎(chǔ)[31]。此外，布盧姆等人提出的掌握學(xué)習(xí)理論也表明：學(xué)習(xí)者在學(xué)習(xí)后續(xù)知識(shí)之前，對(duì)先決知識(shí)的掌握程度必須達(dá)到一定的水平。具體來(lái)說(shuō)，如果知識(shí)元b依賴于知識(shí)元a（即a是b的前驅(qū)），那么學(xué)習(xí)者在學(xué)習(xí)知識(shí)元b之前需要掌握知識(shí)元a。例如：“一元二次方程的一般形式”是“一元二次方程求根公式”的前驅(qū)知識(shí)元，學(xué)習(xí)知識(shí)元“一元二次方程求根公式”之前，應(yīng)掌握其前驅(qū)知識(shí)元“一元二次方程的一般形式”。

（三）認(rèn)知狀態(tài)診斷

目前，認(rèn)知狀態(tài)診斷所采用的主要模型包括DINA、DINO、NIDA等，但這些模型在整個(gè)評(píng)估過(guò)程中是靜態(tài)的，并且潛在狀態(tài)是高階的，因此，需要估計(jì)大量的參數(shù)也不能動(dòng)態(tài)變化[32]，這導(dǎo)致學(xué)習(xí)者知識(shí)與技能的可視化表示、基于診斷結(jié)果的適應(yīng)性支持效果都會(huì)降低[33]。而根據(jù)心理學(xué)和教育測(cè)量學(xué)的觀點(diǎn)，學(xué)習(xí)者對(duì)于知識(shí)元的認(rèn)知狀態(tài)或掌握程度通常被視為一種潛在變量，一般需要借助學(xué)習(xí)者測(cè)評(píng)過(guò)程中的外在行為對(duì)其進(jìn)行估測(cè)。在機(jī)器學(xué)習(xí)領(lǐng)域，隱馬爾可夫模型是一種能夠描述不可觀測(cè)變量或隱藏變量的時(shí)序概率模型，因此，本研究采用該模型對(duì)學(xué)習(xí)者的認(rèn)知狀態(tài)進(jìn)行診斷。

（四）學(xué)習(xí)路徑生成

學(xué)習(xí)路徑生成的本質(zhì)是根據(jù)學(xué)習(xí)者的學(xué)習(xí)目標(biāo)和認(rèn)知狀態(tài)對(duì)待學(xué)習(xí)的知識(shí)元進(jìn)行排序的過(guò)程。按照學(xué)習(xí)路徑生成的方式，可將其分為學(xué)習(xí)者自主控制式學(xué)習(xí)路徑、教師引導(dǎo)式學(xué)習(xí)路徑以及算法生成式學(xué)習(xí)路徑三種類型。隨著大數(shù)據(jù)、人工智能技術(shù)的發(fā)展，算法生成式學(xué)習(xí)路徑正在被越來(lái)越多的學(xué)者所關(guān)注，如基于AprioriAll算法來(lái)自動(dòng)生成個(gè)性化的學(xué)習(xí)路徑[30]。

目前，在線學(xué)習(xí)系統(tǒng)中已有的算法生成式學(xué)習(xí)路徑主要考慮學(xué)習(xí)風(fēng)格和學(xué)習(xí)情境兩方面的因素，大多忽略了學(xué)習(xí)者的認(rèn)知結(jié)構(gòu)與知識(shí)的內(nèi)在依賴關(guān)系，而理想的學(xué)習(xí)路徑生成需要建立在學(xué)習(xí)者已有認(rèn)知狀態(tài)以及知識(shí)拓?fù)浣Y(jié)構(gòu)基礎(chǔ)上。Knewton公司在知識(shí)圖譜領(lǐng)域的初步嘗試也表明，知識(shí)圖譜所承載的在線學(xué)習(xí)路徑更能精準(zhǔn)匹配學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求[16]。

學(xué)習(xí)路徑生成問(wèn)題可以描述為：在已知學(xué)科知識(shí)元及其拓?fù)潢P(guān)系、學(xué)習(xí)者的學(xué)習(xí)目標(biāo)及先驗(yàn)知識(shí)結(jié)構(gòu)前提下，對(duì)學(xué)習(xí)者待學(xué)習(xí)的知識(shí)元進(jìn)行排序，生成覆蓋目標(biāo)知識(shí)元的優(yōu)化序列。基于前面的研究工作，本研究提出了基于知識(shí)圖譜的學(xué)習(xí)路徑生成機(jī)制，如圖3所示。

該學(xué)習(xí)路徑生成機(jī)制主要包括三個(gè)階段：（1）先驗(yàn)知識(shí)子圖生成階段?；趯W(xué)習(xí)者觀看視頻、參與社區(qū)互動(dòng)以及在線測(cè)評(píng)等行為數(shù)據(jù)，采用前文所述的隱馬爾可夫模型對(duì)學(xué)習(xí)者的認(rèn)知狀態(tài)進(jìn)行測(cè)量，結(jié)合知識(shí)圖譜中知識(shí)元之間的前驅(qū)后繼關(guān)系，構(gòu)建學(xué)習(xí)者的先驗(yàn)知識(shí)子圖。（2）學(xué)習(xí)目標(biāo)子圖生成階段。學(xué)習(xí)目標(biāo)子圖是由學(xué)習(xí)者待學(xué)習(xí)的知識(shí)元及其前驅(qū)后繼關(guān)系組成的子圖，即將知識(shí)圖譜所有節(jié)點(diǎn)集合A與學(xué)習(xí)者先驗(yàn)知識(shí)子圖中的節(jié)點(diǎn)集合B進(jìn)行差集運(yùn)算（集合A減去集合B）。（3）學(xué)習(xí)路徑生成與優(yōu)化階段。對(duì)學(xué)習(xí)目標(biāo)子圖進(jìn)行拓?fù)渑判?，將學(xué)習(xí)目標(biāo)子圖中所有待學(xué)習(xí)的知識(shí)元排成線性序列，形成學(xué)習(xí)路徑候選集;而后，綜合考慮知識(shí)元中心度、學(xué)習(xí)難度以及前驅(qū)后繼關(guān)系，采用單源最短路徑算法、蟻群優(yōu)化算法對(duì)學(xué)習(xí)路徑進(jìn)行優(yōu)化。

五、實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

（一）實(shí)驗(yàn)數(shù)據(jù)采集與預(yù)處理

數(shù)據(jù)是知識(shí)圖譜構(gòu)建的基礎(chǔ)，教育知識(shí)圖譜構(gòu)建的數(shù)據(jù)源大致可分為兩類：（1）教育大數(shù)據(jù)中海量的數(shù)字化教學(xué)資源。教學(xué)資源作為知識(shí)的載體，是生成教育知識(shí)圖譜中知識(shí)圖示的重要依據(jù)，主要包括電子教材、教學(xué)設(shè)計(jì)、網(wǎng)絡(luò)課件、試題試卷等文本資源。（2）教育大數(shù)據(jù)中的學(xué)習(xí)行為數(shù)據(jù)，具體包括學(xué)習(xí)者觀看視頻、參與社區(qū)互動(dòng)以及在線測(cè)評(píng)的行為數(shù)據(jù)，學(xué)習(xí)行為數(shù)據(jù)是認(rèn)知狀態(tài)診斷所依賴的數(shù)據(jù)源。

1. 實(shí)驗(yàn)數(shù)據(jù)采集

本研究采用的數(shù)據(jù)來(lái)源于理想智慧教育云平臺(tái)（http：//www.edusoa.com/），該平臺(tái)集教學(xué)、管理、研訓(xùn)等功能于一體，積累了海量的教學(xué)資源以及學(xué)習(xí)行為數(shù)據(jù)。目前，平臺(tái)擁有各學(xué)科的電子教材、教學(xué)設(shè)計(jì)、網(wǎng)絡(luò)課件、試題試卷等教學(xué)云資源約80TB，基于xAPI規(guī)范采集的在線學(xué)習(xí)行為數(shù)據(jù)約60GB/天。本研究以初中數(shù)學(xué)學(xué)科為例，從云資源中提取該學(xué)科的教學(xué)設(shè)計(jì)、試題、試卷等文檔共計(jì)5500份，并從平臺(tái)采集的學(xué)習(xí)行為數(shù)據(jù)中隨機(jī)抽取了30名初中生作為研究對(duì)象。

2. 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

教育領(lǐng)域大量的教學(xué)設(shè)計(jì)、試題試卷等數(shù)字化教學(xué)資源屬于半結(jié)構(gòu)化或非結(jié)構(gòu)化文本，因此，需要對(duì)這些文本進(jìn)行中文分詞、詞性判別、去除干擾詞等預(yù)處理工作，采用的工具包括Jieba、ICTCLAS、FudanNLP。而后，由三名學(xué)科專家根據(jù)公認(rèn)的賓州中文樹(shù)庫(kù)（Penn Chinese Proposition Bank，PCTB）標(biāo)注規(guī)范，采用文本標(biāo)注工具BRAT[34]對(duì)教學(xué)資源中的知識(shí)元及其語(yǔ)義關(guān)系進(jìn)行部分標(biāo)注，以此作為模型的訓(xùn)練數(shù)據(jù)。

（二）實(shí)驗(yàn)過(guò)程與結(jié)果

1. 基于條件隨機(jī)場(chǎng)模型的知識(shí)元抽取實(shí)驗(yàn)

在上述預(yù)處理基礎(chǔ)上，將文本以句子為單位進(jìn)行分割，并轉(zhuǎn)換成BIEO標(biāo)注體系。為了充分評(píng)價(jià)模型的性能，本實(shí)驗(yàn)將數(shù)據(jù)集按照8∶2的比例隨機(jī)分成訓(xùn)練集和測(cè)試集。訓(xùn)練時(shí)，數(shù)據(jù)集的比例從10%逐漸增加到90%，并選用F1值（F1-Score）作為模型的評(píng)價(jià)指標(biāo)。

本研究使用CRF++工具進(jìn)行知識(shí)元抽取，采用了兩種特征模板：模板1的特征包括前詞Pre、后詞Suf、停用詞Stop、詞性POS、詞長(zhǎng)Wordlen、詞距離Distance、語(yǔ)義相似度Simi;模板2在此基礎(chǔ)上增加了領(lǐng)域詞典。在研究樣本中共提取到知識(shí)元781個(gè)，F(xiàn)1-Score值隨測(cè)試數(shù)據(jù)集的變化曲線如圖4所示。從圖中可以看出，隨著訓(xùn)練集的增加，模型的精準(zhǔn)度逐漸上升，表明訓(xùn)練語(yǔ)料的大小對(duì)模型具有重要影響。此外，特征模板2相比模板1的效果更好，表明融入領(lǐng)域詞典的預(yù)測(cè)效果更佳。

2. 基于Apriori算法的前驅(qū)后繼關(guān)系挖掘?qū)嶒?yàn)

對(duì)于知識(shí)元前驅(qū)后繼關(guān)系的挖掘，采用的實(shí)驗(yàn)數(shù)據(jù)主要是理想智慧教育云平臺(tái)中初中數(shù)學(xué)學(xué)科的微測(cè)數(shù)據(jù)和總測(cè)數(shù)據(jù)，微測(cè)數(shù)據(jù)由小節(jié)或單元練習(xí)產(chǎn)生，總測(cè)數(shù)據(jù)記錄了期中或期末的測(cè)評(píng)結(jié)果。

為驗(yàn)證機(jī)器標(biāo)注的效果，本研究聘請(qǐng)了兩位學(xué)科專家對(duì)機(jī)器標(biāo)注的關(guān)系進(jìn)行人工確認(rèn)，并采用Kappa統(tǒng)計(jì)量對(duì)機(jī)器標(biāo)注與專家標(biāo)注的結(jié)果進(jìn)行一致性分析，這里的“一致”是指兩位學(xué)科專家對(duì)知識(shí)元a和知識(shí)元b之間關(guān)系的標(biāo)注結(jié)果都與機(jī)器標(biāo)注結(jié)果一致。

Kappa統(tǒng)計(jì)量是一種比較兩個(gè)或多個(gè)觀測(cè)者對(duì)同一事物的兩次或多次觀測(cè)結(jié)果是否一致的方法[35]，Kappa值介于0～1之間。一般認(rèn)為，若Kappa值大于0.75，則說(shuō)明一致性程度較好。本實(shí)驗(yàn)采用SPSS交叉表操作計(jì)算出的Kappa值為0.843，因此，可以認(rèn)為本研究提出的關(guān)系挖掘方法與專家標(biāo)注的結(jié)果具有較高的一致性。表1所示為初中數(shù)學(xué)學(xué)科部分知識(shí)元關(guān)系挖掘的結(jié)果。

3. 基于隱馬爾可夫模型的認(rèn)知狀態(tài)診斷驗(yàn)證實(shí)驗(yàn)

本實(shí)驗(yàn)以實(shí)數(shù)知識(shí)點(diǎn)的測(cè)評(píng)數(shù)據(jù)作為案例對(duì)前文所述的認(rèn)知狀態(tài)診斷方法進(jìn)行驗(yàn)證，數(shù)據(jù)集包含30名學(xué)生在120個(gè)測(cè)驗(yàn)題目上的作答反應(yīng)。表2展示了部分測(cè)驗(yàn)題目與知識(shí)元之間的對(duì)應(yīng)關(guān)系，以及學(xué)生在相應(yīng)題目上的作答結(jié)果。其中，表格中的1代表題目考察了相應(yīng)的知識(shí)元，0代表題目沒(méi)有考察相應(yīng)的知識(shí)元。

實(shí)驗(yàn)采用Python版本的hmmlearn庫(kù)[36]，實(shí)現(xiàn)了基于隱馬爾可夫模型的認(rèn)知狀態(tài)診斷方法。參數(shù)設(shè)置方面，知識(shí)的遺忘概率、學(xué)習(xí)概率、失誤率和猜測(cè)率都初始化為0.1，并采用最大期望算法對(duì)隱馬爾可夫模型進(jìn)行參數(shù)估計(jì)，實(shí)驗(yàn)終止條件為似然值不再變化或達(dá)到迭代上限次數(shù)（1000次）。圖5呈現(xiàn)了某學(xué)生的認(rèn)知狀態(tài)診斷報(bào)告單，從診斷報(bào)告中能夠清晰地看出該生在各個(gè)知識(shí)元上的掌握概率以及與全體學(xué)生平均水平的對(duì)照情況。根據(jù)該診斷報(bào)告，教師或個(gè)性化自適應(yīng)學(xué)習(xí)系統(tǒng)能夠開(kāi)展有針對(duì)性的補(bǔ)救教學(xué)。

4. 學(xué)習(xí)路徑生成機(jī)制驗(yàn)證實(shí)驗(yàn)

為驗(yàn)證路徑生成機(jī)制的有效性，本實(shí)驗(yàn)以隨機(jī)抽取的30名初中學(xué)習(xí)者為研究對(duì)象，對(duì)其2個(gè)月的學(xué)習(xí)過(guò)程數(shù)據(jù)進(jìn)行了分析，具體分析步驟如下：（1）以學(xué)習(xí)者的編號(hào)為基礎(chǔ)對(duì)其學(xué)習(xí)記錄進(jìn)行分組，并按時(shí)間順序?qū)W(xué)習(xí)記錄進(jìn)行排序，從而形成知識(shí)元學(xué)習(xí)序列。（2）去除學(xué)習(xí)者在連續(xù)時(shí)間內(nèi)重復(fù)學(xué)習(xí)同一個(gè)知識(shí)元的學(xué)習(xí)記錄，僅保留最后一條學(xué)習(xí)記錄。（3）從去重后的數(shù)據(jù)記錄中提取出學(xué)習(xí)者實(shí)際的學(xué)習(xí)路徑Lr。（4）以學(xué)習(xí)路徑Lr中最后一個(gè)知識(shí)元為學(xué)習(xí)目標(biāo)，根據(jù)學(xué)習(xí)者的先驗(yàn)知識(shí)子圖，采用蟻群優(yōu)化算法自動(dòng)生成學(xué)習(xí)路徑Lp。（5）比較每個(gè)學(xué)習(xí)者實(shí)際學(xué)習(xí)路徑Lr與自動(dòng)生成的學(xué)習(xí)路徑Lp上的知識(shí)元順序，相同的次數(shù)記為P1，不同的次數(shù)記為P2，則生成路徑的使用頻率可表示為P=P1/（P1+P2）。

依據(jù)上述分析過(guò)程，對(duì)30名學(xué)習(xí)者使用學(xué)習(xí)路徑的頻率進(jìn)行統(tǒng)計(jì)分析，結(jié)果顯示：生成的學(xué)習(xí)路徑平均使用頻率在75%以上，從而驗(yàn)證了基于知識(shí)圖譜的學(xué)習(xí)路徑生成機(jī)制具有一定的實(shí)用性。圖6展示了平臺(tái)為090號(hào)學(xué)生生成的一條個(gè)性化學(xué)習(xí)路徑。

六、結(jié) ? 語(yǔ)

領(lǐng)域知識(shí)建模是構(gòu)建個(gè)性化自適應(yīng)學(xué)習(xí)系統(tǒng)的關(guān)鍵和基礎(chǔ)，也是該系統(tǒng)研究和發(fā)展過(guò)程中長(zhǎng)期面臨的瓶頸問(wèn)題。本文以知識(shí)圖譜為切入點(diǎn)，針對(duì)通用知識(shí)圖譜遷移應(yīng)用于教育領(lǐng)域所面臨的知識(shí)粒度模糊、領(lǐng)域適應(yīng)性不強(qiáng)、構(gòu)建自動(dòng)化程度不高等問(wèn)題，從結(jié)構(gòu)和要素兩個(gè)視角構(gòu)建了其概念模型，提出了一種基于智能處理技術(shù)的構(gòu)建方法，為基于知識(shí)圖譜的自適應(yīng)學(xué)習(xí)系統(tǒng)開(kāi)發(fā)和實(shí)現(xiàn)奠定了基礎(chǔ)。但本文的研究仍存在以下兩個(gè)方面的不足之處：（1）從人工智能的發(fā)展趨勢(shì)來(lái)看，人機(jī)協(xié)同的混合智能將成為新的研究熱點(diǎn)，因此，如何通過(guò)人機(jī)協(xié)同，將學(xué)科專家、教育技術(shù)專家等人類智慧與智能處理技術(shù)相融合，構(gòu)建更加適合個(gè)性化學(xué)習(xí)、精準(zhǔn)教學(xué)等教育情境的知識(shí)圖譜，還有待進(jìn)一步深入研究。（2）現(xiàn)有自適應(yīng)學(xué)習(xí)系統(tǒng)中的領(lǐng)域知識(shí)建模主要面向可編碼、可量化的顯性知識(shí)，但沒(méi)有考慮隱性知識(shí)[37]，因此，如何利用知識(shí)圖譜對(duì)學(xué)習(xí)過(guò)程中的隱性知識(shí)進(jìn)行表示和建模，將成為未來(lái)教育知識(shí)圖譜研究和發(fā)展的重點(diǎn)內(nèi)容。

[參考文獻(xiàn)]

[1] 高虎子，周東岱. 自適應(yīng)學(xué)習(xí)系統(tǒng)學(xué)習(xí)者學(xué)習(xí)風(fēng)格模型的研究現(xiàn)狀與展望[J]. 電化教育研究，2012（2）：32-38.

[2] 李振，周東岱，劉娜，等. 人工智能應(yīng)用背景下的教育人工智能研究[J]. 現(xiàn)代教育技術(shù)，2018，28（9）：19-25.

[3] 牟智佳. “人工智能+”時(shí)代的個(gè)性化學(xué)習(xí)理論重思與開(kāi)解[J]. 遠(yuǎn)程教育雜志，2017，35（3）：22-30.

[4] 劉春雷. 基于本體的教育領(lǐng)域?qū)W科知識(shí)建模方法研究[D]. 重慶：重慶大學(xué)，2008.

[5] 國(guó)務(wù)院.國(guó)務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL].[2018-12-14].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[6] 趙呈領(lǐng)，杜靜，萬(wàn)力勇，等. 知識(shí)組織技術(shù)與方法的研究及其應(yīng)用[J]. 中國(guó)電化教育，2014（4）：77-86.

[7] 黃伯平，趙蔚，余延冬.自適應(yīng)學(xué)習(xí)系統(tǒng)參考模型比較分析研究[J]. 中國(guó)電化教育，2009（8）：97-101.

[8] KAO Y T，LIN Y S，CHU C P. A multi-factor fuzzy inference and concept map approach for developing diagnostic and adaptive remedial learning systems[J]. Procedia-social and behavioral sciences，2012，64（1）：65-74.

[9] CASTLES R，LOHANI V K，KACHROO P.Knowledge maps and their application to student and faculty assessment[C/OL]//2008 IEEE Frontiers in Education Conference，New York：Saratoga Springs，October 22-25，2008.[2019-06-14].https：//doi.ieeecomputersociety.org/10.1109/FIE.2008.4720666.

[10] 高燕，秦志剛. 基于知識(shí)地圖實(shí)現(xiàn)動(dòng)態(tài)學(xué)習(xí)流建模[J]. 電化教育研究，2010（1）：39-43.

[11] 萬(wàn)海鵬，余勝泉. 基于學(xué)習(xí)元平臺(tái)的學(xué)習(xí)認(rèn)知地圖構(gòu)建[J]. 電化教育研究，2017（9）：83-88.

[12] 張凌，喬曉東，朱禮軍. 認(rèn)知地圖分析方法研究[J]. 情報(bào)理論與實(shí)踐，2014，37（6）：34-39.

[13] CHRYSAFIADI K，VIRVOU M. A knowledge representation approach using fuzzy cognitive maps for better navigation support in an adaptive learning system[J]. SpringerPlus，2013，2（1）：1-13.

[14] 馮新翎，何勝，熊太純，等. “科學(xué)知識(shí)圖譜”與“Google 知識(shí)圖譜”比較分析——基于知識(shí)管理理論視角[J]. 情報(bào)雜志，2017，36（1）：149-153.

[15] 徐增林，盛泳潘，賀麗榮，等. 知識(shí)圖譜技術(shù)綜述[J]. 電子科技大學(xué)學(xué)報(bào)，2016，45（4）：589-606.

[16] Knewton. Knewton adaptive learning building the world's most powerful education recommendation engine[DB/OL].（2013-10-04）[2019-02-25].https：//www.knewton.com/wp-content/uploads/knewton-adaptive-learning-whitepaper.pdf.

[17] 余勝泉，彭燕，盧宇. 基于人工智能的育人助理系統(tǒng)——“AI好老師”的體系結(jié)構(gòu)與功能[J]. 開(kāi)放教育研究，2019，25（1）：25-36.

[18] 孫小欣. 基于潛在語(yǔ)義分析的學(xué)科知識(shí)圖譜構(gòu)建[D]. 武漢：華中師范大學(xué)，2013.

[19] 李振，周東岱，董曉曉，等. 我國(guó)教育大數(shù)據(jù)的研究現(xiàn)狀、問(wèn)題與對(duì)策——基于CNKI學(xué)術(shù)期刊的內(nèi)容分析[J]. 現(xiàn)代遠(yuǎn)距離教育，2019（1）：46-55.

[20] 楊開(kāi)城. 論課程的易理解性與知識(shí)建模技術(shù)[J]. 電化教育研究，2011（6）：12-16.

[21] 崔京菁，馬寧，余勝泉.基于知識(shí)圖譜的翻轉(zhuǎn)課堂教學(xué)模式及其應(yīng)用——以小學(xué)語(yǔ)文古詩(shī)詞教學(xué)為例[J].現(xiàn)代教育技術(shù)，2018，28（7）：44-50.

[22] 余勝泉，李曉慶. 區(qū)域性教育大數(shù)據(jù)總體架構(gòu)與應(yīng)用模型[J]. 中國(guó)電化教育，2019（1）：17-27.

[23] 鐘紹春，唐燁偉. 人工智能時(shí)代教育創(chuàng)新發(fā)展的方向與路徑研究[J]. 電化教育研究，2018， 39（10）：17-22，42.

[24] 張波，金玉鵬，張倩，等. 試論一種新型在線教育資源大數(shù)據(jù)組織框架[J]. 中國(guó)電化教育，2018（3）：41-46.

[25] 張麗霞. “信息技術(shù)”課程教學(xué)中挑起“認(rèn)知失衡”的策略[J]. 電化教育研究，2009（12）：110-112.

[26] 曲兆華. 基于流程圖法的高中生良好數(shù)學(xué)認(rèn)知結(jié)構(gòu)特征研究[D]. 濟(jì)南： 山東師范大學(xué)，2018.

[27] 孫時(shí)進(jìn)，王金麗. 心理學(xué)概論[M] .上海： 復(fù)旦大學(xué)出版社，2012：236-237.

[28] 王佑鎂，祝智庭. 從聯(lián)結(jié)主義到聯(lián)通主義：學(xué)習(xí)理論的新取向[J]. 中國(guó)電化教育，2006（3）：5-9.

[29] 肖建瓊，高江錦. 適應(yīng)性學(xué)習(xí)系統(tǒng)中知識(shí)點(diǎn)本體的研究與構(gòu)建[J]. 智能計(jì)算機(jī)與應(yīng)用，2013，3（5）：14-19.

[30] 姜強(qiáng)，趙蔚，李松，等. 大數(shù)據(jù)背景下的精準(zhǔn)個(gè)性化學(xué)習(xí)路徑挖掘研究——基于AprioriAll的群體行為分析[J]. 電化教育研究，2018，39（2）：45-52.

[31] DOIGNON J P，F(xiàn)ALMAGNE J C. Spaces for the assessment of knowledge[J]. International journal of man-machine studies，1985， 23（2）：175-196.

[32] 李振，周東岱，劉娜，等. 教育大數(shù)據(jù)的平臺(tái)構(gòu)建與關(guān)鍵實(shí)現(xiàn)技術(shù)[J]. 現(xiàn)代教育技術(shù)，2018，28（1）：100-106.

[33] 王玨，解月光. 基于前概念體系的學(xué)習(xí)者認(rèn)知診斷方法研究——以初中物理“力與運(yùn)動(dòng)”主題為例[J]. 電化教育研究，2017（9）：124-130.

[34] Brat Contributors. Brat rapid annotation tool[EB/OL].（2012-11-08）[2019-06-04].http：//brat.nlplab.org/.

[35] 李國(guó)輝，耿輝，馮靜. 課堂教學(xué)的專家評(píng)價(jià)與學(xué)生評(píng)價(jià)一致性分析[J].高等教育研究學(xué)報(bào)，2016，39（3）：40-44.

[36] Hmmlearn Developers. Hmmlearn user guide [EB/OL].（2015-05-09）[2019-06-04].https：//hmmlearn.readthedocs.io/en/latest/.

[37] 佩特·約翰內(nèi)斯，拉里·拉格斯多姆，張永勝. 自適應(yīng)學(xué)習(xí)：溯源、前景與誤區(qū)[J]. 中國(guó)遠(yuǎn)程教育，2018，522（7）：45-55，82.

[Abstract] Adaptive learning system is an important breakthrough to achieve personalized learning， while domain knowledge modeling is a major problem that has been puzzling the development of that system. At present， the new generation of artificial intelligence technology with deep learning and knowledge graph as the core provides a new opportunity for its development. Firstly， this paper summarizes the existing knowledge modeling methods in the field of education and analyzes the existing problems. On this basis， in view of two major problems faced by the application of general knowledge graph in the field of education， namely fuzzy knowledge granularity and weak domain adaptability， ?this paper constructs a conceptual model of educational knowledge graph - EKGCM model. That model includes two levels of knowledge representation and cognitive schema， and four basic elements of knowledge node， knowledge association， cognitive state and learning path. Then， in order to solve the problem of low automation of graph construction， this paper proposes a method based on intelligent processing technology， which includes four steps： knowledge element extraction， pre-and-after relationship mining， cognitive state diagnosis and learning path generation. Finally， the above methods are verified with the teaching resources and learning behavior data in an ideal cloud platform of smart education. The research is of great significance for the development of personalized adaptive learning driven by data intelligence.

[Keywords] Educational Knowledge Graph; Conceptual Model; Knowledge Element; Pre-and-after Relationship; Cognitive State; Learning Path