基于知识图谱的自适应学习引擎设计

摘  要：介绍了自适应学习系统的意义以及发展和研究现状，分析了基于知识图谱的自适应学习系统引擎的应用现状。结合高职工科课程的现状，提出了基于知识图谱的高职课程设计思路，并给出了详细的设计架构以及课程设计实例。实践表明，此架构能有效建立起知识与学习资源之间的网络关联，为学习者动态提供学习资源动态推荐和学习路径的动态规划。

关键词：自适应学习  知识图谱  智慧教育  高職教育

中图分类号：G712                             文献标识码：A文章编号：1672-3791（2020）11（a）-0163-03

Design of Adaptive Learning Engine Based on Knowledge Map

ZHOU Guodong*

（College of Network Technology， Hunan Radio and TV University， Changsha， Hunan Province， 410004 China）

Abstract： This paper introduces the significance， development and research status of adaptive learning system， and analyzes the application status of adaptive learning system engine based on knowledge map. Combined with the current situation of higher vocational engineering courses， this paper puts forward the idea of higher vocational curriculum design based on knowledge map， and gives a detailed design framework and curriculum design examples. The practice shows that this framework can effectively establish the network association between knowledge and learning resources， and provide dynamic recommendation of learning resources and dynamic planning of learning paths for learners.

Key Words： Adaptive learning; Knowledge map; Intelligent education; Higher vocational education

近几年，在高职专业中进行分层教学的探索持续升温，常州机电职院的莫莉萍教授，提出了基于分层教学的机电一体化专业教学改革方案。将该专业的职业方向分为4类，每一类的学生再分为3层，通过加大师资投入和实训室建设，保证分层教学的质量。河南测绘职业学院的陈永贵老师提出在机电类专业中实施自由选择方向、动态分组的方法进行分层教学的方案，但并未进行教学实践。南通职业大学的刘阳老师，提出了在电气控制课程的实践教学环节中进行隐形分层教学方法，既保护了学生的自尊心，又提升了教学效果。分层教学虽然取得了非常好的效果，但目前的分层教学都是建立在巨大的教师工作量基础上，难以形成长效机制，推广难度较大。

随着人工智能技术的普及，基于人工智能技术的智慧教育系统也快速发展，国内一批教育机构联合人工智能企业先后推出智慧教育产品，如好未来、新东方、朗播、乂学、高木等教育平台，网易、超星、腾讯也在积极进行布局自己的智慧教育平台。

如何利用智慧教育平台进行教学，必将是教育改革的下一个热点问题。恰当地利用“人工智能”可以降低教师的工作量，更好地发挥教师教学过程中设计者的角色。但是过多地依赖人工智能，也有可能导致教师与学生之间的疏远，从而降低情感和素质等隐性课程教育质量的下降。因此，如何巧妙地将智慧教育技术融入高职教育的各个环节，既分担教师的工作任务，有效实现分层教学，又不破坏师生之间的必要互动，保证隐性课程的教学质量，是急待深入研究并做出科学规划的一个重要课题。

1  自适应学习系统的现状与应用情况

目前，高职院校人才培养方案和教学方式的同质化与不同层次学生的全面发展、个性成才之间存在的矛盾日益明显。

2020年，李克强总理在《政府工作报告》中再次提出，我国职业教育再扩招200万。鼓励更多应届高中毕业生和退役军人、下岗职工、农民工等报考，这是继2019年扩招100万基础上再次大规模扩招。这标志着我国高等职业教育改革发展进入新阶段，高职院校的生源结构将发生巨大变化。2019年以来，湖南省积极落实国家职教改革政策，先后启动“农民大学生”项目、“士官大学生”项目等，为湖南省经济社会建设培养更多职业技能人才。

扩招给高职院校带来了发展机遇，但生源结构的多样化，学生知识、技能、社会经历的差异化，却给高职院校的人才培养和教学实施都带来了巨大挑战。按照统一的人才培养方案和课程标准进行“批量”培养的方式越来越困难。

分层教学是一个好的解决思路，根据学生的不同情况分层进行教学实施。基础好、学习能力强的学生提高其学习目标，反之，低层级的学生要适当降低学习目标。

然而，分层教学的理念虽然美好，但是教学实施难度却很大，如何有效分组？如何设定不同组别的学习目标？如何实施差异化的教学过程？如何差异化进行评价？每一个环节的改进都会给教师带来工作量的成倍增加。因此，针对分层教学的研究虽然多，但是真正能实施的高职院校却寥寥无几。

以自适应学习系统为核心的智慧教育系统给新的分层教学带来了可行的实施路径。将大量繁琐的学生分层、教学项目决策、教学实施、学生评价等工作，由教师决策模式改进为基于智慧教育系统辅助的教师决策模式。新的分层教学模式，一方面有利于对学生的科学评价和分层，另一方面有利于减轻教师的工作量，为分层教学模式的普及提供了一种新的途径。

国内的应用情况，商业化的自适应学习系统寥寥无几，以国内某大型培训机构的自适应系统为例，学习者需要自己预先设定年级、学习的科目和内容，“私人定制”功能会根据学生情况和预先答题的情况，动态调整学习内容。“私人定制”的内容现阶段虽然较为粗放，但相较于同类现有的智能化教育类产品，已经算是一个很大的突破。但是，在细节上，仍没有达到自适应学习的理想状态。

2  自适应学习系统的设计

自适应学习使用人工智能算法协调与学习者的交互，并提供定制资源和学习活动，以满足每个学习者的独特需求。其运行流程如下：首先，自适应系统对学习者进行必要的测评。通过涵盖知识点的典型题目，完成学生对知识点的掌握程度的评估。利用AI算法，模拟优秀教师的教学分析、学情分析过程，智能分析出学生已掌握的知识结构网络以及缺失的、理解不全的和未掌握的薄弱知识点。其次，AI算法根据预先制定好的课程知识图谱，向学员推荐适合他的、个性化的授课内容和练习习题，完成优秀教师的教学过程。最后，解决学员的课程学习问题，使学生在自适应学习系统的支持下，掌握和应用所学知识。

依据自适应学习的工作流程，并结合机器学习、项目反映理论，以及知识图谱等理论，该文设计了面向高职《C语言程序设计》课程的自适应学习系统。该系统是综合人工智能算法、课程学习知识、学员学习数据和教师教学方法的一个复杂业务系统，系统任务是提供智能化的个性化教育服务试点。此业务系统能否顺利实现运转，关键任务是如何构建知识图谱、如何实现基于概率图模型的推荐引擎以及如何进行基于项目反映理论的学员认知能力评估。

2.1 课程知识体系的知识图谱构建

自适应学习系统的数据结构采用Google公司的FreeBase知识标准形式。该模型的数据层将知识内容存储到数据库中，每个知识内容单元用一个三元素结构体数据来表示，最终存储的丰富数据就形成了一个知识网络，构成课程和章节知识图谱。模式层是FreeBase标准中用于存储经过提炼和优化的知识，其任务是逐渐整理知识图谱，减少数据库的知识冗余。可以使用结构化的概念模板具体来实现。

在知识图谱理论中，实体元素之间一般有4种连接关系，分别是包括、评价、注释和条件。其中，包括关系是指知识点A是知识点B的一个组成单元，其内容包含在知识点B概念范畴之内;评价则是表示实体内容A是知识点B的评价部分;注释则是指实体内容A负责对知识点B进行具体解释;条件概念则是指两个知识点之间具有明显的先后逻辑关系，即学习知识点A是学习知识点B的先决条件，意味着只有掌握了知识点A，才能够开始学习知识点B。该设计以C语言课程知识为例来构建这4种关系。

在C语言数据类型知识图谱中，变量知识点包含基本数据类型，而基本数据类型是结构体和数组的先修知识点。具体来说，“数组”这个知识点应该有“注释”的讲授视频和“注释”文字资源，还应该有实现“评价”功能的练习题库，而题目单元又应该具有区分度、难易度、答题时间限制等多个特征属性;同理，“结构体”这个知识点也有负责“注释”的讲授视频资源和用于评价的题目。课程和章节知识图谱便可以按照课程和章节的教学目标进行详细的设计。

2.2 基于概率图的自适应引擎设计

概率图理论是用图来表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。通过知识图谱的表示、学习情况的分析和自适应算法的决策来综合解决学习实际问题。

概率图模型在实际应用中主要有两类，分别是贝叶斯网络以及马尔可夫网络，如果网络是有向无环图，则这个网络称为贝叶斯网络，若网络是无向的，则是无向图模型，又称马尔科夫网络。显然，在自适应的知识图谱中，知识点之间形成有向无环网络，适合运用贝叶斯网络模型进行参数、结构的学习、分类决策。目前已经广泛应用的自适应引擎，多数采用贝叶斯网络作为核心，用来提供自适应学习路径规划服务、学习资源推荐服务，以及学员学习能力、学习现状、薄弱知识点的分析诊断。

参考文献

[1] 教育部.教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL].[2018-04-18].https：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[2] 赵蔚，姜强，王朋娇，等.本体驱动的e-Learning知识资源个性化推荐研究[J].中国电化教育，2015（5）：84-89.

[3] 周国栋.融入工匠精神培养的工科专业人才培养改革[J].科技资讯，2019，17（12）：144-145.

[4] 周國栋.自适应学习对高职课程改革的思考[J].科技资讯，2019，17（13）：102-103.

[5] 朱艳茹.基于知识图谱的自适应学习系统设计与实现[D].吉林大学，2018.

[6] 朱艳茹，范亚芹，赵洋.基于知识图谱的自适应学习系统知识模型构建[J].吉林大学学报：信息科学版，2018，36（3）：345-350.