基于知识图谱的学习路径自动生成研究

　　摘要：海量的学习资源让在线学习者身处“知识迷航”的困境，而人工规划学习路径存在效率较低、难以满足学习者个性化需求的弊端。基于此，文章提出了一种基于知识图谱的学习路径自动生成方法，其将学习路径生成分为知识点路径生成与学习对象路径生成两个步骤，能够根据知识点属性特征及其关系、学习对象属性特征、学习者知识掌握情况与认知特点等对课程中涉及的知识点与学习对象进行序列化。之后，文章通过对照实验检验了此方法的有效性，实验结果表明：采用自动生成路径与专家路径开展学习的被试在学习时间与后测成绩上不存在显著差异；自动生成路径在学习对象的讲解重点与详略设置、局部难易程度设置、整体学习顺序等方面基本符合规范。文章的研究成果可帮助领域专家规划学习路径，为在线学习者提供指导，促进个性化学习。

　　关键词：学习路径；知识图谱；在线学习；自适应学习

　　学习路径自动生成和个性化推荐是自适应模型设计与开发的重要内容，旨在利用学习者、学习资源、领域知识特征等信息，为学习者定制最佳的学习单元序列（如课程、学习资源、学习活动、知识点等）。而知识图谱是一种揭示领域知识概念之间关系的、结构化的语义知识库[1]，能够刻画和记录领域知识与学习资源特征，揭示知识点之间复杂的逻辑关系、学习资源与知识点之间的包含对应关系，为领域知识与学习资源建模、学习路径自动生成算法设计提供了可供参考的思路。当前，多数研究或关注如何利用本体技术与知识图谱进行领域知识建模，或侧重讨论如何基于已有图谱实现学习路径生成，而未将知识图谱构建与自适应算法设计相结合。基于此，本研究在独立设计与构建知识图谱的基础上提出了一种学习路径自动生成方法，以期为学习者的在线学习提供指导，从而提高其学习效率。

　　一学习路径自动生成方法分类

　　梳理当前相关学习路径自动生成的研究成果，本研究根据核心思路与策略的差异将学习路径自动生成方法主要分为三种：①基于学习者与知识单元特征匹配的方法，即通过计算学习资源与学习者的匹配程度为学习者推荐最适合的学习资源，并按照匹配程度高低对学习资源进行序列化；或通过分析学习资源的属性，按照既定规则直接对学习资源进行序列化。例如，Yang等[2]将学习者学习风格与学习对象类型的匹配程度、学习者知识水平与学习对象难度的匹配程度作为信息素养更新的依据，利用蚁群算法生成学习路径；李浩君等[3]采用互信息特征选择（MutualInformationFeatureSelection，MIFS）模型筛选学习资源与学习者特征，以此作为训练输入数据，并将“学习者—资源二部图”作为目标输出来训练神经网络，用于为学习者推荐个性化的学习资源；Chandar等[4]按照学习对象包含的知识点尽可能与学习者的目标知识点相匹配、学习对象难度尽可能与学习者的学习能力相匹配、学习对象的建议学习时间不超过学习者可支配学习时间的上限、每个知识点被讲解的频率尽可能平衡的原则构造目标函数，利用改进的粒子群算法生成学习路径。此类方法能为学习者定制个性化的学习路径，但存在违背知识点之间内在逻辑的风险。

　　②基于日志数据挖掘的方法，即利用学习者的学习日志数据，采用关联规则挖掘算法，从大量学习单元序列或学习者的试题作答记录中获取学习单元的关系并据此构建学习路径；或采用协同过滤、基于内容过滤等推荐算法，将相似或高分学习者所采用的路径推荐给目标学习者。例如，Romero等[5]利用关联规则挖掘算法，从学习者的学习页面访问记录中挖掘出支持度与置信度较高的页面跳转规则，为学习者提供导航链接服务；申云凤[6]基于Felder-Silverman学习风格模型，利用学习者的学习行为日志数据对学习者建模，采用协同过滤算法为目标学习者推荐与其学习风格、认知水平相似的学习者所采用的学习路径；Lee等[7]则基于学习者作答试题的记录，采用Apriori算法挖掘试题之间的关联关系，并利用人工构建的试题与知识概念关联矩阵，由试题之间的关联性推导知识概念之间的先修后继关系，据此构建知识概念的学习路径。此类方法充分利用了学习者的群体智慧，但忽略了自组织学习路径本身可能存在的错误；另外，不同学习者的学习能力与学习风格存在差异，从群体经验中归纳出的学习路径不一定具有普适性。

　　二基于知识图谱的学习路径自动生成方法设计

　　根据人工开展教学设计、规划学习路径的基本思路，本研究设计了基于知识图谱的学习路径自动生成方法，如图1所示。此方法采用以人工为主、自动为辅的方式构建知识图谱，将其作为领域模型与资源模型，为算法提供领域知识与学习资源特征信息（部分学习者特征也将作为算法输入）。与此同时，此方法将学习路径生成分为知识点路径生成与学习对象路径生成两个步骤：①基于学习者的学习目标与知识掌握情况得到待排序的知识点集合，再利用学习者认知特征、知识点属性特征及其关系生成知识点路径；②在此基础上，根据学习对象与知识点之间的包含关系得到待排序的学习对象集合，并利用学习对象属性特征对学习对象进行序列化。

　　三实验与结果讨论

　　1实验设计

　　（1）实验对象与实验数据选取

　　本研究从北京市B大学2019～2020学年第二学期选修“数据科学专题研究”课程的学生中招募了9名硕士研究生作为被试，他们均具备一定的数据分析知识和代码基础。本研究将前文提及的在线学习平台上“数据分析”课程中的原有学习对象顺序作为专家路径（由该平台所属教育机构的课程设计人员规划），用于与自动生成路径进行对比实验。本实验将9名被试随机分为实验组与对照组，保证两组学生的代码基础、学习积极性与前测成绩基本相同。本实验要求两组被试在规定的时间内按照指定的学习路径完成所选课程单元的学习：对照组按照专家路径开展学习，而实验组按照自动生成路径开展学习。（2）实验步骤首先，利用Python实现本研究设计的学习路径自动生成方法，并设置知识点相关性矩阵参数r1=0.5，r2=r3=1，r4=4，r5=1.5，r6=r7=4，r8=3，r9=5，rmax=50；随后，将所选课程单元作为教学目标，并根据不同粒度学习资源与知识点之间的包含关系获得待排序的学习对象集合T、待学习的知识点集合S；最后，设定学习者的知识点掌握情况向量V=(1,0,…,0)、认知特征向量C=(0.25,0.25,0.25,0.25)。在完成算法实现与调参、生成最优学习对象路径后，要求两组被试按照指定路径开展学习，并通过后测检验其学习效果、通过访谈获知其对路径的主观评价。2实验结果（1）对照实验结果Hong[13]和Chen[14]在两项不同的研究中，分别将“内容相似度较高的学习对象保持相邻”与“学习对象的顺序不能违背其间的先修后继关系”作为遗传算法目标函数的设计依据，并据此优化学习路径。针对“数据分析”课程中“数据可视化”单元的学习对象，本研究设计了学习路径评估指标fitness，用于初步检验自动生成学习路径的质量，确保学习路径不存在明显错误，并基于此调整影响算法结果的主要参数，以优化算法效果。fitness的计算如公式（5）所示，其中，penaltyadj与penaltyorder在数值上等于学习路径违背学习对象之间应该遵守的相邻规则与先修后继规则的数量——学习路径违背的规则越多、fitness数值越大，说明该路径的合理性越差。

　　（2）访谈结果

　　访谈结果显示，实验外部因素对学习者的学习体验造成了一定的不良影响，具体表现为：①自动生成路径中个别学习对象的位置安排不合适；②由于学习对象的内容是按照在线学习平台上的原始路径设计的，在按照自动生成路径对其重新排序后，个别学习对象存在讲解逻辑不连贯的问题；③实验组被试需要手动切换学习对象，对学习情绪的消耗较大。另外，访谈结果还表明，在排出实验外部因素后，两组被试对专家路径和自动生成路径中学习对象的讲解重点与详略设置的评价情况一致，且实验组被试表示自动生成路径的局部难易程度设置符合由浅入深的原则；自动生成路径除了个别学习对象位置有待优化，整体学习顺序基本符合规范。

　　四结语

　　本研究提出了一种基于知识图谱的学习路径自动生成方法，利用知识图谱进行领域知识与学习资源建模，根据知识图谱提供的知识点之间的关系与属性特征设计了知识点拓扑排序算法，并通过构造指标对学习对象进行序列化。算法实施与调参结果初步证明了利用此方法生成学习路径具有可行性；同时，调试过程中发现除了算法的主要参数，知识图谱结点与关系的增删对学习路径生成结果也会产生较为明显的影响，说明此方法对知识图谱质量的依赖度较高，构建高质量的知识图谱、准确揭示知识点之间的关系是此方法得以成功的保证。对照实验结果表明，此方法能够在一定程度上替代领域专家制定学习路径，从而实现自适应学习。

　　需要指出的是，本研究还存在一些不足之处，如算法效果有进一步提升的空间、自动生成路径中个别学习对象的位置有待调整优化；受实验课程规模所限，参与实验的被试人数相对较少、专业类型较为单一，手动切换学习对象等外部因素也对实验结果造成了一定的影响；以人工为主、自动为辅的知识图谱构建方式尽管保证了知识图谱的质量与准确性，但时间、精力消耗仍然较大。基于此，未来需进一步探索如何利用数据更精确地刻画知识点与学习对象特征、挖掘属性值的计算方法；应进一步扩增被试人数，收集更丰富的实验数据，并将学习者个性化特征考虑进来。此外，如何采用纯自动方法快速构建高质量的教育领域知识图谱，也是后续研究需进一步探讨的重要议题。

　　参考文献

　　[1]刘峤,李杨,段宏,等.知识图谱构建技术综述[J].计算机研究与发展,2016,(3):582-600.

　　[2]YangYJ,WuCI.Anattribute-basedantcolonysystemforadaptivelearningobjectrecommendation[J].ExpertSystemswithApplications,2009,(2):3034-3047.

　　[3]李浩君,张征,郭海东,等.深度学习视角下的个性化学习资源推荐方法[J].现代远程教育究,2019,(4):94-103.

　　[4]ChandarAPS,DheebanSG,DeepakV,etal.Personalizede-coursecompositionapproachusingdigitalpheromonesinimprovedparticleswarmoptimization[A].SixthInternationalConferenceonNaturalComputation[C].Piscataway:IEEE,2010:2677-2681.

　　高嘉骐刘千慧黄文彬

《基于知识图谱的学习路径自动生成研究》

上一篇：地方院校医学检验技术专业教育的探索与实践

下一篇：基于知识划分理论的科普游戏设计与实例分析