“人工智能+”视域下的教育知识图谱:内涵、技术框架与应用研究
发布时间：2021-11-23 13:14
深度学习、知识图谱、增强学习等新一代人工智能技术的发展,正驱动着"互联网+教育"迈入"智能教育"新时代。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。对于教育知识图谱的认知,应从知识建模、资源管理、知识导航、学习认知、知识库等多维视角出发,当前的教育知识图谱可分为静态知识图谱、动态事理图谱两大类。构建教育知识图谱的关键技术,主要集中在知识本体构建技术、命名实体识别技术、实体关系挖掘技术、知识融合技术等方面。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。
【文章来源】：远程教育杂志. 2019,37(04)北大核心CSSCI
【文章页数】：12 页
【部分图文】：
人工智能的三种研究范式
发展注入了“加速剂”。目前，谷歌、微软、苹果、Facebook、IBM以及国内“BAT”公司，都在布局以知识图谱为基础的认知智能发展战略。从人工智能的研究范式可以看出，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，它以知识为处理对象，通过模拟人脑的知识认知、问题解决、知识问答、知识推理等功能，增强机器的认知能力、学习能力、推理能力。即知识图谱将人类的先验知识转化为计算机可以理解的符号系统来赋能机器智能，对人工智能的可解释性也起到一定的推动作用。从人工智能的发展阶段来看，如图2所示，认知智能将成为人工智能的最终发展形态，计算智能与感知智能的发展已经为其奠定了坚实的基础，而知识图谱的出现，将加速人工智能从“感知智能”向“认知智能”的进阶。图2人工智能的三大发展阶段三、知识图谱的相关概述（一）知识图谱的历史演化过程知识图谱隶属于知识工程领域，人们对于知识工程的研究由来已久，并在发展过程中经历了一系列演化过程。早在20世纪60年代，语义网络作为一种基于有向图来表达人类知识结构的方法被提出，网络中的节点表示各种事物、概念、属性、动作、状态等实体，网络中带有标识的弧表示实体之间的语义联系，网络的基本语义单元采用简单的三元组表示。语义网络提供了一种结构化、自然性、联想性的知识表征方法，但在知识表示规范性、处理复杂性等方面仍存在很大缺陷[13]。从本质上来说，知识图谱就是一种语义网络，但知识图谱在知识表示、知识抽娶知识融合等方面，都形成了相对完善的方法论和技术体系，而且能够实现自动化或半自动化的构建。20世纪80年代，知识工程以及基于知识库和推理机的专家系统被提出，确立了知识工程在人工智能中的地位。同一时期，本
认知关系，而且应当在知识图谱的基础上叠加学习者的知识掌握状态，构建学习认知地图[28]。知识库视角知识图谱是一种描述事物及其关系的大规模知识库[29]。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（DynamicReasonGraph，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。图3、图4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。图3面向知识点的教育知识图谱[30]图4面向活动的教育知识图谱（三）教育知识图谱的技术框架在通用知识图谱的研究中，刘峤等人提出知识图谱的技术框架，可分为信息抽取层、知识融合层和知识加工层三个层次[31]；徐增林等人提出，知识图谱涉及的技术包括知识抽娶知识表示、知识融合、知识推理四个方面[32]；漆桂林等人提出，知识图谱构建的关键技术包括实体关系识别技术、知识融合技术、实体链接技术等[33]。借鉴上述知识图谱的研究成果，我们构建了教育知识图谱的技术框架，如图5所示，包括知识本体构建、命名实体识别、实体关系挖掘、知识融合四个方面。其中，知识本体构建是采用本体构建方法描述知识体系的框架，构成知识图谱的模式；命名实体识别通过信息抽取技术识别教学资源中的实体对象；实体关系挖掘则是在实体识别基础上，进一步判断实体之间存在的语义关联关系；知识融合是对来自多个数据源的实体信息进行融合的过程，消除了知识抽取过程中存在的歧义信息。图5教育知识图谱的技术框架五、教育知识图谱构建的
【参考文献】：
期刊论文
[1]基于学习画像的精准个性化学习路径生成性推荐策略研究[J]. 师亚飞,彭红超,童名文. 中国电化教育. 2019(05)
[2]构建信息时代教育新模式[J]. 钟绍春. 电化教育研究. 2019(04)
[3]智慧学习环境下基于知识建模图的在线教育资源众筹及其应用研究[J]. 何文涛. 电化教育研究. 2019(04)
[4]新技术视域下的教学创新:从趣悦学习到机器人陪伴学习——英国开放大学《创新教学报告》（2019版）解读[J]. 李青,闫宇. 远程教育杂志. 2019(02)
[5]基于人工智能的育人助理系统——“AI好老师”的体系结构与功能[J]. 余胜泉,彭燕,卢宇. 开放教育研究. 2019(01)
[6]区域性教育大数据总体架构与应用模型[J]. 余胜泉,李晓庆. 中国电化教育. 2019(01)
[7]面向情报学课程设置的数据科学技能素养自动抽取及分析研究[J]. 王东波,高瑞卿,苏新宁,朱丹浩. 情报理论与实践. 2018(12)
[8]知识追踪模型在教育领域的应用:2008—2017年相关研究的综述[J]. 李菲茗,叶艳伟,李晓菲,史丹丹. 中国远程教育. 2019(07)
[9]人工智能时代教育创新发展的方向与路径研究[J]. 钟绍春,唐烨伟. 电化教育研究. 2018(10)
[10]跨媒体智能的发展现状及教育应用研究[J]. 朱珂,王玮,李倩楠. 远程教育杂志. 2018(05)
博士论文
[1]基于语义网络的智能教学系统开发环境[D]. 杨勇.中国科学院研究生院（计算技术研究所） 1998
硕士论文
[1]基于表示学习的领域实体消歧与链接预测[D]. 马晓军.昆明理工大学 2018
[2]基于知识图谱的产品画像构建研究[D]. 王颖.南京理工大学 2018
[3]基于潜在语义分析的学科知识图谱构建[D]. 孙小欣.华中师范大学 2013
本文编号：3513955
【文章来源】：远程教育杂志. 2019,37(04)北大核心CSSCI
【文章页数】：12 页
【部分图文】：
人工智能的三种研究范式
发展注入了“加速剂”。目前，谷歌、微软、苹果、Facebook、IBM以及国内“BAT”公司，都在布局以知识图谱为基础的认知智能发展战略。从人工智能的研究范式可以看出，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，它以知识为处理对象，通过模拟人脑的知识认知、问题解决、知识问答、知识推理等功能，增强机器的认知能力、学习能力、推理能力。即知识图谱将人类的先验知识转化为计算机可以理解的符号系统来赋能机器智能，对人工智能的可解释性也起到一定的推动作用。从人工智能的发展阶段来看，如图2所示，认知智能将成为人工智能的最终发展形态，计算智能与感知智能的发展已经为其奠定了坚实的基础，而知识图谱的出现，将加速人工智能从“感知智能”向“认知智能”的进阶。图2人工智能的三大发展阶段三、知识图谱的相关概述（一）知识图谱的历史演化过程知识图谱隶属于知识工程领域，人们对于知识工程的研究由来已久，并在发展过程中经历了一系列演化过程。早在20世纪60年代，语义网络作为一种基于有向图来表达人类知识结构的方法被提出，网络中的节点表示各种事物、概念、属性、动作、状态等实体，网络中带有标识的弧表示实体之间的语义联系，网络的基本语义单元采用简单的三元组表示。语义网络提供了一种结构化、自然性、联想性的知识表征方法，但在知识表示规范性、处理复杂性等方面仍存在很大缺陷[13]。从本质上来说，知识图谱就是一种语义网络，但知识图谱在知识表示、知识抽娶知识融合等方面，都形成了相对完善的方法论和技术体系，而且能够实现自动化或半自动化的构建。20世纪80年代，知识工程以及基于知识库和推理机的专家系统被提出，确立了知识工程在人工智能中的地位。同一时期，本
认知关系，而且应当在知识图谱的基础上叠加学习者的知识掌握状态，构建学习认知地图[28]。知识库视角知识图谱是一种描述事物及其关系的大规模知识库[29]。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（DynamicReasonGraph，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。图3、图4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。图3面向知识点的教育知识图谱[30]图4面向活动的教育知识图谱（三）教育知识图谱的技术框架在通用知识图谱的研究中，刘峤等人提出知识图谱的技术框架，可分为信息抽取层、知识融合层和知识加工层三个层次[31]；徐增林等人提出，知识图谱涉及的技术包括知识抽娶知识表示、知识融合、知识推理四个方面[32]；漆桂林等人提出，知识图谱构建的关键技术包括实体关系识别技术、知识融合技术、实体链接技术等[33]。借鉴上述知识图谱的研究成果，我们构建了教育知识图谱的技术框架，如图5所示，包括知识本体构建、命名实体识别、实体关系挖掘、知识融合四个方面。其中，知识本体构建是采用本体构建方法描述知识体系的框架，构成知识图谱的模式；命名实体识别通过信息抽取技术识别教学资源中的实体对象；实体关系挖掘则是在实体识别基础上，进一步判断实体之间存在的语义关联关系；知识融合是对来自多个数据源的实体信息进行融合的过程，消除了知识抽取过程中存在的歧义信息。图5教育知识图谱的技术框架五、教育知识图谱构建的
【参考文献】：
期刊论文
[1]基于学习画像的精准个性化学习路径生成性推荐策略研究[J]. 师亚飞,彭红超,童名文. 中国电化教育. 2019(05)
[2]构建信息时代教育新模式[J]. 钟绍春. 电化教育研究. 2019(04)
[3]智慧学习环境下基于知识建模图的在线教育资源众筹及其应用研究[J]. 何文涛. 电化教育研究. 2019(04)
[4]新技术视域下的教学创新:从趣悦学习到机器人陪伴学习——英国开放大学《创新教学报告》（2019版）解读[J]. 李青,闫宇. 远程教育杂志. 2019(02)
[5]基于人工智能的育人助理系统——“AI好老师”的体系结构与功能[J]. 余胜泉,彭燕,卢宇. 开放教育研究. 2019(01)
[6]区域性教育大数据总体架构与应用模型[J]. 余胜泉,李晓庆. 中国电化教育. 2019(01)
[7]面向情报学课程设置的数据科学技能素养自动抽取及分析研究[J]. 王东波,高瑞卿,苏新宁,朱丹浩. 情报理论与实践. 2018(12)
[8]知识追踪模型在教育领域的应用:2008—2017年相关研究的综述[J]. 李菲茗,叶艳伟,李晓菲,史丹丹. 中国远程教育. 2019(07)
[9]人工智能时代教育创新发展的方向与路径研究[J]. 钟绍春,唐烨伟. 电化教育研究. 2018(10)
[10]跨媒体智能的发展现状及教育应用研究[J]. 朱珂,王玮,李倩楠. 远程教育杂志. 2018(05)
博士论文
[1]基于语义网络的智能教学系统开发环境[D]. 杨勇.中国科学院研究生院（计算技术研究所） 1998
硕士论文
[1]基于表示学习的领域实体消歧与链接预测[D]. 马晓军.昆明理工大学 2018
[2]基于知识图谱的产品画像构建研究[D]. 王颖.南京理工大学 2018
[3]基于潜在语义分析的学科知识图谱构建[D]. 孙小欣.华中师范大学 2013
本文编号：3513955
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/3513955.html
