王冬青，殷紅巖

（華南師范大學(xué) 教育信息技術(shù)學(xué)院，廣東 廣州 510631）

一、引言

《國家中長期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》提出減輕中小學(xué)習(xí)者的課業(yè)負(fù)擔(dān)，并要求設(shè)計適當(dāng)?shù)恼n程難度。由于升學(xué)等因素對成績的需求，現(xiàn)在的學(xué)習(xí)者采用“題海戰(zhàn)術(shù)”依然常見。國際K12 在線學(xué)習(xí)協(xié)會認(rèn)為個性化學(xué)習(xí)能夠滿足學(xué)習(xí)者自身的需求和學(xué)習(xí)興趣，[1]《地平線報告：2015 高等教育版》 將個性化學(xué)習(xí)定位為“艱難的挑戰(zhàn)”，并提出個性化學(xué)習(xí)是針對個體學(xué)習(xí)者特定的學(xué)習(xí)需求、興趣、意愿或文化背景而推出的一系列教育項目、學(xué)習(xí)經(jīng)驗、教學(xué)方法和學(xué)術(shù)支持策略。[2]《教育信息化十年發(fā)展規(guī)劃（2011-2020 年）》提出：“要為每一名學(xué)習(xí)者提供個性化學(xué)習(xí)的信息化環(huán)境和服務(wù)。”[3]隨著信息技術(shù)的發(fā)展、網(wǎng)絡(luò)資源數(shù)量的增加，學(xué)習(xí)者的個性化學(xué)習(xí)需求也更加強烈。傳統(tǒng)的教師統(tǒng)一練習(xí)、布置作業(yè)難以滿足學(xué)習(xí)者的個性化學(xué)習(xí)需求，為了實現(xiàn)學(xué)習(xí)者的個性化練習(xí)，本文針對中小學(xué)個性化學(xué)習(xí)的特點，設(shè)計并實現(xiàn)了基于知識圖譜的習(xí)題個性化推薦系統(tǒng)，采集學(xué)習(xí)者的測評數(shù)據(jù)，結(jié)合學(xué)科知識豐富的語義信息，考慮習(xí)題的知識點、難度、知識結(jié)構(gòu)等因素，為學(xué)習(xí)者推薦符合其學(xué)習(xí)狀態(tài)的習(xí)題，使學(xué)習(xí)者的練習(xí)更有針對性，提高學(xué)習(xí)者的學(xué)習(xí)效率。

二、相關(guān)研究現(xiàn)狀

1.知識圖譜研究現(xiàn)狀

2012 年，Google 公司首次提出知識圖譜的概念，是指其用于提升搜索引擎性能的知識庫。知識圖譜是一種以實體、屬性、關(guān)系來描述的知識體系，以可視化手段展示知識。各大互聯(lián)網(wǎng)公司和高校紛紛建立起自己的知識圖譜，如百度的“知心”、搜狗的“知立方”、華東理工大學(xué)構(gòu)建的“知識魔方”、復(fù)旦大學(xué)GDM 實驗室開發(fā)的“知識工場”和清華大學(xué)構(gòu)建的基礎(chǔ)教育知識圖譜等。知識圖譜在教育領(lǐng)域中主要有以下研究：①學(xué)科知識圖譜的構(gòu)建方法研究。楊玉基、許斌等提出了一種準(zhǔn)確高效的知識圖譜構(gòu)建方法——“四步法”，并用這種方法在較短時間內(nèi)高效地構(gòu)建了中國基礎(chǔ)教育九門學(xué)科的知識圖譜。[4]鐘亮通過網(wǎng)絡(luò)爬蟲對百度百科中與“化學(xué)”主題相關(guān)的詞條信息進行抓取，利用分詞、實體識別、實體關(guān)系識別構(gòu)建化學(xué)學(xué)科知識圖譜，并對結(jié)果進行了評價。[5]②利用知識圖譜為學(xué)習(xí)者提供資源導(dǎo)航、個性化推薦等功能。例如可汗學(xué)院建立的數(shù)學(xué)學(xué)科知識圖譜，形成知識網(wǎng)絡(luò)，學(xué)習(xí)者可以直觀地看到自己的學(xué)習(xí)進度與掌握狀態(tài)，并實現(xiàn)學(xué)習(xí)資源導(dǎo)航的功能。吳強強、陳昊鵬等以軟件工程專業(yè)為例，基于MOOC 平臺設(shè)計了簡單而高效的專業(yè)課程知識圖譜，并基于學(xué)習(xí)者的歷史課程學(xué)習(xí)數(shù)據(jù)，進行學(xué)習(xí)質(zhì)量評估和課程推薦。[6]Haiping Zhu、Feng Tian 等驗證了學(xué)習(xí)者在四種學(xué)習(xí)情境下的八種學(xué)習(xí)路徑偏好，提出了一種基于知識圖譜的多約束學(xué)習(xí)路徑推薦模型并驗證有效性，使學(xué)習(xí)者能夠在有限的時間內(nèi)平衡學(xué)習(xí)目標(biāo)和學(xué)習(xí)時間。[7]

2.個性化習(xí)題推薦方法研究現(xiàn)狀

目前大多數(shù)個性化習(xí)題推薦系統(tǒng)都是采用協(xié)同過濾算法與基于項目反應(yīng)理論的自適應(yīng)算法，主要根據(jù)用戶相似度、知識點與習(xí)題難度進行推薦。孫權(quán)、賀細(xì)平將協(xié)同過濾用于在線測評系統(tǒng)，比較了基于用戶與基于項目的協(xié)同過濾算法的有效性；[8]姜盼對協(xié)同過濾算法進行優(yōu)化，依據(jù)用戶相似度提供習(xí)題個性化推薦服務(wù)；[9]單瑞婷、朱天宇等改進了協(xié)同過濾方法，將認(rèn)知診斷結(jié)果與用戶相似度結(jié)合，基于習(xí)題的知識點、難度等為學(xué)習(xí)者提供個性化推薦；[10][11]柏茂林基于項目反應(yīng)理論改進相似用戶模型，將能力水平相近的用戶作為相似用戶，采用協(xié)同過濾算法為用戶提供個性化習(xí)題推薦。[12]這些個性化習(xí)題推薦方法雖然關(guān)注了學(xué)習(xí)者之間學(xué)習(xí)經(jīng)歷的相似度或知識點的掌握情況，但并未考慮學(xué)科知識中豐富的語義關(guān)系。除了習(xí)題的所屬知識點、難度等屬性外，知識點間還具有豐富的語義關(guān)系，基于這些語義關(guān)系能夠更加系統(tǒng)地描述與呈現(xiàn)學(xué)科知識，更加準(zhǔn)確地分析學(xué)習(xí)者的知識掌握情況，從而更加精準(zhǔn)地為學(xué)習(xí)者推薦個性化習(xí)題。

因此本文基于學(xué)習(xí)者的習(xí)題作答情況判斷其知識點掌握狀態(tài)，構(gòu)建面向?qū)W科知識的知識圖譜并將其進行交互可視化，提出了一種基于知識圖譜的個性化習(xí)題推薦方法，設(shè)計了個性化習(xí)題推薦系統(tǒng)原型，初步案例分析表明本文提出的個性化習(xí)題推薦方法具有很好的可解釋性與用戶滿意度。

三、基于知識圖譜的個性化習(xí)題推薦系統(tǒng)設(shè)計

本文所構(gòu)建的基于知識圖譜的個性化習(xí)題推薦系統(tǒng)，主要包含測評數(shù)據(jù)采集、知識圖譜構(gòu)建、知識圖譜可視化、個性化推薦四個模塊，如圖1 所示?；谥R圖譜的個性化習(xí)題推薦系統(tǒng)的工作流程是從測評數(shù)據(jù)采集模塊中獲取學(xué)生的習(xí)題作答詳情，據(jù)此判斷學(xué)習(xí)者的知識點掌握狀態(tài)，然后結(jié)合知識圖譜尋找學(xué)習(xí)者的薄弱知識點，最后利用個性化推薦模塊找到符合學(xué)習(xí)者知識點掌握狀態(tài)的習(xí)題推薦給學(xué)習(xí)者。

1.學(xué)習(xí)者知識點掌握狀態(tài)的判定

圖1 習(xí)題個性化推薦系統(tǒng)總體架構(gòu)

為學(xué)習(xí)者推薦個性化習(xí)題，首先需要判斷學(xué)習(xí)者當(dāng)前的知識點掌握狀態(tài)，測評數(shù)據(jù)是判斷學(xué)習(xí)者知識點掌握狀態(tài)的依據(jù)。當(dāng)前學(xué)校教育中學(xué)習(xí)的測評側(cè)重于學(xué)習(xí)者的結(jié)果表現(xiàn)，如測評得分、習(xí)題正確率等，較少關(guān)注學(xué)習(xí)者的學(xué)習(xí)內(nèi)容掌握情況。牟智佳、俞顯發(fā)現(xiàn)現(xiàn)有的智能測試平臺仍存在測評目的異化的問題，即測評目的在于選拔和甄別，而忽視測評的診斷、反饋和促進功能。[13]

學(xué)習(xí)者的知識點掌握狀態(tài)是習(xí)題推薦的基礎(chǔ)，為了更加精確地診斷學(xué)習(xí)者的學(xué)習(xí)內(nèi)容掌握情況，為其提供更加精準(zhǔn)的推薦服務(wù)，本文基于云測評環(huán)境采集了學(xué)習(xí)者的基本信息、習(xí)題作答等數(shù)據(jù)，以判斷學(xué)習(xí)者的初始學(xué)習(xí)水平及知識點掌握狀態(tài)。系統(tǒng)在學(xué)習(xí)者首次登錄時要求學(xué)習(xí)者填寫自己的姓名、性別、年級、學(xué)校、班級、家庭背景等信息，并將這些信息進行存儲與分析，以便了解學(xué)習(xí)者的個人學(xué)習(xí)背景，準(zhǔn)確分析學(xué)習(xí)者的情況。除此之外，還采集了學(xué)習(xí)者的習(xí)題作答數(shù)據(jù)，包含了學(xué)習(xí)者每次進行習(xí)題作答時產(chǎn)生的習(xí)題、是否正確等數(shù)據(jù)。

學(xué)習(xí)者首次登錄系統(tǒng)時沒有做題記錄，無法獲知學(xué)習(xí)者的初始學(xué)習(xí)水平，因此無法判斷學(xué)習(xí)者的知識點掌握狀態(tài)，不能進行個性化推薦。因此，根據(jù)學(xué)習(xí)者的學(xué)習(xí)背景，如根據(jù)學(xué)校、年級、班級等為學(xué)習(xí)者生成測試習(xí)題，根據(jù)學(xué)習(xí)者的作答結(jié)果分析學(xué)習(xí)者的初始學(xué)習(xí)水平。

學(xué)習(xí)者的知識點掌握狀態(tài)是習(xí)題推薦中最重要的數(shù)據(jù)，能夠發(fā)現(xiàn)學(xué)習(xí)者的薄弱知識點。首先要采集學(xué)習(xí)者的習(xí)題作答數(shù)據(jù)，然后通過以下步驟計算學(xué)習(xí)者的知識點掌握狀態(tài)，如圖2 所示。

①判斷該學(xué)習(xí)者對于高難度習(xí)題的正答率是否大于或等于0.85，若是，則判定該學(xué)習(xí)者在該知識點上處于較高水平，認(rèn)為學(xué)習(xí)者已經(jīng)掌握了該知識點，可以進行下一知識點的學(xué)習(xí)；若否，則進行步驟②。

②判斷該學(xué)習(xí)者對于該知識點下中等難度習(xí)題的正答率是否大于等于0.85，若是，則判定學(xué)習(xí)者已經(jīng)掌握該知識點的基礎(chǔ)內(nèi)容，還需進一步學(xué)習(xí)直至掌握該知識點；若否則認(rèn)為該學(xué)習(xí)者尚未掌握該知識點。

圖2 知識點掌握狀態(tài)判斷流程

2.知識圖譜構(gòu)建與可視化

（1）知識圖譜構(gòu)建

知識圖譜是結(jié)構(gòu)化的語義知識庫，用于以符號形式描述物理世界中的概念及其相互關(guān)系。[14]采用知識圖譜呈現(xiàn)學(xué)科知識，能夠?qū)χR點及知識點間的關(guān)系進行結(jié)構(gòu)化描述，建立起語義化的學(xué)科知識結(jié)構(gòu)，能夠更好地幫助學(xué)習(xí)者了解學(xué)科知識體系。知識圖譜的邏輯結(jié)構(gòu)包含數(shù)據(jù)層和模式層。數(shù)據(jù)層是以事實為基本單位存儲知識，如果以“實體-關(guān)系-實體”或“實體-屬性-值”的三元組作為事實的表達方式，則存儲在數(shù)據(jù)庫中的數(shù)據(jù)形成龐大的實體關(guān)系網(wǎng)絡(luò)。邏輯層是知識圖譜的核心，通常以本體庫管理數(shù)據(jù)層的事實知識，以本體規(guī)范實體、關(guān)系、屬性及其表達。[15]利用本體表示學(xué)科知識，能夠?qū)崿F(xiàn)知識的重用與共享，能讓學(xué)習(xí)者更加全面地了解學(xué)科知識體系。

本體構(gòu)建是知識圖譜構(gòu)建過程中的重要步驟。本體是領(lǐng)域知識的結(jié)構(gòu)化規(guī)范，它描述了概念及概念間的關(guān)系。本文采用領(lǐng)域知識本體常用的構(gòu)建方法“七步法”，利用美國斯坦福大學(xué)開發(fā)的本體編輯器protégé 構(gòu)建了學(xué)科知識本體。

①本體層次結(jié)構(gòu)模型構(gòu)建

根據(jù)中小學(xué)學(xué)科知識結(jié)構(gòu)與特點，本文構(gòu)建學(xué)科本體層次模型如圖3 所示。共分4 個層級——學(xué)科、課程、章節(jié)知識、知識點。其中學(xué)科是第一個層級，包含若干個課程，課程中又包含若干個章節(jié)知識，知識點是教學(xué)活動中的基本單元，不能再進一步細(xì)分。

圖3 學(xué)科本體層次

②數(shù)據(jù)屬性

僅用知識點名稱無法全面描述知識點的特征，數(shù)據(jù)屬性用來描述知識點的自身屬性，除了知識點的標(biāo)識符、名稱、所屬年級外，學(xué)習(xí)目標(biāo)定義了該知識點學(xué)習(xí)者應(yīng)該達到的掌握水平；每個知識點下包含若干資源，如微課、習(xí)題等，同時提供資源的鏈接地址，將學(xué)習(xí)資源映射至知識本體中。數(shù)據(jù)屬性及具體內(nèi)容如表1所示。

表1 數(shù)據(jù)屬性及具體內(nèi)容

③關(guān)系屬性

除了知識點的自身屬性外，知識點間的關(guān)系屬性描述知識點間的邏輯關(guān)系。除屬于、包含、被包含等關(guān)系外，前驅(qū)、后繼是知識點之間的重要關(guān)系，它定義了知識的學(xué)習(xí)順序。如知識點A 與知識點B 是前驅(qū)關(guān)系，則必須要學(xué)習(xí)完知識點A 后才能夠?qū)W習(xí)知識點B；知識點B與知識點A 是后繼關(guān)系，則學(xué)習(xí)完知識點A 后可以學(xué)習(xí)知識點B。

（2）知識圖譜可視化

在教育教學(xué)中應(yīng)用知識圖譜能夠幫助學(xué)習(xí)者系統(tǒng)地查看學(xué)科知識，明確自己在知識系統(tǒng)中的定位、處于知識系統(tǒng)的哪個層級；利用已經(jīng)構(gòu)建的學(xué)科知識圖譜，結(jié)合學(xué)習(xí)者的測評數(shù)據(jù)，分析學(xué)習(xí)者的知識點掌握狀態(tài)，生成學(xué)習(xí)者個人知識圖譜，為學(xué)習(xí)者提供學(xué)科知識體系與知識點掌握狀態(tài)可視化顯示。根據(jù)聯(lián)通主義的理念，采用樹狀結(jié)構(gòu)、層層遞進的方式將學(xué)科知識圖譜可視化呈現(xiàn)給學(xué)習(xí)者，使學(xué)習(xí)者能夠更加全面直觀地了解所學(xué)內(nèi)容的知識體系。并用不同顏色表示學(xué)習(xí)者對不同知識點的掌握程度，如綠色表示學(xué)習(xí)者已經(jīng)掌握該知識點、藍色表示學(xué)習(xí)者已經(jīng)部分掌握、紅色表示學(xué)習(xí)者尚未掌握，如圖4 所示，幫助學(xué)習(xí)者檢測自己的學(xué)習(xí)狀態(tài)和知識點掌握情況，從而提高學(xué)習(xí)效率。點擊相應(yīng)的知識點能夠顯示學(xué)習(xí)者對該知識點習(xí)題的詳細(xì)作答情況，統(tǒng)計學(xué)習(xí)者每種難度習(xí)題的作答數(shù)量與正確率，使學(xué)習(xí)者更加詳細(xì)地了解自己在每個知識點的歷史做題情況，從而更加明確地判斷自己在該知識點的掌握情況。知識圖譜能夠幫助學(xué)習(xí)者自我檢測知識與技能掌握情況，同時也為習(xí)題的個性化推薦奠定基礎(chǔ)。

圖4 知識圖譜可視化

3.基于知識圖譜的習(xí)題個性化推薦方法

維果斯基提出“最近發(fā)展區(qū)理論”，提出學(xué)習(xí)者的發(fā)展有兩個水平：一是學(xué)習(xí)者現(xiàn)有的發(fā)展水平，指學(xué)習(xí)者在獨立活動時能夠達到的水平；二是學(xué)習(xí)者可能的發(fā)展水平，指學(xué)習(xí)者在指導(dǎo)下能夠達到的水平。這兩者之間的差距就是最近發(fā)展區(qū)。教學(xué)應(yīng)該在學(xué)習(xí)者的最近發(fā)展區(qū)內(nèi)進行，這樣才能調(diào)動學(xué)習(xí)者的積極性，發(fā)揮學(xué)習(xí)者的學(xué)習(xí)潛能。同理，習(xí)題的推薦也應(yīng)在學(xué)習(xí)者的最近發(fā)展區(qū)內(nèi)進行，使學(xué)習(xí)者能夠快速且有效地掌握。針對中小學(xué)習(xí)者的個性化練習(xí)，主要是針對學(xué)習(xí)者的知識點掌握情況，發(fā)現(xiàn)學(xué)習(xí)者的薄弱知識點，分析知識點掌握問題，為學(xué)習(xí)者推薦其最近發(fā)展區(qū)內(nèi)的習(xí)題，幫助學(xué)習(xí)者更高效地掌握知識點，提高學(xué)習(xí)者的知識技能。個性化推薦引擎是推薦系統(tǒng)的核心部分，本文基于學(xué)習(xí)者的題目作答情況分析及語義化的學(xué)科知識圖譜，設(shè)計并提出了基于知識圖譜的個性化習(xí)題推薦方法。

本文基于知識圖譜中學(xué)習(xí)者的知識點掌握情況及語義化的學(xué)科知識圖譜實現(xiàn)習(xí)題的個性化推薦。首先依據(jù)知識圖譜及學(xué)習(xí)者的題目作答詳情，判斷學(xué)習(xí)者的知識點掌握狀態(tài)，確定薄弱知識點，為學(xué)習(xí)者推薦適合其知識點掌握水平的習(xí)題?；谥R圖譜的個性化習(xí)題推薦流程及偽代碼如圖5、圖6 所示，具體推薦過程描述如下。

圖5 基于知識圖譜的個性化推薦方法偽代碼

圖6 基于知識圖譜的個性化習(xí)題推薦流程圖

（1）獲取學(xué)習(xí)者的歷史習(xí)題作答詳情與知識圖譜

①對于首次登錄的學(xué)習(xí)者，獲取學(xué)習(xí)者的初始水平測試的題目作答情況。

②對于非首次登錄的學(xué)習(xí)者，可以從學(xué)習(xí)者的測評數(shù)據(jù)庫中獲取學(xué)習(xí)者的知識點答題情況。

（2）判斷學(xué)習(xí)者的知識點掌握狀態(tài)

結(jié)合知識圖譜對學(xué)習(xí)者的答題情況進行分析，得到學(xué)習(xí)者的知識點掌握狀態(tài)，確定學(xué)習(xí)者當(dāng)前的薄弱知識點。

（3）學(xué)習(xí)者特征與習(xí)題的匹配

將學(xué)習(xí)者的掌握狀態(tài)與語義化的知識圖譜結(jié)合，分析學(xué)習(xí)者未掌握該知識點是否因為前驅(qū)知識點未掌握或是由于該知識點下的基礎(chǔ)未掌握，從而確定目標(biāo)習(xí)題所屬的知識點與難度。

①若該學(xué)習(xí)者已經(jīng)掌握該知識點，表明學(xué)習(xí)者已具備學(xué)習(xí)下一知識點的能力，則向?qū)W習(xí)者推薦后繼知識點的習(xí)題。

②若學(xué)習(xí)者對該知識點的掌握程度為部分掌握，則認(rèn)為該學(xué)習(xí)者還需要進一步學(xué)習(xí)該知識點，為學(xué)習(xí)者推薦該知識點下的高難度習(xí)題，幫助學(xué)習(xí)者進一步提升對該知識點的掌握程度。

③若學(xué)習(xí)者尚未掌握該知識點，則判斷學(xué)習(xí)者在該知識點下的低難度習(xí)題正答率是否大于0.85，若是，則認(rèn)為該知識點下習(xí)題處于初級水平，還需要進一步學(xué)習(xí)，因此向其推薦本知識點下的中難度習(xí)題；若否，則需要結(jié)合知識圖譜判斷學(xué)習(xí)者前驅(qū)知識點的掌握狀態(tài)，若前驅(qū)知識點未達到已掌握狀態(tài)，則認(rèn)為該學(xué)習(xí)者前驅(qū)知識點仍需進一步學(xué)習(xí)，以達到學(xué)習(xí)本知識點的能力，因此向其推薦前驅(qū)知識點的習(xí)題；若前驅(qū)知識點已掌握，則認(rèn)為該學(xué)習(xí)者已達到學(xué)習(xí)本知識點的能力，因此為其推薦本知識點下的低難度習(xí)題。

根據(jù)已確定的習(xí)題知識點及難度從題庫中抽取習(xí)題，形成待推薦列表。

（4）習(xí)題推薦

從待推薦列表中篩選出該學(xué)習(xí)者從未作答過的習(xí)題，并根據(jù)習(xí)題難度進行排序，將排序后的習(xí)題推薦給學(xué)習(xí)者。

學(xué)習(xí)者登錄Edu WPS 學(xué)生端，選擇目標(biāo)科目進行習(xí)題推薦，在習(xí)題作答前，學(xué)習(xí)者可以依據(jù)自己的學(xué)習(xí)情況選擇是否學(xué)習(xí)推薦習(xí)題的相關(guān)微課，最終形成含交互式控件的個性化習(xí)題推薦文檔，學(xué)習(xí)者直接在文檔中作答，將答案填至交互式控件中并提交結(jié)果，學(xué)習(xí)者提交答案后能夠查看正確答案，了解自己的作答情況，并有針對性地選擇學(xué)習(xí)內(nèi)容。且學(xué)習(xí)者提交習(xí)題的答案后學(xué)習(xí)者的作答情況也會即時更新，為下一次的推薦做準(zhǔn)備。

四、案例分析

本節(jié)選取兩個案例分析展示基于知識圖譜的個性化習(xí)題推薦系統(tǒng)對兩個學(xué)習(xí)者的習(xí)題推薦情況。學(xué)習(xí)者A 與學(xué)習(xí)者B 對于《空間與圖形》這一章的知識點掌握程度如圖7、圖8 所示。從圖中可以看出學(xué)習(xí)者A 已經(jīng)掌握本章的前3 個知識點，尚未學(xué)習(xí)《三角形的面積》一章；學(xué)習(xí)者B 已經(jīng)掌握本章的前4 個知識點，對知識點“三角形的面積計算”處于未掌握狀態(tài)。

在實際推薦中，對于學(xué)習(xí)者A，由于其已經(jīng)掌握了“平行四邊形的底/高的計算”這一知識點，認(rèn)為其已經(jīng)具備了學(xué)習(xí)下一知識點的能力，因此為其推薦下一知識點下的低難度習(xí)題，推薦結(jié)果如圖9 所示；對于學(xué)習(xí)者B，由于其尚未掌握“三角形的面積計算”知識點，且已經(jīng)掌握了上一知識點，但對本知識點需要進一步學(xué)習(xí)，因此為其推薦知識點“三角形的面積計算”下的中難度習(xí)題，推薦結(jié)果如圖10 所示。

圖7 學(xué)習(xí)者A 知識圖譜

圖8 學(xué)習(xí)者B 知識圖譜

圖9 學(xué)習(xí)者A 推薦結(jié)果

圖10 學(xué)習(xí)者B 推薦結(jié)果

另外，我們調(diào)研了學(xué)習(xí)者A、B 對系統(tǒng)推薦結(jié)果的滿意度。學(xué)習(xí)者A、B 認(rèn)為知識圖譜可視化呈現(xiàn)能夠幫助他們更加明確知識結(jié)構(gòu)，了解自己的知識點掌握情況，從而有針對性地進行學(xué)習(xí)；且系統(tǒng)推薦結(jié)果符合其知識點掌握情況，能夠提升練習(xí)效率。并且學(xué)生A 認(rèn)為在習(xí)題作答前先學(xué)習(xí)推薦的微課資源能夠提升練習(xí)的準(zhǔn)確性。學(xué)習(xí)者A、B 均對知識圖譜可視化呈現(xiàn)效果及習(xí)題推薦結(jié)果有較高的滿意度。

從該案例分析中可以看出，依照本文提出的基于知識圖譜的習(xí)題個性化推薦方法，能夠幫助學(xué)習(xí)者明晰自己的知識點掌握情況，針對學(xué)習(xí)者的知識點掌握狀態(tài)為其推薦相應(yīng)的習(xí)題，推薦結(jié)果具有較好的可解釋性與用戶滿意度。

五、結(jié)束語

隨著信息技術(shù)的發(fā)展，傳統(tǒng)練習(xí)方式難以滿足學(xué)習(xí)者的個性化學(xué)習(xí)的需求，為了使學(xué)習(xí)者的練習(xí)能夠更加針對薄弱知識點，更加個性化，本文基于云協(xié)作測評環(huán)境對學(xué)習(xí)者的測評數(shù)據(jù)進行采集與分析，構(gòu)建知識圖譜并可視化顯示，然后以此為基礎(chǔ)為學(xué)習(xí)者推薦個性化習(xí)題。知識圖譜的構(gòu)建能夠幫助學(xué)習(xí)者直觀了解自己的學(xué)習(xí)進度，并為學(xué)習(xí)者提供更加符合其學(xué)習(xí)狀態(tài)的習(xí)題。隨著“人工智能+教育”的發(fā)展，知識圖譜在教育教學(xué)中的應(yīng)用將會更加廣泛。