大数据环境下课程知识规范化方法研究

发布时间：2020-05-19 23:06

【摘要】：随着云课堂、网络课程、移动学习等教学形式在教育领域中的广泛深入应用,以及教育信息化2.0行动的不断推进,课程教材数量不断增长,教材内容不断丰富,积累了大量的课程教材资源。但是这些教材资源内容复杂,质量良莠不齐,导致课程教材中存在知识描述不完整、内容描述不一致的问题。这些不规范问题造成学习者对知识的理解产生偏差,也使得一些基于知识的服务达不到理想的效果。为解决该问题,本文提出了大数据环境下课程知识规范化方法,处理课程教材中知识的非规范化问题。本文首先对知识表征方法进行了研究。研究了知识的基本表征形式,根据知识表征理论从认知逻辑上了解非规范知识,得出知识由属性和属性取值构成。课程知识的不规范也主要和属性、属性取值相关。提出了知识点表示模型,给出了知识点模型中属性获取方法,在基于模型的知识表示基础上,指出了不规范问题并给出了规范化策略。其次,研究了不一致知识的处理方法,提出了基于共指消解的原子知识不一致处理方法,首先利用词语间词型、词性、词义特征度量存在共指关系的词语间距离,然后使用聚类算法进行处理,最后基于轮廓系数确定最佳共指链个数,解决原子知识用词不一致问题。再次,研究了不完整知识的处理方法,提出了基于摘要技术的属性取值不一致处理方法。详细介绍了描述句重要性计算、筛选与去重、规范句子生成的具体过程。首先,利用改进的基于词簇的句子重要性计算方法对描述课程知识属性的句子进行打分,然后利用最大间隔算法对句子进行筛选和去重,最后生成完整的结构化信息。应用该方法解决了属性不完整和原知识表述不完整问题,将不完整知识转化为完整知识。最后,针对以上研究内容,选择教育心理学课程教材为实验对象,测试方法的可行性与有效性。
【图文】：

示例,知识点,知识点属性,属性

19图 3.2 基于知识点模型的表示示例3.4 知识点属性的获取方法知识点的属性和知识点属性的取值表示了该知识的特征。知识点模型包含哪些属性对知识点表示非常重要。本节给出属性获取的方法。3.4.1 知识点观测提取以人工整理的 25 本教育心理学教材为知识点来源，从每本教材中抽取知识点及其所用的 n 个属性，构成一个知识点观测(Observation)，记为O = 。抽取所有教材中可观测到的知识点，得到知识点观测集合,记为S = ，观测示例见表 3-2。在抽取的过程当中，，可能存在同名的知识点，但来源不同，则都属于不同的知识点观测。

云图,认同度,教材,属性

(c) 教材 3 (d) 教材 4图 3.5 部分教材基于认同度的属性云图将不同教材中的知识点观测合并，进行属性的认同度计算，得到认同度较大的部分属性见表 3-3。表 3-3 属性认同度(Top24)属性认同度属性认同度属性认同度是 0.322738 类型 0.04401 表现 0.02445是指 0.232274 特点 0.042787 分类 0.02413指 0.128362 基本观点 0.040342 特征 0.02395提出者 0.094132 包括 0.03912 又称 0.022005例如 0.06846 影响因素 0.030562 分为 0.01956认为 0.064792 代表人物 0.026895 产生原因 0.018337如 0.061125 就是 0.025672 作用 0.018327含义 0.050122 培养 0.025571 相关人物 0.017115
【学位授予单位】：东北石油大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.1;G434

【参考文献】