趙德芳 朱夢(mèng)夢(mèng) 楊娟

摘要：知識(shí)管理最重要的一個(gè)方面就是如何將學(xué)習(xí)者已經(jīng)學(xué)過(guò)的知識(shí)具體化和可視化。盡管思維導(dǎo)圖、本體以及知識(shí)圖表是目前最流行的用來(lái)詮釋和組織知識(shí)的方法與工具，但是這些方法與工具在模擬學(xué)習(xí)者的知識(shí)碎片組建上還存在缺陷，尤其是缺少必要的復(fù)雜語(yǔ)義推理支持機(jī)制和通過(guò)個(gè)人知識(shí)圖產(chǎn)生的相關(guān)認(rèn)知模擬。為模擬真實(shí)的個(gè)人知識(shí)碎片組建過(guò)程，我們?cè)O(shè)計(jì)并實(shí)現(xiàn)了一個(gè)可采集并集成個(gè)人顯性知識(shí)碎片的自規(guī)律在線學(xué)習(xí)系統(tǒng)，以及融入了知識(shí)整合認(rèn)知機(jī)制的個(gè)體隱性知識(shí)完成度評(píng)估模型。自規(guī)律在線學(xué)習(xí)系統(tǒng)，可構(gòu)成個(gè)人知識(shí)語(yǔ)義鏈接圖（SLN），將個(gè)人生成的顯性知識(shí)碎片動(dòng)態(tài)呈現(xiàn)給學(xué)習(xí)者；個(gè)體隱性知識(shí)完成度評(píng)估模型，可以可視化地呈現(xiàn)個(gè)人隱性知識(shí)碎片的動(dòng)態(tài)演化軌跡，同時(shí)以較高保真度還原學(xué)習(xí)者知識(shí)認(rèn)知程度的周期性變化曲線。實(shí)驗(yàn)也初步驗(yàn)證了學(xué)習(xí)者個(gè)人知識(shí)圖的動(dòng)態(tài)演化能力以及個(gè)體隱性知識(shí)完成度評(píng)估模型的保真度。

關(guān)鍵詞：知識(shí)管理；知識(shí)碎片；個(gè)人知識(shí)圖；顯性知識(shí)；隱性知識(shí)；認(rèn)知評(píng)估

中圖分類(lèi)號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-5195（2017）02-0095-09 doi10.3969/j.issn.1009-5195.2017.02.012

一、研究背景及相關(guān)文獻(xiàn)

在過(guò)去的30年中，知識(shí)管理變得越來(lái)越重要，它可以幫助學(xué)習(xí)者更好地理解、管理、轉(zhuǎn)化知識(shí)，使知識(shí)利用達(dá)到最大化（Tseng et al.，2012）。知識(shí)管理最重要的一個(gè)方面是能夠盡可能地模擬學(xué)習(xí)者意識(shí)中知識(shí)碎片的建構(gòu)過(guò)程，將學(xué)習(xí)者已知的知識(shí)形象地表示出來(lái)（Novak & Gowin，1984）。很多思維工具，如概念地圖、思維導(dǎo)圖、概念圖表（Eppler，2006）都是常用的形象地詮釋和組織學(xué)習(xí)者個(gè)人知識(shí)的技術(shù)手段（Jonassen & Carr，2000）。這些技術(shù)手段可以讓學(xué)習(xí)者通過(guò)節(jié)點(diǎn)、標(biāo)簽和鏈接將許多概念之間的關(guān)系形象地表示出來(lái)（Tseng et al.，2012）。但是有調(diào)查發(fā)現(xiàn)（Weinerth et al.，2014），這些基于用戶請(qǐng)求的驅(qū)動(dòng)技術(shù)工具會(huì)因?yàn)椴煌脩粼谑褂眯陨系牟町惗鴮?dǎo)致在可學(xué)習(xí)性上不穩(wěn)定。

思維工具的另一個(gè)缺陷是無(wú)法處理復(fù)雜的推理，在模擬個(gè)人知識(shí)地圖上存在局限性。例如，賴曉濤等（2005）認(rèn)為知識(shí)管理的過(guò)程包括三部分，即知識(shí)的提取和存儲(chǔ)、知識(shí)的共享和傳播、知識(shí)的整合或創(chuàng)新，提出概念地圖在知識(shí)管理中可以促進(jìn)知識(shí)的提取和存儲(chǔ)、增進(jìn)知識(shí)的共享和傳播、引發(fā)知識(shí)的整合和創(chuàng)新。這在宏觀層面上概述了概念地圖的作用，但是并沒(méi)有體現(xiàn)出對(duì)于個(gè)體學(xué)習(xí)者的差異性。馬費(fèi)成等（2006）以有意義學(xué)習(xí)理論、圖示理論和語(yǔ)義記憶理論作為理論依據(jù)，提出概念地圖能夠利用等級(jí)結(jié)構(gòu)表達(dá)面向特定主題的結(jié)構(gòu)化知識(shí)，并且可以作為知識(shí)表示、知識(shí)組織和知識(shí)存儲(chǔ)的工具；然而面對(duì)非結(jié)構(gòu)化的知識(shí)，概念地圖缺少?gòu)?fù)雜的語(yǔ)義推理關(guān)系，無(wú)法完整地組織和表達(dá)知識(shí)。郝金星（2011）對(duì)概念地圖從三個(gè)層次上進(jìn)行深入分析，提出多個(gè)概念地圖的核心指標(biāo)和相應(yīng)算法。這些算法和指標(biāo)，可反映知識(shí)的復(fù)雜程度、集成程度和聚中度，指標(biāo)的分析結(jié)果可以證明概念地圖在組織決策中的重要性，但卻無(wú)法反映知識(shí)之間隱性的內(nèi)在關(guān)聯(lián)。Garrido等人（2013）提出概念地圖是為所有學(xué)習(xí)者提供基本課程組織，但他們只采用了4種語(yǔ)義關(guān)系來(lái)進(jìn)行基本的推理。而這幾種有限的語(yǔ)義關(guān)系無(wú)法根據(jù)學(xué)習(xí)者知識(shí)整合能力的不同體現(xiàn)出學(xué)習(xí)者的差異性。

另外一種知識(shí)組織和表現(xiàn)的常用方法是本體技術(shù)（Santacruz-Valencia et al.，2010；Gaeta et al.，2011；Cali et al.，2012；Spivak & Kent，2012；Dumontier et al.，2014）和知識(shí)地圖（Hakkani-Tür et al.，2013；Zhu，2013；Dong et al.，2014；Hakkani-Tür et al.，2014）。然而這兩種方法主要是針對(duì)公共知識(shí)基礎(chǔ)的構(gòu)建和推理，幾乎不能夠被用來(lái)產(chǎn)生個(gè)人知識(shí)地圖的演變軌跡。例如，蒙應(yīng)杰等人（2005）介紹了Ontology概念模型的建立、模型間轉(zhuǎn)化的方法，這些方法可應(yīng)用于異構(gòu)信息系統(tǒng)構(gòu)建時(shí)信息的表示、組織和信息資源之間交互的初期建模過(guò)程，但是其建立的模型尚不夠細(xì)化，無(wú)法精細(xì)化描述本體間的語(yǔ)義關(guān)系。蔣國(guó)瑞等人（2009）基于本體技術(shù)設(shè)計(jì)了一個(gè)本體自學(xué)習(xí)模型，詳述了知識(shí)資源的導(dǎo)入和重用、本體的提取、關(guān)聯(lián)規(guī)則的確定以及各種組件的運(yùn)用，但是該模型無(wú)法集成學(xué)習(xí)者自生成的知識(shí)碎片，學(xué)習(xí)者的隱性知識(shí)無(wú)法在該模型中表現(xiàn)出來(lái)。Gaeta等人（2011）依據(jù)基礎(chǔ)本體關(guān)系擴(kuò)充的另外3種語(yǔ)義關(guān)系，即包含、目的、含有資源這三種關(guān)系。這些關(guān)系可以提供更加靈活的推理選擇，但是仍然無(wú)法滿足個(gè)人知識(shí)地圖所要求的復(fù)雜推理，因?yàn)閭€(gè)人知識(shí)地圖需要融入學(xué)習(xí)者的認(rèn)知特征。

總之，本體技術(shù)和知識(shí)地圖在一定程度上可以處理資源庫(kù)的構(gòu)建、融合、推理、提取，可以反映整個(gè)知識(shí)庫(kù)的變化和演變軌跡，但是卻不能反映學(xué)習(xí)者個(gè)人意識(shí)中知識(shí)碎片以及這些碎片的產(chǎn)生及消亡軌跡。而要實(shí)現(xiàn)個(gè)人意識(shí)的知識(shí)圖構(gòu)建，除了對(duì)資源構(gòu)建提出了更加復(fù)雜的語(yǔ)義推理要求外，還需要認(rèn)知模擬機(jī)制的支持。

筆者在首先設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)可采集并集成個(gè)人知識(shí)碎片的自規(guī)律在線學(xué)習(xí)系統(tǒng)。因?yàn)閺膹V義上講，自規(guī)律學(xué)習(xí)（Self-Regulated Learning）是指在與學(xué)習(xí)相關(guān)的元認(rèn)知、策略執(zhí)行以及動(dòng)機(jī)指導(dǎo)下的學(xué)習(xí)過(guò)程，而“自規(guī)律”則主要描述學(xué)習(xí)者的學(xué)習(xí)行為控制以及對(duì)其評(píng)估的過(guò)程（Ormrod，2014）。所以自規(guī)律在線學(xué)習(xí)系統(tǒng)可以作為控制并評(píng)估學(xué)習(xí)者在線學(xué)習(xí)行為的載體，以及個(gè)人知識(shí)語(yǔ)義鏈接網(wǎng)絡(luò)（Semantic Linked Network，SLN）（Zhuge，2010； 2011）圖的支撐平臺(tái)，內(nèi)嵌個(gè)人知識(shí)SLN圖所需要的資源語(yǔ)義圖，同時(shí)采集個(gè)人生成的顯性知識(shí)碎片并將其集成到學(xué)習(xí)者個(gè)人SLN圖。

在此基礎(chǔ)上，本文設(shè)計(jì)了一個(gè)可模擬個(gè)人知識(shí)構(gòu)建過(guò)程的計(jì)算模型。該模型在模擬個(gè)人知識(shí)構(gòu)建的過(guò)程時(shí)，不僅使用豐富的語(yǔ)義關(guān)系進(jìn)行必要的語(yǔ)義推理，同時(shí)還以知識(shí)整合建構(gòu)中一般智力理論作為模擬機(jī)制的基礎(chǔ)。最后，筆者通過(guò)學(xué)習(xí)者對(duì)知識(shí)節(jié)點(diǎn)真實(shí)的認(rèn)知度和個(gè)人知識(shí)碎片圖推理出的知識(shí)完成度圖的對(duì)比，評(píng)估了被試學(xué)生的模擬知識(shí)碎片圖的還原能力。

二、相關(guān)計(jì)算描述

1.知識(shí)整合的一般認(rèn)知能力

建構(gòu)主義的觀點(diǎn)認(rèn)為，學(xué)習(xí)發(fā)生在知識(shí)建構(gòu)的過(guò)程中，評(píng)估的核心是學(xué)習(xí)者已經(jīng)學(xué)習(xí)的知識(shí)和其前驅(qū)知識(shí)之間的關(guān)系（Alesandrini & Larson，2002）。Hannon 和 Daneman建立了包括4個(gè)部分的模型來(lái)理解知識(shí)整合的一般認(rèn)知能力（Hannon & Daneman，2001）：（1）從長(zhǎng)時(shí)記憶中喚起新信息的能力；（2）基于文本提供的信息作出推理的能力；（3）訪問(wèn)前驅(qū)知識(shí)的能力；（4）整合前驅(qū)知識(shí)和新信息的能力。

為了評(píng)估這些能力，需要將這些抽象的文字描述轉(zhuǎn)換為量化指標(biāo)。對(duì)應(yīng)于在線自規(guī)律學(xué)習(xí)過(guò)程，考察學(xué)習(xí)者知識(shí)整合能力指標(biāo)被轉(zhuǎn)換為如表1的描述。

2.基于SLN的個(gè)人知識(shí)圖

一個(gè)SLN可以被定義為（Zhuge，2010；Zhuge，2011），N代表的是一組語(yǔ)義節(jié)點(diǎn)，N={n1（C1），n2（C2），.... nm（Cm）}，n是一個(gè)節(jié)點(diǎn)的名稱，C是這個(gè)節(jié)點(diǎn)歸屬的類(lèi)名。L是一組語(yǔ)義鏈接，Rules 包含推理規(guī)則和作用規(guī)則，推理規(guī)則是運(yùn)用在節(jié)點(diǎn)間語(yǔ)義關(guān)系邊上的規(guī)則，而作用規(guī)則則是用于反映節(jié)點(diǎn)間、關(guān)系間以及權(quán)重間不同作用的規(guī)則。在本文中，SLN的定義以及推理規(guī)則沿用前期工作（Yang et al.，2015）的相關(guān)定義和描述，具體如下：

（1）N中節(jié)點(diǎn)所包含的類(lèi)名，除包括已有類(lèi)theory（基礎(chǔ)理論）、example（實(shí)例）、video（必要視頻）、exercise（練習(xí)題面）外，新增self-reflections（顯性知識(shí)碎片）和self-images（隱性知識(shí)碎片）兩個(gè)節(jié)點(diǎn)類(lèi)。

（2）L中包含的語(yǔ)義關(guān)系，除已有關(guān)系about a same topic，analogy of，similar with，apply with，prior of，successor of，expanding of，part of，interactive with，visual of，新增語(yǔ)義關(guān)系note of和reflect of，分別作用于self-reflections和self-images兩類(lèi)節(jié)點(diǎn)。

（3）推理規(guī)則集和作用規(guī)則集，在已有用于計(jì)算語(yǔ)義關(guān)系傳遞閉包的規(guī)則集的基礎(chǔ)上新增包含作用規(guī)則的補(bǔ)充規(guī)則集。保留衍生規(guī)則集和可集成學(xué)習(xí)者新生成知識(shí)節(jié)點(diǎn)的生成規(guī)則集，同時(shí)新增剪枝規(guī)則集。具體規(guī)則集的相關(guān)公理及引理參看我們的前期工作（Yang et al.，2015）。

三、采集并構(gòu)建學(xué)習(xí)者的顯性自我知識(shí)碎片

1.系統(tǒng)整體結(jié)構(gòu)設(shè)計(jì)

為了采集并構(gòu)建更為準(zhǔn)確的學(xué)習(xí)者對(duì)知識(shí)的自我意識(shí)，本文設(shè)計(jì)實(shí)現(xiàn)了一個(gè)自規(guī)律學(xué)習(xí)在線學(xué)習(xí)原型平臺(tái)（“C語(yǔ)言程序設(shè)計(jì)”）。該系統(tǒng)底層為內(nèi)嵌學(xué)習(xí)資源的基礎(chǔ)學(xué)習(xí)模塊，具有與普通在線學(xué)習(xí)平臺(tái)類(lèi)似的功能，在此基礎(chǔ)之上分別設(shè)置“認(rèn)知評(píng)估模型”和“個(gè)人知識(shí)碎片采集”模塊，這兩個(gè)模塊互相作用，最后在“可視化個(gè)人知識(shí)空間”模塊中形成針對(duì)個(gè)人的可視化知識(shí)表達(dá)。整體系統(tǒng)模塊結(jié)構(gòu)圖如圖1所示。

因?yàn)樵诰€學(xué)習(xí)要求學(xué)習(xí)者有更高的主動(dòng)性和投入度，所以該平臺(tái)為學(xué)習(xí)者提供了以主題為單位的內(nèi)嵌學(xué)習(xí)資源。“個(gè)人知識(shí)碎片采集”模塊的主要作用是讓學(xué)習(xí)者在瀏覽內(nèi)嵌學(xué)習(xí)資源同時(shí)可進(jìn)行相應(yīng)的學(xué)習(xí)筆記記錄，這樣不僅增加了學(xué)習(xí)的主動(dòng)性，而且有利于學(xué)習(xí)者將平臺(tái)提供的學(xué)習(xí)資源內(nèi)化為個(gè)人知識(shí)。該模塊繼而將學(xué)習(xí)者采集的零散知識(shí)碎片通過(guò)知識(shí)間不同的語(yǔ)義關(guān)聯(lián)進(jìn)行加工整理并存儲(chǔ)于XML文件中，從而形成知識(shí)碎片空間。系統(tǒng)另外一個(gè)重要部件——學(xué)習(xí)者認(rèn)知評(píng)估模型，是通過(guò)監(jiān)控學(xué)習(xí)者不同的前驅(qū)知識(shí)訪問(wèn)模式來(lái)評(píng)估其對(duì)前驅(qū)知識(shí)掌握程度，如圖1所示。認(rèn)知評(píng)估模型通過(guò)對(duì)不同訪問(wèn)模式設(shè)置不同權(quán)重來(lái)區(qū)分學(xué)習(xí)者對(duì)知識(shí)的不同程度依賴。學(xué)習(xí)者的知識(shí)碎片空間結(jié)合學(xué)習(xí)者對(duì)知識(shí)的認(rèn)知程度最終形成個(gè)人知識(shí)空間，將其可視化表達(dá)、以直觀的形式呈現(xiàn)給學(xué)習(xí)者本人，使學(xué)習(xí)者清楚自己對(duì)知識(shí)的掌握情況，及時(shí)調(diào)整自己的學(xué)習(xí)策略。

2.學(xué)習(xí)平臺(tái)特點(diǎn)

（1）以主題為中心呈現(xiàn)資源和知識(shí)節(jié)點(diǎn)

內(nèi)嵌學(xué)習(xí)資源及新生成知識(shí)節(jié)點(diǎn)均以主題為中心，且每個(gè)主題的學(xué)習(xí)資源以知識(shí)分類(lèi)理論進(jìn)行劃分，即包括基礎(chǔ)理論、實(shí)例、必要視頻、練習(xí)（題面）等各種學(xué)習(xí)過(guò)程中必需的資源類(lèi)型。

這種以某學(xué)習(xí)主題基礎(chǔ)理論為中心的星型資源構(gòu)建模式主要是為了在學(xué)習(xí)者個(gè)人知識(shí)SLN圖中構(gòu)建足夠豐富的語(yǔ)義關(guān)系，例如“analogy of”是實(shí)例類(lèi)資源節(jié)點(diǎn)指向基礎(chǔ)理論資源節(jié)點(diǎn)的語(yǔ)義邊，而“apply with”則是練習(xí)/實(shí)驗(yàn)/測(cè)驗(yàn)等資源節(jié)點(diǎn)指向基礎(chǔ)理論資源節(jié)點(diǎn)的語(yǔ)義邊。而“prior of”和“successor of”則是構(gòu)建在具有前驅(qū)/后繼順序約束的基礎(chǔ)理論資源節(jié)點(diǎn)之間。豐富的語(yǔ)義關(guān)系可以從不同角度構(gòu)建學(xué)習(xí)資源間多維關(guān)系。例如可以在順序維度上計(jì)算不同學(xué)習(xí)資源間語(yǔ)義關(guān)系的傳遞閉包，也可以在不具有順序關(guān)系的資源間計(jì)算相似關(guān)系等。具體的個(gè)人知識(shí)SLN圖的語(yǔ)義推理及運(yùn)用可參見(jiàn)我們的前期工作（Yang et al.，2015）

（2）提供多標(biāo)簽筆記功能

這種多標(biāo)簽筆記實(shí)際上是為學(xué)習(xí)者提供自我意識(shí)標(biāo)注及存儲(chǔ)的功能，即學(xué)習(xí)者在學(xué)習(xí)過(guò)程中可以將自我認(rèn)知的新知識(shí)添加在系統(tǒng)中，并存儲(chǔ)起來(lái)，形成介于內(nèi)嵌資源和頭腦知識(shí)碎片之間的新知識(shí)表達(dá)。除此之外，用戶的自我知識(shí)表達(dá)還體現(xiàn)在其對(duì)測(cè)驗(yàn)/實(shí)驗(yàn)/考試等資源類(lèi)型的理解和解答，因此測(cè)驗(yàn)/實(shí)驗(yàn)/考試的成果也會(huì)構(gòu)成學(xué)習(xí)者自我知識(shí)表達(dá)的一部分。系統(tǒng)為學(xué)習(xí)者提供5類(lèi)基本筆記標(biāo)簽（理解、總結(jié)、重點(diǎn)、推導(dǎo)、疑問(wèn)），學(xué)習(xí)者可動(dòng)態(tài)添加所需筆記標(biāo)簽。而學(xué)習(xí)者的筆記可以在頁(yè)面上任意位置標(biāo)注。實(shí)際上，學(xué)習(xí)者新生成的自我知識(shí)表達(dá)除了在頁(yè)面上可具體查看外，還被集成到學(xué)習(xí)者個(gè)人的知識(shí)SLN圖中，并動(dòng)態(tài)地呈現(xiàn)在用戶界面上。

（3）可視化呈現(xiàn)學(xué)習(xí)者的自生成知識(shí)節(jié)點(diǎn)

學(xué)習(xí)者的自我新知識(shí)表達(dá)，即后文提到的顯性知識(shí)碎片會(huì)動(dòng)態(tài)地呈現(xiàn)在用戶的資源瀏覽界面中。即當(dāng)學(xué)習(xí)者新生成筆記或測(cè)驗(yàn)答案這類(lèi)自我意識(shí)反映，它們會(huì)以新知識(shí)節(jié)點(diǎn)的形式并入到該學(xué)習(xí)者的知識(shí)SLN圖中，具體的并入方式參看前期工作（Yang et al.，2015）。也就是說(shuō)，學(xué)習(xí)者的顯性知識(shí)碎片和系統(tǒng)內(nèi)嵌的學(xué)習(xí)資源可同時(shí)作為有用的學(xué)習(xí)資源提供給學(xué)習(xí)者。這樣做的目的主要是為了區(qū)分學(xué)習(xí)者不同的前驅(qū)知識(shí)訪問(wèn)模式，例如在后文中會(huì)提到依據(jù)學(xué)習(xí)者知識(shí)整合的認(rèn)知一般智力理論，學(xué)習(xí)者訪問(wèn)前驅(qū)知識(shí)的模式會(huì)被分為三種典型模式：訪問(wèn)內(nèi)嵌學(xué)習(xí)資源；訪問(wèn)顯性自我知識(shí)碎片；不依賴任何外部資源，僅訪問(wèn)頭腦意識(shí)中存儲(chǔ)的自我知識(shí)碎片。

總的說(shuō)來(lái)，學(xué)習(xí)者的顯性自我知識(shí)碎片主要由兩部分構(gòu)成：學(xué)習(xí)者筆記；學(xué)習(xí)者的練習(xí)、測(cè)驗(yàn)以及隨手實(shí)驗(yàn)的成果。但僅僅通過(guò)依靠學(xué)習(xí)者筆記及其當(dāng)時(shí)的練習(xí)、測(cè)驗(yàn)以及隨手實(shí)驗(yàn)的成果來(lái)模擬學(xué)習(xí)者的個(gè)體知識(shí)圖是不準(zhǔn)確的，因?yàn)檫@種靜態(tài)的組建并不能反映學(xué)習(xí)者對(duì)前驅(qū)知識(shí)的應(yīng)用以及整合程度。如前所述，知識(shí)在頭腦中的完成度應(yīng)隨學(xué)習(xí)者在后繼學(xué)習(xí)過(guò)程中對(duì)其定位、訪問(wèn)以及應(yīng)用的實(shí)際狀態(tài)而發(fā)生動(dòng)態(tài)變化。因此這里將顯性知識(shí)碎片作為學(xué)習(xí)者自生成知識(shí)節(jié)點(diǎn)納入其知識(shí)結(jié)構(gòu)圖中，并用于后續(xù)計(jì)算學(xué)習(xí)者隱性知識(shí)碎片的完整程度。

四、學(xué)習(xí)者個(gè)人知識(shí)碎片及其整合的評(píng)估模型

本文的目的之一是為學(xué)習(xí)者知識(shí)碎片建立一個(gè)可動(dòng)態(tài)更新的評(píng)估模型，方法是通過(guò)計(jì)算他們?cè)趯W(xué)習(xí)新知識(shí)時(shí)使用或與前驅(qū)知識(shí)交互的情況來(lái)考察其對(duì)已學(xué)知識(shí)的掌握和整合程度。這種方式相較于傳統(tǒng)的方法更加符合建構(gòu)主義學(xué)習(xí)理論，因?yàn)閭鹘y(tǒng)的方法僅僅是考慮了當(dāng)時(shí)的學(xué)習(xí)效果，并未動(dòng)態(tài)考慮學(xué)習(xí)者知識(shí)存儲(chǔ)及應(yīng)用的周期性變化。學(xué)習(xí)者個(gè)人知識(shí)碎片及其整合的評(píng)估模型由一個(gè)四層體系結(jié)構(gòu)構(gòu)成，如圖2所示。

體系結(jié)構(gòu)的最底層是自規(guī)律在線學(xué)習(xí)的基礎(chǔ)平臺(tái)，即“C語(yǔ)言程序設(shè)計(jì)平臺(tái)”。平臺(tái)為學(xué)習(xí)者進(jìn)行自規(guī)律學(xué)習(xí)提供了必需的內(nèi)嵌學(xué)習(xí)資源，并采集學(xué)習(xí)者顯性知識(shí)碎片。在此基礎(chǔ)上，平臺(tái)提供一個(gè)公用的學(xué)習(xí)資源多維SLN圖。體系結(jié)構(gòu)第二層是個(gè)人知識(shí)SLN層。在這一層中，SLN節(jié)點(diǎn)由兩部分組成，分別是學(xué)習(xí)者個(gè)人顯性知識(shí)碎片和平臺(tái)固有內(nèi)嵌資源，個(gè)人知識(shí)的多維語(yǔ)義關(guān)系首先繼承自底層平臺(tái)的公用SLN圖，并根據(jù)衍生規(guī)則集集成個(gè)人的顯性知識(shí)碎片。個(gè)人SLN中的基本語(yǔ)義關(guān)系包括“about a same topic（同屬一個(gè)主題）”、“part of（一部分）”、“prior of（前驅(qū)）”、“apply with（應(yīng)用）”等。更多關(guān)于語(yǔ)義關(guān)系以及它們用法的詳細(xì)內(nèi)容可以參看前期工作（Yang et al.，2015）。體系結(jié)構(gòu)的第三層是扁平化SLN層。在這一層中，多維復(fù)雜語(yǔ)義關(guān)系通過(guò)語(yǔ)義推理規(guī)則被壓縮成為一維語(yǔ)義關(guān)系，即只保留其帶有時(shí)序特征的“前驅(qū)”語(yǔ)義關(guān)系。體系結(jié)構(gòu)的最高層是學(xué)習(xí)者個(gè)人的隱性知識(shí)圖層，在這一層中，通過(guò)審查學(xué)習(xí)者對(duì)已學(xué)知識(shí)的訪問(wèn)及運(yùn)用情況可對(duì)相關(guān)隱性知識(shí)的完成度做出評(píng)估，同時(shí)也可體現(xiàn)出學(xué)習(xí)者已學(xué)知識(shí)可能的缺失情況，從而動(dòng)態(tài)地將學(xué)習(xí)情況及時(shí)地可視化反饋給學(xué)習(xí)者本身。

1.扁平化知識(shí)結(jié)構(gòu)圖

在完整的知識(shí)SLN圖中，知識(shí)節(jié)點(diǎn)包括兩部分：內(nèi)嵌學(xué)習(xí)資源節(jié)點(diǎn)和學(xué)習(xí)者自生成知識(shí)節(jié)點(diǎn)。這些知識(shí)節(jié)點(diǎn)均可通過(guò)復(fù)雜的語(yǔ)義關(guān)系在不同維度上聯(lián)系起來(lái)（Yang et al.，2015），這些關(guān)聯(lián)足夠復(fù)雜，可以從不同視角上代表不同的結(jié)構(gòu)。然而，這些復(fù)雜的語(yǔ)義關(guān)系在本節(jié)中會(huì)被壓縮為一種單一的關(guān)系，即“前驅(qū)”關(guān)系。因?yàn)樵趥€(gè)人知識(shí)碎片及其整合的評(píng)估模型中僅需要考慮關(guān)系的時(shí)序性特征。本節(jié)采用語(yǔ)義權(quán)重策略來(lái)抽取節(jié)點(diǎn)間復(fù)雜語(yǔ)義關(guān)系中的時(shí)序性特征。因此，個(gè)人知識(shí)SLN圖中任何兩個(gè)知識(shí)節(jié)點(diǎn)無(wú)論有無(wú)直接關(guān)聯(lián)的語(yǔ)義邊均可被描述為一個(gè)三元組<初始節(jié)點(diǎn)，指向節(jié)點(diǎn)，δ>，系數(shù)δ代表不同的語(yǔ)義關(guān)系權(quán)重和距離的不同轉(zhuǎn)化結(jié)果。例如，知識(shí)點(diǎn)t2是知識(shí)點(diǎn)t1的一部分，即在SLN圖中，t2有一條指向t1的邊，且該邊名為”part of”，則t1和t2的關(guān)系就可以轉(zhuǎn)化成這樣一個(gè)前驅(qū)后繼的三角關(guān)系。對(duì)于那些沒(méi)有直接關(guān)聯(lián)邊的節(jié)點(diǎn)，關(guān)系的轉(zhuǎn)化是基于前期工作（Yang et al.，2015）中所描述的相關(guān)語(yǔ)義關(guān)系推理公理及引理。

語(yǔ)義關(guān)系扁平化的過(guò)程可以分為以下三步：語(yǔ)義關(guān)系剪枝，計(jì)算語(yǔ)義關(guān)系的傳遞閉包，生成節(jié)點(diǎn)間的時(shí)序邊。因此在已有規(guī)則集上新增剪枝規(guī)則集以及傳遞閉包補(bǔ)充規(guī)則集。用于刪除不必要的節(jié)點(diǎn)類(lèi)型，其基本形式如下：

如果中的規(guī)則具有如下形式：a→n→b，且b∈theory，n∈{analogy of，similar with，about a same topic，visual of，expanding of，apply with，note of}，那么刪除節(jié)點(diǎn)a以及L（a）。

規(guī)則中L（a）指的是所有指向或由節(jié)點(diǎn)a發(fā)出的關(guān)系。

是相對(duì)于原有的傳遞閉包規(guī)則集的補(bǔ)充規(guī)則集，通過(guò)引入權(quán)重來(lái)計(jì)算規(guī)則的傳遞閉包，其基本形式如下：

如果中的規(guī)則具有如下形式：a→1*n→b；b→1*n'→c，且n'' =' prior of '，n和n'是規(guī)則集中可計(jì)算傳遞閉包的關(guān)系，那么在節(jié)點(diǎn)a和c之間以a→wn*wn'*n''→c的形式建立關(guān)系邊n''，并賦予權(quán)重wn*wn'。

扁平化知識(shí)圖的最后一步是生成節(jié)點(diǎn)間的時(shí)序邊，在這個(gè)步驟中，知識(shí)圖保持其連通性，不會(huì)存在孤立節(jié)點(diǎn)，但只有兩種關(guān)系可以保持到最后，即“prior of”和“part of”（這一結(jié)論可通過(guò)規(guī)則集的相關(guān)公理和引理證明）。因此，新生成節(jié)點(diǎn)間時(shí)序邊的實(shí)質(zhì)是在節(jié)點(diǎn)間重新建立“prior of”關(guān)系邊，而建立的策略則是在剪枝并完全計(jì)算語(yǔ)義關(guān)系傳遞閉包后為最終保留的關(guān)系“prior of”和“part of”設(shè)置不同的權(quán)重參數(shù)w1和w2。使用最短路徑的算法（dijkstra算法）計(jì)算最終被賦予到新生成“prior of”關(guān)系邊上的權(quán)重系數(shù)δ。此時(shí)，原本立體多維的SLN知識(shí)圖被壓縮成一個(gè)只具有時(shí)序關(guān)系的單維有向無(wú)環(huán)圖。采用矩陣Mr，來(lái)存儲(chǔ)這個(gè)有向無(wú)環(huán)圖中每對(duì)節(jié)點(diǎn)間的邊指向關(guān)系及其權(quán)重。矩陣中每個(gè)元素aij的值存儲(chǔ)的是節(jié)點(diǎn)對(duì)間的三元組

2.前驅(qū)知識(shí)訪問(wèn)矩陣

當(dāng)學(xué)習(xí)者學(xué)習(xí)知識(shí)點(diǎn)的相關(guān)知識(shí)（包括該知識(shí)點(diǎn)包含的各種類(lèi)型的知識(shí)，即自生成知識(shí)節(jié)點(diǎn)）時(shí)，訪問(wèn)前驅(qū)知識(shí)i的頻率fij會(huì)被記錄下來(lái)。W1和W2（W1其中l(wèi)g（j-i）為增壓系數(shù)，用于模擬學(xué)習(xí)者在不同學(xué)習(xí)階段時(shí)對(duì)前驅(qū)知識(shí)依賴程度的不同。例如，當(dāng)學(xué)習(xí)者在學(xué)習(xí)知識(shí)點(diǎn)t3時(shí)對(duì)其前驅(qū)知識(shí)t1有值為f13+W1的依賴，那么當(dāng)其在后續(xù)知識(shí)點(diǎn)t5的學(xué)習(xí)時(shí)，即使對(duì)知識(shí)點(diǎn)t1的依賴值f15+W1=f13+W1，其依賴程度也會(huì)大于學(xué)習(xí)知識(shí)點(diǎn)t3時(shí)對(duì)t1的依賴。即在越遠(yuǎn)離前驅(qū)知識(shí)節(jié)點(diǎn)i的時(shí)刻回顧i，那么可認(rèn)為該知識(shí)點(diǎn)在學(xué)習(xí)者頭腦中的認(rèn)知度在隨時(shí)間不斷降低。

3.隱性知識(shí)碎片的認(rèn)知度評(píng)估模型

根據(jù)建構(gòu)主義學(xué)習(xí)理論，學(xué)習(xí)是一個(gè)長(zhǎng)期積累的過(guò)程。通過(guò)回顧、理解和應(yīng)用已經(jīng)學(xué)過(guò)的知識(shí)，知識(shí)可以被更好地內(nèi)化。因此，僅僅根據(jù)學(xué)習(xí)者單獨(dú)的測(cè)試或考試成績(jī)而不考慮其在學(xué)習(xí)過(guò)程中對(duì)前驅(qū)知識(shí)的回顧、訪問(wèn)及應(yīng)用等相關(guān)認(rèn)知操作，是無(wú)法準(zhǔn)確評(píng)估出學(xué)習(xí)者隱性知識(shí)碎片的完整程度的。從建構(gòu)主義的觀點(diǎn)來(lái)看，學(xué)習(xí)者的知識(shí)認(rèn)知完成度應(yīng)該是伴隨學(xué)習(xí)者學(xué)習(xí)過(guò)程的推進(jìn)而不斷演化和更新的。學(xué)習(xí)者的個(gè)人知識(shí)圖也應(yīng)具有上述特征。

本文提出的學(xué)習(xí)者隱性知識(shí)碎片的認(rèn)知度評(píng)估模型，是通過(guò)使用貝葉斯概率公式計(jì)算前驅(qū)知識(shí)訪問(wèn)矩陣Ma及扁平語(yǔ)義關(guān)系矩陣Mr來(lái)實(shí)現(xiàn)已學(xué)習(xí)知識(shí)點(diǎn)認(rèn)知完成度的動(dòng)態(tài)更新。該模型的核心是知識(shí)認(rèn)知完成度動(dòng)態(tài)更新算法“Knowledge Completeness Updating Algorithm”（見(jiàn)圖3）。算法中，b代表學(xué)習(xí)者當(dāng)前完成的知識(shí)節(jié)點(diǎn)，即需要?jiǎng)討B(tài)更新其前驅(qū)知識(shí)節(jié)點(diǎn)認(rèn)知完成度的時(shí)刻，I是與節(jié)點(diǎn)b具有前驅(qū)關(guān)系的所有節(jié)點(diǎn)集合，即a∈I，a→“prior of”→b。Ba是節(jié)點(diǎn)a到b為止的所有已學(xué)習(xí)獨(dú)立后繼節(jié)點(diǎn)的集合，S（I）是所有節(jié)點(diǎn)a∈I的獨(dú)立測(cè)驗(yàn)/習(xí)題成績(jī)，S（Ba）是所有節(jié)點(diǎn)，∈Ba的獨(dú)立測(cè)驗(yàn)/習(xí)題成績(jī)。輸出C（I）是所有迄今為止與b具有前驅(qū)關(guān)系的所有節(jié)點(diǎn)的認(rèn)知完成度。

五、實(shí)驗(yàn)及結(jié)果分析

在實(shí)驗(yàn)環(huán)節(jié)中，共有20名被試參與，實(shí)驗(yàn)涉及自規(guī)律學(xué)習(xí)平臺(tái)中內(nèi)嵌的前9個(gè)學(xué)習(xí)主題。實(shí)驗(yàn)分為兩部分，第一部分驗(yàn)證學(xué)習(xí)者個(gè)人知識(shí)圖的動(dòng)態(tài)演化能力，第二部分檢驗(yàn)個(gè)人隱性知識(shí)認(rèn)知度評(píng)估模型的保真度（Fidelity）。

1.動(dòng)態(tài)更新的個(gè)人知識(shí)圖

在本節(jié)中，我們將可視化地呈現(xiàn)被試學(xué)習(xí)者之一的個(gè)人知識(shí)圖演化過(guò)程，圖4（a-c）分別對(duì)應(yīng)的是其整個(gè)學(xué)習(xí)過(guò)程中三個(gè)比較具有代表性時(shí)刻的知識(shí)圖。

圖中無(wú)陰影圓圈中的知識(shí)點(diǎn)代表認(rèn)知完成度低的點(diǎn)（<0.6），而帶陰影圓圈代表認(rèn)知完成度高的節(jié)點(diǎn)（>>0.6）。值得注意的是，學(xué)習(xí)者在完成知識(shí)點(diǎn)t4的學(xué)習(xí)后，由于在其學(xué)習(xí)過(guò)程中過(guò)度依賴前驅(qū)知識(shí)t1和t2，從而導(dǎo)致了這兩個(gè)知識(shí)點(diǎn)完成度較低，在學(xué)習(xí)者當(dāng)前的個(gè)人知識(shí)圖上可看作缺失知識(shí)節(jié)點(diǎn)，即學(xué)習(xí)者并沒(méi)有真正掌握這兩個(gè)前驅(qū)節(jié)點(diǎn)。

而情況在其學(xué)習(xí)完知識(shí)點(diǎn)t7后發(fā)生了一定的變化，t1的完成度隨著后續(xù)節(jié)點(diǎn)學(xué)習(xí)過(guò)程中對(duì)其依賴值不斷降低而逐漸增加，從缺失知識(shí)節(jié)點(diǎn)演變?yōu)橐颜莆罩R(shí)節(jié)點(diǎn)。這種掌握狀態(tài)一直持續(xù)到知識(shí)點(diǎn)t7完成。而t2則一直保持其缺失狀態(tài)，即該學(xué)習(xí)者到t9完成時(shí)刻其t2都沒(méi)能真正掌握。仔細(xì)分析所有學(xué)習(xí)者的個(gè)人知識(shí)動(dòng)態(tài)演化圖會(huì)發(fā)現(xiàn)，學(xué)習(xí)者對(duì)前驅(qū)知識(shí)的掌握通常具有周期性特征，即隨著個(gè)人前驅(qū)知識(shí)應(yīng)用模式不同、長(zhǎng)時(shí)記憶/短時(shí)記憶能力不同、前驅(qū)知識(shí)訪問(wèn)模式不同等個(gè)體特征的不同，其知識(shí)掌握的周期性特征也有所不同。這種不同的特征通常體現(xiàn)在知識(shí)從掌握到缺失，又從缺失到掌握的頻率以及周期的不同上，與個(gè)人學(xué)習(xí)模式緊密關(guān)聯(lián)。

2.個(gè)人隱性知識(shí)認(rèn)知度評(píng)估模型的保真度檢驗(yàn)

為檢驗(yàn)個(gè)人隱性知識(shí)認(rèn)知度評(píng)估模型對(duì)學(xué)習(xí)者所掌握知識(shí)的還原程度，我們對(duì)比了由評(píng)估模型推導(dǎo)出的知識(shí)完成度值與學(xué)習(xí)者對(duì)該知識(shí)的真實(shí)認(rèn)知值。表2顯示了上節(jié)中所提及的參試學(xué)習(xí)者在學(xué)習(xí)過(guò)程中其知識(shí)認(rèn)知完成度的變化數(shù)據(jù)。圖5則展示了評(píng)估模型推導(dǎo)的知識(shí)點(diǎn)t1的認(rèn)知完成度曲線與該學(xué)習(xí)者真實(shí)的認(rèn)知曲線的對(duì)比圖。真實(shí)認(rèn)知曲線通過(guò)以下方法獲得：首先建立僅針對(duì)知識(shí)點(diǎn)t1的題庫(kù)，然后在每個(gè)后續(xù)知識(shí)點(diǎn)學(xué)習(xí)完成后（完成練習(xí)或測(cè)驗(yàn)），再隨機(jī)選擇一個(gè)關(guān)于t1的測(cè)驗(yàn)題，讓學(xué)習(xí)者不依賴任何幫助的前提下完成。獲得的成績(jī)曲線即為學(xué)習(xí)者關(guān)于t1在tn（n>1）時(shí)刻的真實(shí)認(rèn)知曲線。

從圖5兩組曲線的對(duì)比可看出，隱性知識(shí)認(rèn)知度評(píng)估模型推導(dǎo)出的知識(shí)點(diǎn)完成度雖然沒(méi)有與學(xué)習(xí)者真實(shí)認(rèn)知曲線重合，但是卻享有共同的周期性特征，這說(shuō)明個(gè)人知識(shí)認(rèn)知度評(píng)估模型在還原學(xué)習(xí)者隱性知識(shí)碎片上是趨勢(shì)性保真的。

為了反映隱性知識(shí)認(rèn)知度評(píng)估模型作用于所有參試學(xué)習(xí)者的平均保真性能，我們計(jì)算了所有被試學(xué)習(xí)者在學(xué)習(xí)時(shí)刻tn時(shí)關(guān)于知識(shí)點(diǎn)t1的保真方差（Stn（t1）-Ctn（t1））2曲線，如圖6所示，一個(gè)系列代表一個(gè)被試學(xué)習(xí)者。

圖6顯示了隱性知識(shí)認(rèn)知度評(píng)估模型的整體保真性能。從圖中可看出大部分學(xué)習(xí)者的保真方差曲線均能享有一個(gè)平滑的形態(tài)，只有少量學(xué)習(xí)者的保真曲線起伏較大。因此，該評(píng)估模型具有較好的整體保真性能。

六、結(jié)論

在本文中，為模擬真實(shí)的個(gè)人知識(shí)碎片組建過(guò)程，我們?cè)O(shè)計(jì)并實(shí)現(xiàn)了一個(gè)可集成學(xué)習(xí)者顯性知識(shí)碎片的自規(guī)律學(xué)習(xí)平臺(tái)。該平臺(tái)因?yàn)榫哂兄黝}中心性、學(xué)習(xí)者自我意識(shí)標(biāo)注并存儲(chǔ)以及可視化動(dòng)態(tài)顯示等特征，使得實(shí)時(shí)采集學(xué)習(xí)者顯性知識(shí)碎片成為可能；而且，依靠SLN強(qiáng)大的涌現(xiàn)語(yǔ)義生成能力，可以將學(xué)習(xí)者新生成知識(shí)融入已有的個(gè)人知識(shí)SLN，使個(gè)人知識(shí)圖隨學(xué)習(xí)過(guò)程推進(jìn)而不斷演化。

而在此基礎(chǔ)上提出的融入了知識(shí)整合認(rèn)知機(jī)制的個(gè)人知識(shí)完成度評(píng)估模型，不僅可以可視化地實(shí)現(xiàn)個(gè)人隱性知識(shí)碎片的動(dòng)態(tài)演化軌跡，還可以以較高保真度還原學(xué)習(xí)者知識(shí)認(rèn)知程度的周期性變化曲線，從而從真正意義上實(shí)現(xiàn)機(jī)器以建構(gòu)主義方式動(dòng)態(tài)模擬不同學(xué)習(xí)者的個(gè)人知識(shí)組建軌跡和知識(shí)整合認(rèn)知模式。當(dāng)然，鑒于本文有限的被試規(guī)模及知識(shí)體量，所提出的個(gè)人隱性知識(shí)認(rèn)知度評(píng)估模型還有待進(jìn)一步修正和改進(jìn)。

參考文獻(xiàn)：

[1]郝金星（2011）.利用概念地圖分析輔助組織決策[A].Proceedings of the 2011 International Conference on Information ，Services and Management Engineering[C]. China Academic Journal Electronic Publishing House：1749-1754.

[2]蔣國(guó)瑞， 趙亮（2009）. 一個(gè)優(yōu)化的本體自學(xué)習(xí)構(gòu)建模型及其應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用研究， （1）：168-171.

[3]賴曉濤， 任茵（2005）. 概念地圖在知識(shí)管理中的作用[J]. 贛南師范學(xué)院學(xué)報(bào)， （6）：73-75.

[4]蒙應(yīng)杰， 董禮英， 郭凱（2005）. 本體技術(shù)在異構(gòu)信息建模中的應(yīng)用研究[J]. 甘肅科學(xué)學(xué)報(bào)， （1）：69-72.

[5]馬費(fèi)成， 郝金星（2006）. 概念地圖在知識(shí)表示和知識(shí)評(píng)價(jià)中的應(yīng)用（Ⅰ）——概念地圖的基本內(nèi)涵[J]. 中國(guó)圖書(shū)館學(xué)報(bào)， （3）：5-9.

[6]Alesandrini， K.， & Larson， L. （2002）. Teachers Bridge to Constructivism[J]. The Clearing House， 75（3）：118-121.

[7]Cali， A.， Gottlob， G.， & Pieris， A. （2012）. Towards More Expressive Ontology Languages： The Query Answering Problem[J]. Artificial Intelligence， 193（6）：87-128.

[8]Dong， X.， Gabrilovich， E.， & Heitz， G. et al. （2014）. Knowledge Vault： A Web-Scale Approach to Probabilistic Knowledge Fusion[A]. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. ACM： 601-610.

[9]Dumontier， M.， Baker， C. J.， & Baran， J. et al. （2014）. The Semanticscience Integrated Ontology （SIO） for Biomedical Research and Knowledge Discovery[J]. Journal of Biomedical Semantics， 5（1）：14.

[10]Eppler， M. J. （2006）. A Comparison Between Concept Maps， Mind Maps， Conceptual Diagrams， and Visual Metaphors as Complementary Tools for Knowledge Construction and Sharing[J]. Information Visualization， 5（3）：202-210.

[11]Gaeta， M.， Orciuoli， F.， & Paolozzi， S. et al. （2011）. Ontology Extraction for Knowledge Reuse： The E-Learning Perspective[J]. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 41（4） ： 798-809.

[12]Garrido， A.， & Onaindia， E. （2013）. Assembling Learning Objects for Personalized Learning： An AI Planning Perspective[J]. IEEE Intelligent Systems， 28（2） ： 64-73.

[13]Hakkani-Tür， D.， Celikyilmaz， A.， & Heck， L. et al. （2014）. Probabilistic Enrichment of Knowledge Graph Entities for Relation Detection in Conversational Understanding[A]. Proceedings of the Annual Conference of the International Speech Communication Association [C]. International Speech and Communication Association： 2113-2117.

[14]Hakkani-Tür， D.， Heck， L.， & Tur， G. （2013）. Using a Knowledge Graph and Query Click Logs for Unsupervised Learning of Relation Detection[A].2013 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）[C]. IEEE： 8327-8331.

[15]Hannon， B.， & Daneman， M. （2001）. A New Tool for Measuring and Understanding Individual Differences in The Component Processes of Reading Comprehension[J]. Journal of Educational Psychology， 93（1）：103.

[16]Jonassen， D. H.， & Carr， C. S. （2000）. Mindtools： Affording Multiple Knowledge Representations for Learning[J]. Computers as Cognitive Tools， 2： 165-196.

[17]Novak， J. D.， & Gowin， D. B. （1984）. Learning How to Learn[M]. Cambridge University Press.

[18]Ormrod， J. E. （2014）. Essentials of Educational Psychology： Big Ideas to Guide Effective Teaching[M]. Pearson Higher Ed.

[19]Santacruz-Valencia， L. P.， Navarro， A.， & Aedo， I. （2010）. Comparison of Knowledge During the Assembly Process of Learning Objects[J].Journal of Intelligent Information Systems， 35（1） ： 51-74.

[20]Spivak， D. I.， & Kent， R. E. （2012）. Ologs： A Categorical Framework for Knowledge Representation[J]. PLoS One， 7（1）： e24274.

[21]Tseng， K. H.， Chang， C. C.， & Lou， S. J. et al. （2012）. How Concept-mapping Perception Navigates Student Knowledge Transfer Performance[J]. Educational Technology & Society， 15（1）：102-115.

[22]Weinerth， K.， Koenig， V.， & Brunner， M. et al. （2014）. Concept Maps： A Useful and Usable Tool for Computer-Based Knowledge Assessment？ A Literature Review With a Focus on Usability[J]. Computers & Education， 78（259）： 201-209.

[23]Yang， J.， Gao， Y.， & Liu， H. （2015）. Constructing the Personalized Knowledge Map Through a Self-Evolved Knowledge Management Model[A].Proceedings of 11th International Conference on Semantics， Knowledge and Grids （SKG）[C]. IEEE： 41-48.

[24]Zhu， A.（2013）. Knowledge Graph Visualization for Understanding Ideas[J]. International Journal for Cross-Disciplinary Subjects in Education （IJCDSE）， 3（1）： 1392-1396.

[25]Zhuge， H. （2010）. Interactive Semantics[J]. Artificial Intelligence， 174（2）： 190-204.

[26]Zhuge， H. （2011）. Semantic Linking Through Spaces for Cyber-Physical-Socio Intelligence： A Methodology[J]. Artificial Intelligence， 175（5-6）： 988-1019.

收稿日期 2016-10-06 責(zé)任編輯 汪燕

Abstract： One of the most important aspects of knowledge management is how to externally visualize what the learners have learned. Although mind tools， ontology and knowledge graph are the most popular methods to interpret and organize knowledge， those methods have significant flaws in simulating the knowledge images which are stored in learners' minds because of lacking the necessary complex semantic reasoning mechanism and the supporting cognitive simulation theories. In this paper， we design and implement a self-regulated online learning system that collects individual learners' explicit knowledge reflections and a latent knowledge evaluation model that is integrated with cognitive theory of general intelligence. This online learning system not only can simulate the process of integrating the knowledge， but also can dynamically provide learners with their individualized explicit knowledge reflections in the form of semantic linked network （SLN）. The evolving trajectory produced by the latent knowledge evaluation model about an individual's latent knowledge has a comparatively high fidelity to the true situation， and this result is also partly proved by the experiment result.

Keywords： Knowledge Management； Knowledge Reflections； Individualized Knowledge Map； Explicit Knowledge； Latent Knowledge； Recognition Evaluation