• 周二. 6 月 18th, 2024

信息素养知识图谱在教育智能中的应用

admin

1 月 1, 2024 #智能化应用

1.知识图谱简介

 

知识图谱是一个大规模的语义网络,是现实世界的语义表示。 实体用节点表示,实体的属性以及实体之间的关系用边表示,形成网络图结构。 这种结构化形式对人类来说是可识别的,对机器来说是友好的,使得机器很容易理解。 图中大规模的概念、属性以及实体之间的关系使其具有丰富的语义信息和相关信息。 它天然具有图的各种特性,可以用于图相关的操作和应用。 构建完成后,还可以直接作为下游应用的背景知识。 只不过地图最早是由Google提出的,主要是用来提高搜索引擎的能力,提高搜索质量。 由于知识图谱独特的特性,它可以在人工智能的许多方面发挥重要作用。

智能化应用_应用智能化工作原理_应用智能化水平较低/

2、教育领域学科知识图谱构建

知识图谱的构建通常是面向应用的。 在构建地图之前,需要明确要解决哪些问题以及解决这些问题需要哪些知识,然后设计知识图谱的本体来覆盖这些知识。 首先介绍教育知识图谱的一些常见应用场景和逻辑,基于这些应用设计教育图谱本体,然后进一步构建知识图谱。

(1)教育知识图谱应用逻辑

教育知识图谱以学科知识为核心,建立各学科知识点的概念,建立层次关系、知识点之间的关系和知识点之间的关系、不同知识点之间的顺序关系,形成学科知识图谱。 利用这张图,可以将知识点之间的关系以可视化的形式展示给学生。 一目了然,自然而然就能用起来,帮助学生搭建知识体系,查看知识要点,发现知识点之间的关系,帮助学生进行总结沉淀,消除知识盲点。

学科知识图谱构建完成后,可以与教学资源(教材、试题、讲义、教学视频、试卷等)进行关联,然后通过用户信息和学习记录,可以将知识点与用户之间的关联被成立。 通过知识图谱,可以更加准确地描述学生的知识掌握情况和资源情况。 以实现对用户学习情况的精准研判、学习路径规划、学习资源的个性化推荐。

还可以帮助教师更好地了解学生的学业状况,优化教学方法,调整教学策略。 通过与教研资料联动,主动推荐教研,提高教师教研准备的效率和质量,以知识图谱问答为核心技术的辅助教答系统,可以有效减轻教师的负担。简单、重复的问题引起的,也能快速很大程度上满足学生的答疑需求。

(2)以学科知识图谱为核心的教育知识资源构建

以知识图谱为核心的教育知识资源构建,利用知识图谱建立领域知识、知识点与不同版本教材、教具、讲义、视频、试题等教育资源之间的关系,形成关系。 整体网络。 利用这些相关网络来支持上层应用。

应用智能化水平较低_应用智能化工作原理_智能化应用/

在教育领域的学科知识图中,知识之间的关系主要包括:上位关系,主要是父子概念之间、概念与实体之间。 概念图表达了教育领域中概念之间的关系。 在教育领域,会存在更多的概念性内容,这些概念之间的关系就是整个知识的脉络。 包含关系,知识点下的几个具体考点,整体与部分的关系。 序列关系可用于学习规划。 不同学科之间还存在一些特殊的关系,比如互斥、因果关系等,这些都需要领域专家和知识工程师在实际构建地图资源时进行梳理和提炼。

教育地图中的知识也具有丰富的属性,比如“考试点”、“难点”、“易错点”、“考试大纲要求”等常见属性。 不同学科都有具体的细粒度属性,比如数学中的“定义”、“性质”、“面积公式”、“周长公式”等等。

3、知识图谱在智慧教育中的应用

(1)基于教育知识图谱的精准画像

基于教育图谱的精准画像可以通过从用户行为信息及其与各种资源对象的联系中提取关键信息来表征用户。 基于知识图谱的用户画像可以增强用户画像数据,更加全面、准确地刻画用户。

1、精准的用户画像

用户画像技术大家应该都很熟悉了。 是为了更好地描述用户,并用于用户理解。 其本质是“标签”。 用户画像的准确与否决定了对用户的理解是否准确。 在实际应用中,用户画像主要需要解决两个问题。 第一个方面是肖像数据不完整,第二个方面是肖像数据不正确。

对于这些问题,可以利用知识图谱来解决。 知识图谱上的节点本身就是教育领域知识的抽象,覆盖了足够多的实体和概念,可以作为用户画像的标签来源,优良的品质使得标签更加准确。 这些标签之间是有联系的,图谱中有丰富的语义关系,可以帮助机器理解这些标签的含义。 友好的结构有助于人们更好地理解和直观地发现标签之间的关系。 通过标签传播、跨域推荐等算法,可以挖掘出更多、更准确的标签来描述用户,丰富用户标签,提高用户准确率。 此外,在制作用户画像时,可以将用户画像单独呈现为产品可视化,并利用图中的关系生成个性化、动态变化的用户知识图谱。

2. 精准的学业状况分析

利用知识图谱可以进行更加精准的学业状况分析。 传统教育专家(教师经验)的学习诊断主要依靠经验来评价学习者的知识和能力状况,缺乏教育测量思想的整合,具有很强的偶然性和主观性。 基于知识图谱、大数据分析等方法,挖掘学习者的客观学习过程,并从多个维度进行分析。 数据可以多维度挖掘,不仅限于考试成绩、错题本、学习记录等行为轨迹。 知识掌握和薄弱知识的显性特征还可以用来探索一些深层次的隐形特征,如学习速度、学习偏好、认知水平等。 使分析结果更加个性化、客观化。

对于未实现的学习目标,可以利用知识图谱分析原因,发现薄弱环节和相关知识点,可以有效发现和补缺。 诊断过程更具适应性和个性化。

(二)提高教学质量和效率

在辅助教学应用中,知识图谱辅助教师完成备课、教研、出题、考试分析等工作。 系统可以通过推荐的方式向教师推荐类似的相关材料(教案、课程讲解计划、作业等),提高教师的教学效率。 基于地图的搜索还可以更准确地返回所需的内容。

1. 智能备课

利用学科知识图谱将学科知识点与教材、讲义、习题等关联起来,根据教师的教学进度和教材版本,持续推送符合教学需求的备课资源,并利用搜索快速准确获取教师改进备课所需的资源。 效率和质量。 除了备课之外,学科知识图谱还可以作为背景知识,辅助完成智能作文、考试分析等相关任务。 大大提高教学和科研效率。

智能化应用_应用智能化工作原理_应用智能化水平较低/

2.智慧教室

通过对学业状况的精准分析,系统推荐相关巩固练习,制定有针对性的教学策略,提高教学针对性,提供精准教学。

课前、课中、课后综合运用数据挖掘和情报能力。 课前利用数据挖掘技术获得的学生学业状况数据制定教学策略,实现决策数字化。 课堂上,运用制定的教学策略进行有针对性的教学,讲解知识点,分组讨论教学。 利用知识图谱将知识的内部联系可视化,帮助学生加深对知识的理解。 课后推荐相关课后练习,根据学生的学习情况、学习能力,个性化、有针对性的练习建议,并巩固错题。 提高课堂教学的质量和针对性。 动态数据分析、动态学情诊断贯穿教学全过程,实现因材施教,教学决策数字化、智能化。

(三)深度阅读

基于知识图谱的深度阅读的主要目标是实现对知识之间关系的智能、全面的理解。 利用实体链接技术识别并连接电子出版物,可以将当前的知识信息以知识卡片的形式展示出来。 它还可以与其他相关知识关联起来,推荐相关知识,帮助用户将知识联系在一起。 这可以极大地促进用户对知识的全面理解。 深度阅读不仅可以应用于教育领域,还可以应用于知识管理和出版领域。

深度阅读所依赖的核心技术是实体链接技术。 目前,我们知识工场开发的实体理解服务可以让机器理解文本中的实体,使实体搜索和语义搜索成为可能,一般领域的准确率和召回率都达到90%以上。

(4)问答机器人

教育机器人已成为教育领域的重要应用。 利用以问答系统为核心的教育机器人,可以实现课程问答、知识检索推荐、教学管理等一系列教学任务,不仅减轻了教师的负担和压力,还解决了教师的教学问题。学生的实际问题。 一个优秀的综合性教学机器人是集成了任务型问答、Chatbot、知识型问答、搜索推荐系统等多个系统模块的综合体,并具备进行多轮问答的能力。 知识图在查询理解和知识引导语言生成中发挥着重要作用,也是KBQA的核心。

应用智能化工作原理_应用智能化水平较低_智能化应用/

4、以知识图谱为核心的智慧教育演进路径

知识图谱越来越承担起帮助行业智能化的使命。 因此,基于知识图谱探索行业的智能化演进路径至关重要。 经过多年的实践,这条路径日益清晰,呈现出知识资源建设和知识应用的迭代发展模式。 实施的基本原则:统筹规划、应用引导、以用促建。 知识资源建设与知识应用的迭代发展路径。

智能化应用_应用智能化水平较低_应用智能化工作原理/

(一)应用指导和利用促进建设

教育行业智能化的实施必须遵循行业通用实施方案,以应用为导向。 教育应用场景较多,需要统筹规划、逐步实施。 根据当前企业的业务发展需求、数据和技术基础,选择合适的应用场景,在具体应用中构建图能力,直接产生业务价值。 不能为了地图而盲目地建地图。 没有具体的业务输出来支撑,只是作为技术能力的储备。 除非AiLab是一家领先公司,不追求短期变现,否则很难获得公司内部足够的支持。 只有产生具体的商业价值,才有足够的动力推动以Graph为核心的智能转型项目长期稳定的发展。

(2)迭代开发

在教育行业(以及垂直行业)知识图谱的智能化实现中,相比于知识应用,知识的获取和知识资源的构建是更大的瓶颈。 知识资源建设任重道远,难以一蹴而就。 我们只能脚踏实地推进知识资源建设,积累知识基础。 没有捷径。 采用由点到面的迭代螺旋式开发模式。

在每个迭代周期中,要把握适度的原则,优先考虑预期效果较好的应用场景,合理控制知识的边界和体量,构建以知识图为核心的知识资源,并开展相应的知识应用。 然后根据内外部用户的反馈,完善相应的应用和知识资源的建设。 当某个具体应用初步取得成效时,它会逐渐从有限的应用扩展到更多的应用场景,构建更多的知识资源。 整个过程不断迭代,直至完成综合智能。

认知智能是高级人工智能的关键,而认知智能的实现依赖于知识图谱。 如今,基于知识图谱的垂直行业智能应用越来越多。 在教育领域的多个应用场景中都有良好的应用效果。 然而,目前认知智能及其在教育领域的应用仍处于发展阶段,还有很多可以改进的地方。 例如,在图构建方面,教育知识图谱对多模态知识图谱有明显的需求。 教育领域知识的复杂性增加了知识点粒度细分的难度。 另外,知识点之间关系的丰富性也需要不断优化。 总体而言,知识图谱在教育智能化中的应用有着巨大的作用和广阔的前景。 相信随着技术的进一步成熟、国家政策的支持、资本的不断投入、商业公司的不断创新、教育的智能化,未来几年我们将取得令人瞩目的实施成果。