摘要：海量的學習資源讓在線學習者身處“知識迷航”的困境，而人工規劃學習路徑存在效率較低、難以滿足學習者個性化需求的弊端。基于此，文章提出了一種基于知識圖譜的學習路徑自動生成方法，其將學習路徑生成分為知識點路徑生成與學習對象路徑生成兩個步驟，能夠根據知識點屬性特征及其關系、學習對象屬性特征、學習者知識掌握情況與認知特點等對課程中涉及的知識點與學習對象進行序列化。之后，文章通過對照實驗檢驗了此方法的有效性，實驗結果表明：采用自動生成路徑與專家路徑開展學習的被試在學習時間與后測成績上不存在顯著差異；自動生成路徑在學習對象的講解重點與詳略設置、局部難易程度設置、整體學習順序等方面基本符合規范。文章的研究成果可幫助領域專家規劃學習路徑，為在線學習者提供指導，促進個性化學習。

　　關鍵詞：學習路徑；知識圖譜；在線學習；自適應學習

　　學習路徑自動生成和個性化推薦是自適應模型設計與開發的重要內容，旨在利用學習者、學習資源、領域知識特征等信息，為學習者定制最佳的學習單元序列（如課程、學習資源、學習活動、知識點等）。而知識圖譜是一種揭示領域知識概念之間關系的、結構化的語義知識庫[1]，能夠刻畫和記錄領域知識與學習資源特征，揭示知識點之間復雜的邏輯關系、學習資源與知識點之間的包含對應關系，為領域知識與學習資源建模、學習路徑自動生成算法設計提供了可供參考的思路。當前，多數研究或關注如何利用本體技術與知識圖譜進行領域知識建模，或側重討論如何基于已有圖譜實現學習路徑生成，而未將知識圖譜構建與自適應算法設計相結合。基于此，本研究在獨立設計與構建知識圖譜的基礎上提出了一種學習路徑自動生成方法，以期為學習者的在線學習提供指導，從而提高其學習效率。

　　一學習路徑自動生成方法分類

　　梳理當前相關學習路徑自動生成的研究成果，本研究根據核心思路與策略的差異將學習路徑自動生成方法主要分為三種：①基于學習者與知識單元特征匹配的方法，即通過計算學習資源與學習者的匹配程度為學習者推薦最適合的學習資源，并按照匹配程度高低對學習資源進行序列化；或通過分析學習資源的屬性，按照既定規則直接對學習資源進行序列化。例如，Yang等[2]將學習者學習風格與學習對象類型的匹配程度、學習者知識水平與學習對象難度的匹配程度作為信息素養更新的依據，利用蟻群算法生成學習路徑；李浩君等[3]采用互信息特征選擇（MutualInformationFeatureSelection，MIFS）模型篩選學習資源與學習者特征，以此作為訓練輸入數據，并將“學習者—資源二部圖”作為目標輸出來訓練神經網絡，用于為學習者推薦個性化的學習資源；Chandar等[4]按照學習對象包含的知識點盡可能與學習者的目標知識點相匹配、學習對象難度盡可能與學習者的學習能力相匹配、學習對象的建議學習時間不超過學習者可支配學習時間的上限、每個知識點被講解的頻率盡可能平衡的原則構造目標函數，利用改進的粒子群算法生成學習路徑。此類方法能為學習者定制個性化的學習路徑，但存在違背知識點之間內在邏輯的風險。

　　②基于日志數據挖掘的方法，即利用學習者的學習日志數據，采用關聯規則挖掘算法，從大量學習單元序列或學習者的試題作答記錄中獲取學習單元的關系并據此構建學習路徑；或采用協同過濾、基于內容過濾等推薦算法，將相似或高分學習者所采用的路徑推薦給目標學習者。例如，Romero等[5]利用關聯規則挖掘算法，從學習者的學習頁面訪問記錄中挖掘出支持度與置信度較高的頁面跳轉規則，為學習者提供導航鏈接服務；申云鳳[6]基于Felder-Silverman學習風格模型，利用學習者的學習行為日志數據對學習者建模，采用協同過濾算法為目標學習者推薦與其學習風格、認知水平相似的學習者所采用的學習路徑；Lee等[7]則基于學習者作答試題的記錄，采用Apriori算法挖掘試題之間的關聯關系，并利用人工構建的試題與知識概念關聯矩陣，由試題之間的關聯性推導知識概念之間的先修后繼關系，據此構建知識概念的學習路徑。此類方法充分利用了學習者的群體智慧，但忽略了自組織學習路徑本身可能存在的錯誤；另外，不同學習者的學習能力與學習風格存在差異，從群體經驗中歸納出的學習路徑不一定具有普適性。

　　二基于知識圖譜的學習路徑自動生成方法設計

　　根據人工開展教學設計、規劃學習路徑的基本思路，本研究設計了基于知識圖譜的學習路徑自動生成方法，如圖1所示。此方法采用以人工為主、自動為輔的方式構建知識圖譜，將其作為領域模型與資源模型，為算法提供領域知識與學習資源特征信息（部分學習者特征也將作為算法輸入）。與此同時，此方法將學習路徑生成分為知識點路徑生成與學習對象路徑生成兩個步驟：①基于學習者的學習目標與知識掌握情況得到待排序的知識點集合，再利用學習者認知特征、知識點屬性特征及其關系生成知識點路徑；②在此基礎上，根據學習對象與知識點之間的包含關系得到待排序的學習對象集合，并利用學習對象屬性特征對學習對象進行序列化。

　　三實驗與結果討論

　　1實驗設計

　　（1）實驗對象與實驗數據選取

　　本研究從北京市B大學2019～2020學年第二學期選修“數據科學專題研究”課程的學生中招募了9名碩士研究生作為被試，他們均具備一定的數據分析知識和代碼基礎。本研究將前文提及的在線學習平臺上“數據分析”課程中的原有學習對象順序作為專家路徑（由該平臺所屬教育機構的課程設計人員規劃），用于與自動生成路徑進行對比實驗。本實驗將9名被試隨機分為實驗組與對照組，保證兩組學生的代碼基礎、學習積極性與前測成績基本相同。本實驗要求兩組被試在規定的時間內按照指定的學習路徑完成所選課程單元的學習：對照組按照專家路徑開展學習，而實驗組按照自動生成路徑開展學習。（2）實驗步驟首先，利用Python實現本研究設計的學習路徑自動生成方法，并設置知識點相關性矩陣參數r1=0.5，r2=r3=1，r4=4，r5=1.5，r6=r7=4，r8=3，r9=5，rmax=50；隨后，將所選課程單元作為教學目標，并根據不同粒度學習資源與知識點之間的包含關系獲得待排序的學習對象集合T、待學習的知識點集合S；最后，設定學習者的知識點掌握情況向量V=(1,0,…,0)、認知特征向量C=(0.25,0.25,0.25,0.25)。在完成算法實現與調參、生成最優學習對象路徑后，要求兩組被試按照指定路徑開展學習，并通過后測檢驗其學習效果、通過訪談獲知其對路徑的主觀評價。2實驗結果（1）對照實驗結果Hong[13]和Chen[14]在兩項不同的研究中，分別將“內容相似度較高的學習對象保持相鄰”與“學習對象的順序不能違背其間的先修后繼關系”作為遺傳算法目標函數的設計依據，并據此優化學習路徑。針對“數據分析”課程中“數據可視化”單元的學習對象，本研究設計了學習路徑評估指標fitness，用于初步檢驗自動生成學習路徑的質量，確保學習路徑不存在明顯錯誤，并基于此調整影響算法結果的主要參數，以優化算法效果。fitness的計算如公式（5）所示，其中，penaltyadj與penaltyorder在數值上等于學習路徑違背學習對象之間應該遵守的相鄰規則與先修后繼規則的數量——學習路徑違背的規則越多、fitness數值越大，說明該路徑的合理性越差。

　　（2）訪談結果

　　訪談結果顯示，實驗外部因素對學習者的學習體驗造成了一定的不良影響，具體表現為：①自動生成路徑中個別學習對象的位置安排不合適；②由于學習對象的內容是按照在線學習平臺上的原始路徑設計的，在按照自動生成路徑對其重新排序后，個別學習對象存在講解邏輯不連貫的問題；③實驗組被試需要手動切換學習對象，對學習情緒的消耗較大。另外，訪談結果還表明，在排出實驗外部因素后，兩組被試對專家路徑和自動生成路徑中學習對象的講解重點與詳略設置的評價情況一致，且實驗組被試表示自動生成路徑的局部難易程度設置符合由淺入深的原則；自動生成路徑除了個別學習對象位置有待優化，整體學習順序基本符合規范。

　　四結語

　　本研究提出了一種基于知識圖譜的學習路徑自動生成方法，利用知識圖譜進行領域知識與學習資源建模，根據知識圖譜提供的知識點之間的關系與屬性特征設計了知識點拓撲排序算法，并通過構造指標對學習對象進行序列化。算法實施與調參結果初步證明了利用此方法生成學習路徑具有可行性；同時，調試過程中發現除了算法的主要參數，知識圖譜結點與關系的增刪對學習路徑生成結果也會產生較為明顯的影響，說明此方法對知識圖譜質量的依賴度較高，構建高質量的知識圖譜、準確揭示知識點之間的關系是此方法得以成功的保證。對照實驗結果表明，此方法能夠在一定程度上替代領域專家制定學習路徑，從而實現自適應學習。

　　需要指出的是，本研究還存在一些不足之處，如算法效果有進一步提升的空間、自動生成路徑中個別學習對象的位置有待調整優化；受實驗課程規模所限，參與實驗的被試人數相對較少、專業類型較為單一，手動切換學習對象等外部因素也對實驗結果造成了一定的影響；以人工為主、自動為輔的知識圖譜構建方式盡管保證了知識圖譜的質量與準確性，但時間、精力消耗仍然較大。基于此，未來需進一步探索如何利用數據更精確地刻畫知識點與學習對象特征、挖掘屬性值的計算方法；應進一步擴增被試人數，收集更豐富的實驗數據，并將學習者個性化特征考慮進來。此外，如何采用純自動方法快速構建高質量的教育領域知識圖譜，也是后續研究需進一步探討的重要議題。

　　參考文獻

　　[1]劉嶠,李楊,段宏,等.知識圖譜構建技術綜述[J].計算機研究與發展,2016,(3):582-600.

　　[2]YangYJ,WuCI.Anattribute-basedantcolonysystemforadaptivelearningobjectrecommendation[J].ExpertSystemswithApplications,2009,(2):3034-3047.

　　[3]李浩君,張征,郭海東,等.深度學習視角下的個性化學習資源推薦方法[J].現代遠程教育究,2019,(4):94-103.

　　[4]ChandarAPS,DheebanSG,DeepakV,etal.Personalizede-coursecompositionapproachusingdigitalpheromonesinimprovedparticleswarmoptimization[A].SixthInternationalConferenceonNaturalComputation[C].Piscataway:IEEE,2010:2677-2681.

　　高嘉騏劉千慧黃文彬