基于知识图谱的个性化学习资源构建研究

关键词：人工智能；教育数字化转型；个性化学习；学科知识图谱；学习资源构建；教学改革

中图分类号：G434 文献标识码：A

文章编号：1009-3044（2024）21-0024-03

0 引言

21世纪是信息的时代，将人工智能等新一代信息技术应用于教育，实现技术创新与教育改革融合，开展个性化自适应教学，是教育改革及教育数字化转型的重大课题。党的二十大报告提出我国教育发展的方向是：“推进教育数字化，建设全民终身学习的学习型社会、学习型大国。催生以知识文明为特征的新型数字化学习社会产生。”以知识图谱为代表的新一代人工智能技术，将对传统教学重塑，形成数据智能的学习新模式。

1 研究现状

近年来，全球范围内在线学习发展迅速，为学习者的自主学习带来了极大的帮助，目前，国内各高校及教育机构已构建较多的网络教学平台和课程网站，但根据2022年中国教育部发布的数据显示，超过60% 的学生对传统学习平台的资源推荐和学习路径规划不满意。传统的教学平台提供的学习资源已无法满足学习者的个性化需求。

知识图谱技术作为一种重要的知识资源整合形式，可用于形成高度组织化的学习资源，将知识图谱应用于教学资源构建已成为当前教育研究的热点。知识图谱是感知、认知人工智能技术核心的数据资源组织方式，国内外研究者多采用多源异构知识图谱融合方法，通过数据采集、预处理、存储等步骤，融合不同来源的知识，构建更全面、准确的知识图谱。教育领域将知识图谱与学习任务相结合，提供学习内容定制与推荐，开展有针对性的教学评估、学习资源管理和教学指导，为学习者提供个性化的学习服务。以Wikipedia为代表的知识社区也被应用于知识图谱构建中，惠及不同领域的学习者[1]。

知识图谱构建的核心问题是领域知识建模。从多跨越学科、多领域的海量数据中抽取知识信息，构建准确和可靠性的领域知识体系，是知识图谱的核心功能。将知识图谱应用于个性化学习，主要原理是通过个体知识图谱与领域知识图谱比对后产生的新的知识图谱，以此为基础，为学习者提供学习、评价、再学习的闭环知识体系，形成渐进知识增长过程，从而提高教育的精准程度。知识图谱应用于个性化教学可以实现深层次意义建构的人机协同机制、实现多元化学习输出的情境融合机制、实现精准化教学[2]。

2 主要存在的问题

知识图谱在教育领域应用中主要存在海量数字资源背景下构建难度大等问题。主要表现在：一是知识图谱表征的领域知识规模庞大，知识本体构建难度大，难以完整覆盖。二是构建知识图谱用的教学数据缺乏严谨性和标准性，存在不一致、缺失、错误和冗余等问题，影响了知识图谱的准确性和可靠性。三是不同领域、不同机构甚至不同语言的数据源之间存在标准不一致等问题，多个数据源的知识难以抽取和融合。四是知识图谱随着节点数增长，其规模呈级数级增长，更新和维护难度较大，另外知识图谱是个动态更新过程，须建立自动获取、动态更新的长期有效机制，以适应新知识产生和旧知识迁移。

将知识图谱应用于个性化学习，主要面临的问题是：一是个性化学习因个体学习需求多样，单一领域知识图谱内容难以覆盖学习需求。二是知识图谱数据成内容碎片化，学习资源零散分布，学习者很难系统性地开展深度学习。三是受开发者专业知识、开发机构的资源储备、项目的目标等因素影响，不同机构建设的知识图谱缺乏统一的标准，所表述的相同知识或问题的深度和广度有较大差别。四是知识图谱提供了知识的有效组织结构，但对用户知识结构及学习动机了解不足，无法实时、全面了解学生的学习进度和掌握程度，图谱知识内容与其实际学习需求不符，影响其有效利用。

综上，知识图谱应用于个性化学习，重点在于如何科学标准建设充分覆盖目标领域知识的领域知识图谱，并形成可满足用户多样化的学习需求的高质量个性化学习资源。

3 个性化学习资源的构建与实施

构建个性化的学习资源，可行的办法是知识图谱化。知识图谱的构建方面，须综合运用教育领域的专业知识和人工智能技术，结合教育大数据资源形成。功能方面，可为学习者提供系统化的知识管理、分析和服务方法[4]，可根据学习者的兴趣、能力和学习目标等因素选择和安排相关知识点和学习资源，能准确理解学习者的特征，并利用知识图谱进行个性化学习资源推荐，以实施精准化教学。建设标准方面，需要建立专业领域标准和教学标准相统一的标准，解决教育数据和专业领域知识融合的问题，形成高质量的教学资源。同时也须满足学生个性化学习需要、教师精准化教学需要、课程教学资源关联需要[3]。

3.1 个性化学习领域确立

个性化学习的主体是不同类型学习对象（如大学生、职业技术人员等），不同层次和领域的学习对象的学习需求显著不同，学习者的成长过程各阶段对学习领域的范围要求不同。构建个性化知识图谱学习资源，需要解决的问题是分析学习对象特征形成用户画像，按照其阶段性的学习需求明确学习动机，依据学习动机确立学习目标形成知识边界，在知识边界内采集对应知识形成个性化领域知识集（如图1所示）。

以高等职业教育为例，个体学习的主体是职业学院大学生，其学习需求为接受高等教育并获得某一技术领域的专业技能。其学习的动机是取得学籍顺利毕业，学习目标是：各科课程考核合格且专业能力达到工作岗位需求。高职院校学生的领域知识应由所学专业方向下的学科知识+岗位技能知识构成。

3.2 领域知识图谱的构建

知识图谱是利用语义网、自然语言处理等技术，对领域学习资源或知识进行处理和分析，建立知识点之间的联系和关系，形成领域知识图谱集。构建可开展个性化学习的领域图谱旨在刻画教学系统的内在逻辑，抽取出知识要素，依据教学系统内在逻辑阐明要素间的关系，形成学科领域图谱[5]。

为保障学科领域知识图谱的科学性，须依据现有学科结构为主体构建。对我国学科体系研究可发现：目前我国学科体系分为文学、历史学、哲学、法学、经济学、管理学、教育学、理学、工学、农学、医学、艺术学、军事学13个学科门类，每个门类下有多个专业，每个专业由课程支撑，课程由知识点、技能点支撑，各知识点之间关系纵横交错，学科的体系性为学科领域知识图谱提供了较为稳定、可靠的数据结构。

构建学科领域知识图谱，应充分采用知识分层和树形组织结构对知识建模。学科领域知识图谱模型可描述为：门类-专业-课程-知识点的层次结构。知识图谱的节点即知识点，应采用教育元数据的标准形成，并包括知识、素养、技能三元属性，以符合现行教学标准。这种方法既采用知识分层技术确定知识层次结构性，又采用教育元数据确立知识单元的粒度，能够实现为个性化学习提供路径，还提高教育资源的访问性和共享效率，从而推动知识的快速传播[6]。

3.3 领域知识的采集

学科领域知识图谱的难点在于获得可信的领域知识的数据源。目前，能满足教学和社会认可的数据源是官方公布的国家级专业目录、国家级教学标准、岗位职业标准，各标准从制定到发表经过官方组织论证，经过大量社会应用检验，可作为构建学科领域知识图谱的可信数据源（如图2所示）。

国家教学标准和职业岗位标准双标准提供了科学的领域知识的结构。教学标准与岗位标准存在较大差异，为解决两个标准中知识融合的问题，可借助人工神经网络对现有数据进行深度学习训练，对知识元数据的分支裁剪、合并进行优化，形成高聚合的知识簇，形成聚类图谱。聚类图谱以突出关键节点和重要连接为重点，集中体现了聚类之间的结构特点[7]，可大幅度提高知识图谱的数据质量。

教学标准和职业岗位标准提供了知识的结构，但未给出知识点的详细的内容。学科领域知识图谱要具备知识价值，须采集到知识点的填充内容。知识点承载的内容是一种经验型的知识，较为有效的方式是利用神经网络技术采集现有在线教学平台教学资源，即在统一元数据规格的基础上，采集对应的课程学习资源，包括文本、图像、音频、视频等知识，填充完善图谱节点内容。为保障知识的准确性，可辅以人工专家的团队对采集内容进行编辑审核，对神经网络进行训练。

3.4 知识图谱应用于个性化学习

将知识图谱应用于个性化学习，首先需要对学习的个体进行全面的了解。须收集和处理大量的个体学习数据，包括学生的学习行为数据、学习成果数据、兴趣爱好数据，这些数据的处理和分析是实现个性化推荐和学习路径规划的基础。

开展个性化学习主要的任务有：1） 为用户知识画像。率先确立个体学习者的目前知识结构的个人知识图谱。2） 比对个体知识图谱与领域知识图谱，获得知识差异集。3） 依据知识差异集形成个性化学习知识图谱。4） 利用学习规律，为学习者推荐最合适的学习路径，如预习-学习-复习的记忆型学习结构。5） 实时跟踪比对个人知识图谱与领域知识图谱的达成度，形成新的学习计划，重复学习过程，直至个人期望值的达成（如图3所示）。

个性化学习需要以知识图谱为中枢构建个性化知识资源平台。数据由大数据平台进行统一保管和资源调度，通过自动采集学科知识、个体知识形成映射式构建结构化数据，对视频、资料、文献等采用抽取式构建非结构化数据。平台可将学习领域的知识点和概念关系进行整合和标注，构建和维护一个准确、全面的完整的知识网络，使同一个知识点对于不同的学生具有不同的难度和区分度，体现了不同学生个性化的学习特征。在此基础上，以用户学习大数据为基础，对于用户学习过程中使用的知识的实体和概念信息，通过语义信息系统的分析，进行对应知识图谱搜索找到对应的答案，同时，根据用户反馈和学习情况不断调整和优化算法和模型，提高资源推荐的精准度和命中率，实现更好的学习效果。

个性化学习除自学外，可将个性化学习开发成应用程序，将个性化知识图谱学习功能植入课程资源或平台网站，为教学提供在线学习、在线评测、智能推荐、智能考核等形式个性化教学应用，助力课程资源的交互性提升。

4 结束语

基于知识图谱构建个性化学习资源是教育数字化转型的一项重要工作。基于数据智能的生成式人工智能及大模型技术将更广泛地应用于开展个性化自适应教学，与传统学科教育相比：基于人工智能技术的个性化学习以个性需求为导向，打破传统的学科领域知识界线，形成差异化的智慧学习模式，是一种寻找知识的最优解的科学解决方案，有助于提高学习效率。