網(wǎng)絡(luò)環(huán)境下集體智慧領(lǐng)域知識模型構(gòu)建

孔垂禹, 岑 丹, 張賽男

(1. 吉林大學(xué) a. 大數(shù)據(jù)和網(wǎng)絡(luò)中心; b. 圖書館, 長春 130012； 2. 吉林財經(jīng)大學(xué) 新聞與傳播學(xué)院, 長春 130117)

0 引 言

隨著信息化技術(shù)的迅速發(fā)展網(wǎng)絡(luò)個性化教育己經(jīng)成為教育行業(yè)的一個重要部分。網(wǎng)絡(luò)個性化學(xué)習(xí)打破了時間、 空間的限制, 吸引眾多不同文化背景、 不同年齡層次的學(xué)習(xí)者。領(lǐng)域知識模型作為個性化學(xué)習(xí)系統(tǒng)中重要組成的部分, 是對學(xué)科領(lǐng)域知識的高度濃縮及結(jié)構(gòu)化、 系統(tǒng)化的抽象表達, 在整個個性化學(xué)習(xí)系統(tǒng)中起到至關(guān)重要的作用, 因此, 越來越受到國內(nèi)外學(xué)者的普遍關(guān)注。在20世紀(jì)60年代, 斯坦福大學(xué)的費哥巴姆教授團隊成功研制出以化學(xué)學(xué)科為研究對象的DENDRAL專家系統(tǒng), DENDRAL專家系統(tǒng)的研制開創(chuàng)了領(lǐng)域?qū)I(yè)知識模型研究的先河[1]。Jonassen[2]提出了概念間的關(guān)聯(lián)以網(wǎng)狀結(jié)構(gòu)進行組織知識的結(jié)論, 并以此為指導(dǎo)構(gòu)建跨學(xué)科領(lǐng)域知識模型的有效途徑。Singh等[3]提出了利用社會網(wǎng)絡(luò)聚合信息的方法,指出利用社會網(wǎng)絡(luò)聚合領(lǐng)域知識模型的新范式。Chen等[4]以e-learning學(xué)科領(lǐng)域文獻資源為樣本, 提出運用數(shù)據(jù)挖掘技術(shù)自動挖掘領(lǐng)域知識模型的方法, 實現(xiàn)了e-learning領(lǐng)域知識模型的構(gòu)建。張會平等[5]提出利用詞共現(xiàn)概念圖的方法構(gòu)建領(lǐng)域知識模型。陳莊等[6]提出從大量數(shù)據(jù)資源中自動挖掘認(rèn)知圖, 通過構(gòu)建概念矩陣運用神經(jīng)網(wǎng)絡(luò)算法挖掘出概念間因果關(guān)系的方法構(gòu)建領(lǐng)域知識模型。丁華等[7]提出基于粗糙集擴展模型的采煤機設(shè)計領(lǐng)域知識獲取方法。夏火松等[8]提出利用線上商品評論有效性分類構(gòu)建專業(yè)領(lǐng)域知識模型的方法。雖然目前國內(nèi)外學(xué)者在化學(xué)、 情報學(xué)、 信息科學(xué)等多個領(lǐng)域, 對領(lǐng)域知識模型的概念界定、 構(gòu)建方法、 運用工具等方面已經(jīng)做了大量深入的研究, 并取得了一定的成果[9-12]。然而, 在領(lǐng)域知識模型構(gòu)建的研究中, 還存在如下幾個方面的問題有待深入研究。首先, 領(lǐng)域知識模型的構(gòu)建是一項浩大的工程, 領(lǐng)域概念提取難度大、 數(shù)據(jù)挖掘復(fù)雜導(dǎo)致目前國內(nèi)外相關(guān)研究人員往往趨向于利用人工智能技術(shù)構(gòu)建領(lǐng)域知識模型。其次, 目前的領(lǐng)域知識模型的構(gòu)建, 主要關(guān)注如何利用人工智能、 數(shù)據(jù)挖掘和本體等技術(shù)實現(xiàn)領(lǐng)域知識模型的構(gòu)建, 忽視了人的主動參與在領(lǐng)域知識模型的構(gòu)建中的重要作用, 及人與人交互產(chǎn)生的集體智慧對領(lǐng)域知識模型的構(gòu)建的影響。

鑒于此, 筆者闡述了領(lǐng)域知識模型主要建模標(biāo)準(zhǔn), 提出了領(lǐng)域知識模型建構(gòu)參考規(guī)范, 并以聯(lián)通主義學(xué)習(xí)理論為指導(dǎo), 關(guān)注學(xué)習(xí)者個體行為、 主動參與及學(xué)習(xí)者共同參與生成的集體智慧, 在領(lǐng)域模型構(gòu)建中的重要作用。由個體領(lǐng)域知識模型構(gòu)建出發(fā), 將個體領(lǐng)域知識模型聚合為集體領(lǐng)域知識模型, 實現(xiàn)知識點與知識點間的聯(lián)結(jié)。集體領(lǐng)域知識模型又影響個體領(lǐng)域知識模型, 實現(xiàn)個體領(lǐng)域知識模型的優(yōu)化, 進而完成領(lǐng)域模型的構(gòu)建與優(yōu)化。依靠人本身強大的語義理解與處理能力, 構(gòu)建領(lǐng)域知識模型, 并對其進行評價與選擇, 而不僅依靠計算機相關(guān)算法處理判斷語義, 干涉領(lǐng)域知識模型構(gòu)建。對個人與集體知識體系的建設(shè)具有很強的借鑒和指導(dǎo)意義。

1 領(lǐng)域知識模型建構(gòu)參考規(guī)范

筆者參照IEEE LOM、 Dublin Core、 CELTS-3等, 相關(guān)學(xué)習(xí)對象元數(shù)據(jù)標(biāo)準(zhǔn), 設(shè)計個性化學(xué)習(xí)系統(tǒng)中領(lǐng)域知識模型建構(gòu)參考規(guī)范, 具體如圖1所示。

圖1 領(lǐng)域知識模型建構(gòu)參考規(guī)范Fig.1 Domain reference model specification

由圖1所示, 筆者提出的領(lǐng)域知識模型是由知識點組成, 知識點與個性化學(xué)習(xí)系統(tǒng)中的物化資源、 人際資源、 生成性資源關(guān)聯(lián), 形成一對多的映射關(guān)系。

2 集體智慧視域下的領(lǐng)域知識模型構(gòu)建

將領(lǐng)域知識模型分為個體領(lǐng)域知識模型和集體領(lǐng)域知識模型, 個體自主構(gòu)建個人知識結(jié)構(gòu)網(wǎng)絡(luò), 實現(xiàn)個體領(lǐng)域知識模型的構(gòu)建。同時, 通過聚合計算, 將個體建構(gòu)的個體領(lǐng)域知識模型聚合成集體領(lǐng)域知識模型, 聚合后的集體領(lǐng)域知識模型反饋給個體領(lǐng)域知識模型, 又為個體優(yōu)化個體領(lǐng)域知識模型提供了有力支持。具體如圖2所示。

1) 個體領(lǐng)域知識模型構(gòu)建。學(xué)習(xí)者在自己的空間建構(gòu)個體領(lǐng)域知識模型,學(xué)習(xí)者個人對自己的領(lǐng)域知識模型進行知識節(jié)點與知識節(jié)點間關(guān)聯(lián)關(guān)系的編輯, 即知識節(jié)點的添加、 修改和刪除, 知識節(jié)點間關(guān)聯(lián)關(guān)系的建立、 修改、 解除。并以某個感興趣知識點為中心, 向四周擴散, 到下一知識點(一級節(jié)點), 由其再擴散到下一知識點(二級節(jié)點), 以此類推, 到第N級節(jié)點。具體如圖3所示。

因此, 個體領(lǐng)域知識模型可以抽象為知識點, 及知識點與知識點之間的關(guān)聯(lián)關(guān)系。這樣, 學(xué)習(xí)者m的個體領(lǐng)域知識模型可以表示為Dm(Um,Rm),Dm表示個體m自主建構(gòu)的個體領(lǐng)域知識模型, 其中Um表示個體m建構(gòu)的知識點集合,Rm表示知識點之間的映射關(guān)系。

圖2 個體領(lǐng)域知識模型與集體領(lǐng)域知識模型Fig.2 Individual domain knowledge model and collective domain knowledge model

圖3 個體領(lǐng)域知識模型Fig.3 Individual domain knowledge model

2) 集體領(lǐng)域知識模型構(gòu)建。集體領(lǐng)域知識模型構(gòu)建是指將個人自主建構(gòu)的個體領(lǐng)域知識模型, 通過聚合算法, 生成集體領(lǐng)域知識模型。它是每個個體學(xué)習(xí)行為的宏觀呈現(xiàn), 這種聚合不是個體領(lǐng)域知識模型中的知識點與知識點, 及知識點間關(guān)系的簡單累加, 而是反映了學(xué)習(xí)者之間交流與協(xié)作后, 產(chǎn)生的集體智慧, 對集體領(lǐng)域知識模型構(gòu)建的影響。

基于集體智慧的領(lǐng)域模型構(gòu)建的核心是將個體領(lǐng)域知識模型聚合為集體領(lǐng)域知識模型, 是將個體智慧聚合為集體智慧的重點所在。雖然, 在開放學(xué)習(xí)環(huán)境下, 每個個體學(xué)習(xí)行為是獨立的、 多元的、 主觀的, 但在集體學(xué)習(xí)行為上呈現(xiàn)了集體的整體知識架構(gòu), 而且這種集體領(lǐng)域知識模型會隨著個體領(lǐng)域模型的變化而變化, 二者交互、 相互影響、 共同發(fā)展。

因此, 筆者研究中的集體領(lǐng)域知識模型是以個體領(lǐng)域知識模型為基礎(chǔ), 依據(jù)學(xué)習(xí)者的學(xué)習(xí)行為,激勵學(xué)習(xí)者主動參與, 充分發(fā)揮集體智慧, 依靠人本身強大的語義理解與處理能力, 聚合集體領(lǐng)域知識模型, 并對其進行評價與選擇, 而不是通過計算機相關(guān)算法處理判斷語義, 干涉聚合結(jié)果。具體聚合步驟如圖4所示。

圖4 集體領(lǐng)域知識模型聚合方法Fig.4 Collective domain knowledge model aggregation method

1) 合并相同知識節(jié)點。將兩個或兩個以上完全相同的知識節(jié)點合并成同一個知識節(jié)點, 并記錄“源”知識節(jié)點的相關(guān)信息。通過學(xué)習(xí)者參與, 發(fā)揮“人”的語義理解與處理能力, 對知識節(jié)點進行語義分析, 并通過“集體”的力量促成共同語義的達成, 將語義相同的知識節(jié)點, 判斷為相同知識節(jié)點后, 合并相同知識節(jié)點。同時, 個體在編輯個體領(lǐng)域知識模型時, 推薦相似的知識節(jié)點名稱, 促進相同語義的收斂。具體如圖5所示。

圖5 知識節(jié)點合并Fig.5 Merging of knowledge nodes

2) 增量計算知識節(jié)點權(quán)重。增量計算是指上次聚合至本次聚合之間所發(fā)生的變化, 包括個人對個體領(lǐng)域知識模型的操作(添加、 修改、 刪除)和個體對集體領(lǐng)域知識模型的操作(瀏覽、 引用、 好評)。即

Wit=dWit-1+mP+nQ+xR+yS

其中Wit為t時刻知識點i的權(quán)重；d為時間衰減因子；Wit-1為t-1時刻知識點的權(quán)重；m為好評操作權(quán)重系數(shù)；P為對該知識點得到好評的人數(shù)之和；n為瀏覽操作權(quán)重系數(shù)；Q為瀏覽過該知識點的人數(shù)之和；x為引用操作權(quán)重系數(shù)；R為“引用”該知識點的學(xué)習(xí)者人數(shù)減去之和, 引用后刪除該知識點的學(xué)習(xí)者人數(shù)之和；y為學(xué)習(xí)者可信度權(quán)重系數(shù)；S為創(chuàng)建該節(jié)知識點的學(xué)習(xí)者可信度之和, 減去刪除該知識點的學(xué)習(xí)者可信度之和。

知識點的權(quán)重會因?qū)W習(xí)者參與而發(fā)生動態(tài)變化。由于先建立的知識節(jié)點, 積累權(quán)重的時間較長, 而后建立的知識節(jié)點, 積累權(quán)重的時間較短, 因此, 需要通過時間衰減因子d, 降低先建立的知識點的權(quán)重。并且, 學(xué)習(xí)者的可信度及各種行為(引用、 好評、 瀏覽), 對聚合知識點的權(quán)值也有著不同程度的影響。

3) 增量計算知識節(jié)點間關(guān)系的權(quán)重。節(jié)點與節(jié)點之間關(guān)系(連線)代表著個體的認(rèn)知路徑, 和節(jié)點聚合是類似的,若多個學(xué)習(xí)者擁有相同路徑,在聚合后的集體領(lǐng)域知識模型中會有較大的權(quán)重。則有

Yit=dYit-1+mP+nQ+xR+yS

其中Yit為t時刻節(jié)點間關(guān)系i的權(quán)重；d為時間衰減因子；Yit-1為t-1時刻節(jié)點間關(guān)系的權(quán)重；m為好評操作權(quán)重系數(shù)；P為對該知識點得到好評的人數(shù)之和；n為瀏覽操作權(quán)重系數(shù)；Q為瀏覽過該知識點的人數(shù)之和；x為引用操作權(quán)重系數(shù)；R為引用該知識點的學(xué)習(xí)者人數(shù)減去之和, 引用后刪除該知識點的學(xué)習(xí)者人數(shù)之和；y為學(xué)習(xí)者可信度權(quán)重系數(shù)；S為創(chuàng)建該節(jié)知識點的學(xué)習(xí)者可信度之和, 減去刪除該知識點的學(xué)習(xí)者可信度之和。

學(xué)習(xí)者可信度高低和創(chuàng)建該關(guān)系的學(xué)習(xí)者的數(shù)量決定了關(guān)系創(chuàng)建的權(quán)值大小。添加的知識點越多,創(chuàng)建該關(guān)系的學(xué)習(xí)者的數(shù)量越大,關(guān)系創(chuàng)建的權(quán)值就會越高。一個關(guān)系被引用的越多,引用的權(quán)值也會越大。好評也表現(xiàn)了學(xué)習(xí)者對知識點相關(guān)的贊同度。瀏覽行為反映了學(xué)習(xí)者對相關(guān)知識點使用的頻繁度,瀏覽權(quán)值越高,表示學(xué)習(xí)者的關(guān)注度越大, 對領(lǐng)域知識模型的貢獻程度也越高。

4) 根據(jù)學(xué)習(xí)者的行為, 增量計算學(xué)習(xí)者可信度。學(xué)習(xí)者可信度反映的是學(xué)習(xí)者對集體建構(gòu)貢獻的程度, 學(xué)習(xí)者創(chuàng)建的知識點, 知識點間關(guān)系被其他學(xué)習(xí)者引用、 瀏覽、 好評的越多, 該學(xué)習(xí)者所建構(gòu)的個體領(lǐng)域知識模型, 對構(gòu)建集體領(lǐng)域知識模型的貢獻也就越大,該學(xué)習(xí)者的可信度也會越高。即有

Rit=Rit-1+xQ+yV+zL

其中Rit為當(dāng)前時刻t, 個體i的可信度；Rit-1前一時刻t-1, 個體i的可信度；x為引用權(quán)重系數(shù)；Q為個體i的個體領(lǐng)域知識模型被引用的次數(shù)；Y為好評權(quán)重系數(shù)；V為個體i的個體領(lǐng)域知識模型被好評的次數(shù)；Z為瀏覽權(quán)重系數(shù)；L為個體i的個體領(lǐng)域知識模型被瀏覽的次數(shù)。

5) 將聚合后的結(jié)果反饋給個體。將聚合后的集體領(lǐng)域模型及時反饋給學(xué)習(xí)者, 供學(xué)習(xí)者再次建構(gòu)個體領(lǐng)域模型時使用, 進而影響再次聚合的集體領(lǐng)域模型, 如此循環(huán), 實現(xiàn)個體領(lǐng)域模型與集體領(lǐng)域模型持續(xù)進化與擴展。

經(jīng)過上述步驟, 形成個體領(lǐng)域知識模型和集體領(lǐng)域知識模型, 實現(xiàn)知識點與知識點間的關(guān)聯(lián), 如圖6所示。

圖6 知識點與知識點間的關(guān)聯(lián)Fig.6 Correlation between knowledge points and knowledge points

圖6中個體領(lǐng)域知識模型i包含知識點A, 知識點B, 知識點C, 知識點D, 知識點E, 知識點N。個體領(lǐng)域知識模型j包含知識點C, 知識點E, 知識點F, 知識點M。個體領(lǐng)域知識模型i與個體領(lǐng)域知識模型j擁有相同知識點C和知識點E, 在集體領(lǐng)域知識模型構(gòu)建中, 將相同知識點C和知識點E合并, 同時依據(jù)集體領(lǐng)域知識模型聚合算法, 得到集體領(lǐng)域知識模型, 該模型包括知識點A, 知識點B, 知識點D, 知識點F, 知識點N, 知識點及合并后的知識點C和知識點E, 各知識點間的關(guān)聯(lián)如上圖所示。最終形成個體領(lǐng)域知識模型和集體領(lǐng)域知識模型, 實現(xiàn)知識點與知識點間的關(guān)聯(lián), 為個性化學(xué)習(xí)系統(tǒng)提供強有力的支撐。

3 應(yīng)用與評價

筆者通過使用FLEX技術(shù), 開發(fā)領(lǐng)域知識模型構(gòu)建模塊, 該模塊以知識點為概念節(jié)識節(jié)點的添加、 修改、 刪除及知識點的關(guān)聯(lián), 以概念圖的形式展現(xiàn)知識點的結(jié)構(gòu)體系。

圖7 領(lǐng)域知識模型構(gòu)建平臺Fig.7 Domain knowledge model building platform

基于該平臺設(shè)計相關(guān)實驗, 用以驗證該模式的有效性。本實驗在2015級吉林大學(xué)大一新生中抽取200人, 進行為期一年的實驗。同時邀請了吉林大學(xué)計算機基礎(chǔ)實驗室的20位專業(yè)教師, 作為領(lǐng)域?qū)＜? 組成專家小組。對領(lǐng)域知識模型的有效性進行評價。對最終形成的集體領(lǐng)域知識模型進行分析, 結(jié)果顯示, 當(dāng)學(xué)習(xí)周期結(jié)束, 由個體領(lǐng)域知識模型聚合而成的集體領(lǐng)域知識模型包含了該課程所有的知識點, 且知識結(jié)構(gòu)與教學(xué)大綱基本符合, 可見, 雖然每個個體在學(xué)習(xí)過程中, 開始和結(jié)束的節(jié)點不同, 關(guān)系存在差異, 但在集體層面, 知識的關(guān)聯(lián)存在趨同的趨勢。因此, 筆者提出的集體智慧視域下的個性化學(xué)習(xí)系統(tǒng)中領(lǐng)域知識模型構(gòu)建方法是合理有效的, 具有較高的應(yīng)用與推廣價值。

4 結(jié) 語

當(dāng)今科學(xué)技術(shù)的迅速發(fā)展促使學(xué)科領(lǐng)域的分支更加細(xì)化, 學(xué)科領(lǐng)域知識之間相互滲透的現(xiàn)象日益明顯。本文闡述了領(lǐng)域知識模型主要建模標(biāo)準(zhǔn), 提出了領(lǐng)域知識模型建構(gòu)參考規(guī)范, 關(guān)注學(xué)習(xí)者個體行為、 主動參與及學(xué)習(xí)者共同參與生成的集體智慧, 在領(lǐng)域模型構(gòu)建中的重要作用, 由個體領(lǐng)域知識模型構(gòu)建出發(fā), 將個體領(lǐng)域知識模型聚合為集體領(lǐng)域知識模型, 實現(xiàn)知識點與知識點間的聯(lián)結(jié), 集體領(lǐng)域知識模型又影響個體領(lǐng)域知識模型, 實現(xiàn)個體領(lǐng)域知識模型的優(yōu)化, 進而完成領(lǐng)域模型的構(gòu)建與優(yōu)化, 依靠人本身強大的語義理解與處理能力, 構(gòu)建領(lǐng)域知識模型, 并對其進行評價與選擇, 而不僅依靠計算機相關(guān)算法來處理判斷語義, 干涉領(lǐng)域知識模型構(gòu)建。本研究不僅豐富領(lǐng)域知識模型的理念, 也拓展了領(lǐng)域知識模型的研究框架, 是對領(lǐng)域知識模型的開創(chuàng)性探索, 是對開放學(xué)習(xí)平臺中海量資源的組織方式的一種變革, 進而促進學(xué)習(xí)者的長時記憶及對知識的主動建構(gòu)。對個人與集體知識體系的建設(shè)具有很強的借鑒和指導(dǎo)意義。