面向精準教研的立體知識圖譜構建方法研究

穆肅 譚梓淇 駱玨秀 寧秀文 胡小勇

[摘 ? 要] 知識圖譜作為知識存儲工具的應用對教學教研具有重要意義，近年來受到研究者和教師的廣泛關注。文章針對傳統(tǒng)學科知識圖譜構建方法難以適應智能時代知識快速增長、更新的需要，基礎教育學科知識圖譜未能用于綜合解析教與學的過程和智能評估學習發(fā)展的問題，從學科知識、教學活動、學生學習三個角度出發(fā)，提出建構包含學科知識、教學活動、個體學習的三層立體動態(tài)知識圖譜模型的思路，結(jié)合自頂向下和自底向上的構建方法，從數(shù)據(jù)采集、本體構建、知識抽取、知識融合、知識更新五個方面設計圖譜構建框架，實現(xiàn)三層圖譜相互關聯(lián)、相互影響和相互解釋，支持基于教學過程大數(shù)據(jù)的教學過程和學習成效解釋和診斷?；谔岢龅哪Ｐ秃头椒?，研究以數(shù)學學科內(nèi)容進行了應用示例，以期為知識圖譜領域的實踐提供應用參照。

[關鍵詞] 學科知識圖譜； 動態(tài)知識圖譜； 基礎教育； 構建應用

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 穆肅（1972—），女，貴州貴陽人。教授，博士，主要從事人工智能教育應用、多模態(tài)學習分析研究。E-mail：musu@m.scnu.edu.cn。

一、引 ? 言

2017年6月，國務院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，提出要建立新一代人工智能關鍵共性技術體系，大力發(fā)展知識圖譜的計算引擎、知識服務與跨媒體分析推理技術，形成涵蓋數(shù)十億實體規(guī)模的多源、多學科和多數(shù)據(jù)類型的跨媒體知識圖譜[1]。2021年7月，我國教育部等六部門頒布《關于推進教育新型基礎設施建設構建高質(zhì)量教育支撐體系的指導意見》表明了學科知識圖譜對優(yōu)化數(shù)字化資源供給服務的支撐作用[2]。學科知識圖譜作為一種典型的垂直知識圖譜，通過對各學科知識內(nèi)容、教學資源、活動分類梳理與逐層分解，能有效將不同維度的學科知識與資源建序、重組與優(yōu)化，以學科知識語義圖式結(jié)構，映射學習者高階思維能力與認知能力的發(fā)展[3]。2021年9月，教育部在《關于實施第二批人工智能助推教師隊伍建設行動試點工作通知》中強調(diào)積極推進人工智能、大數(shù)據(jù)、第五代移動通信技術（5G）等新一代人工智能技術與教師隊伍建設的融合，形成智能技術助推教師隊伍建設的新路徑和新模式[4]。教研活動是促進教師專業(yè)發(fā)展的重要方式[5]，基于學科內(nèi)容圖譜和教學活動圖譜進行精準教學解釋，是人工智能技術全過程、多層次教研應用的基礎，決定了教學分析的針對性和分析報告的準確性，也決定了教師能力發(fā)展的水平和隊伍建設的質(zhì)量。

學科知識圖譜的建設，順應了我國教育新基建的發(fā)展路徑，為基礎教育領域教師智慧教學、學生個性化學習、教研員精準教研等提供技術支撐[6]，既是課堂教學數(shù)字化轉(zhuǎn)型的關鍵步驟，也是進而實現(xiàn)“雙減”增效提質(zhì)的可行途徑[7]。然而，隨著教育大數(shù)據(jù)的快速發(fā)展，傳統(tǒng)學科知識圖譜所采用的數(shù)據(jù)存儲、知識獲取、本體融合、邏輯推理構造方法已經(jīng)不能適應智能時代互聯(lián)網(wǎng)信息量快速增長的需要，具體表現(xiàn)為學科知識圖譜對師生在教學活動所產(chǎn)生的文本、語音、視頻等非結(jié)構化數(shù)據(jù)缺乏高效、準確的抽取方法?；诖?，研究認為半自動方法適合學科知識、教學活動、個體學習三層知識圖譜的構建，由專家學者參與模式層建設，依據(jù)機器學習算法實現(xiàn)數(shù)據(jù)層知識抽取并鏈接到知識圖譜中，實現(xiàn)學科知識、教學活動、個體學習三層知識圖譜關聯(lián)。

二、教育領域中的知識圖譜

（一）教育知識圖譜及常用建構方法

知識圖譜具有強大的實體關聯(lián)的刻畫能力，在各個領域得到了廣泛研究和應用，近年來也引起了教育領域研究者的高度關注，是目前人工智能教育應用中的研究熱點并得到了應用實踐，出現(xiàn)了如教育知識圖譜、學科知識圖譜等相關研究。

教育知識圖譜是知識圖譜在教育領域的應用，通常以知識元為節(jié)點，根據(jù)知識元的多維語義關系建立相互關聯(lián)，在知識層面和認知層面表示學科領域知識和學習者認知及發(fā)展狀態(tài)，可用于知識導航、認知診斷、資源聚合、路徑推薦的知識組織與認知表征工具[8]。教育知識圖譜屬于領域知識圖譜，由于領域知識圖譜是面向具體的領域構建，只有包含高準確度的知識才能為上層應用提供支持，因此通常采用自頂向下的構建流程[9]。在構建方法上，李振等提出了教育知識圖譜概念模型EKGCM，在此模型的基礎上提出基于智能處理技術的教育知識圖譜自動化構建方法[8]，后對構建方法進行改進，將人類智慧與機器智能結(jié)合，提出一種人機協(xié)同的半自動化構建方法[10]。鐘卓等人基于所構建的“知識—問題—能力”教育知識圖譜KQA模型，提出從數(shù)據(jù)獲取、知識抽取、知識融合和知識推理四方面，通過機器學習算法實現(xiàn)實體抽取、關系抽取、實體對齊等步驟的教育知識圖譜構建方法[11]。目前，國內(nèi)大多數(shù)教育知識圖譜的研究多從技術角度出發(fā)進行，建構方法技術性強，實用性較弱，因此，僅能在小范圍試用，多用于理論研討和研究熱點探討。

（二）學科知識圖譜的建構方法

隨著“互聯(lián)網(wǎng)+教育”和教育大數(shù)據(jù)的分析應用，教育領域越來越重視知識圖譜對教育的賦能，提出了精細到具體學科的學科知識圖譜。學科知識圖譜是一種支持具體學科教學設計與資源組織管理的教育知識圖譜[12]。目前已有不少研究在基礎教育學科知識領域進行深入探索，如，馮俐通過Python爬蟲技術獲取網(wǎng)頁數(shù)據(jù)，采用正則表達式匹配相關內(nèi)容，提取出實體與實體間的關系，將數(shù)據(jù)存儲在Neo4j圖數(shù)據(jù)庫并使用Cypher語言實現(xiàn)數(shù)據(jù)可視化查詢，完成對中學語文詩詞知識圖譜的構建并基于此開發(fā)出可視化查詢系統(tǒng)[13]；翟龍結(jié)合高中物理學科特點構建該學科本體，采用BiLSTM+CRF模型、BiLSTM+Attention模型進行實體識別、關系抽取，完成學科知識圖譜的構建并基于此開發(fā)出在線學習系統(tǒng)[14]；李昊澤聚焦初中數(shù)學，通過人工手動采集和爬蟲技術自動獲取數(shù)據(jù)，以半自動化的方式構建模式層，再先后采用BiLSTM-CRF模型和AGGCN模型完成數(shù)據(jù)層的構建，最后借助Neo4j存儲抽取的三元組實現(xiàn)知識圖譜的構建，并應用于其開發(fā)的初中數(shù)學知識可視化查詢平臺[15]。

綜上所述，目前教育知識圖譜構建傾向于以自動化和半自動化方式進行。由于存在學科知識復雜、教學活動數(shù)據(jù)來源多樣等特點，既不能僅依靠專家學者采用人工方式進行構建，也不能完全依賴機器學習自動完成?，F(xiàn)有面向基礎教育的學科知識圖譜構建或應用研究，普遍只針對具體某學科進行，且多為數(shù)學、物理等理科學科，此類知識圖譜的建構方法適用范圍過小，難以推廣。因此，本文將提出一種通用的、半自動的學科知識圖譜構建方法以提升知識圖譜在基礎教育領域的應用。知識圖譜將由相關專家學者參與模式層構建，通過機器學習算法抽取底層數(shù)據(jù)構建數(shù)據(jù)層，充分發(fā)揮專家的專業(yè)知識和人工智能技術的雙重支持作用，保證三層知識圖譜的質(zhì)量與準確性。

（三）動態(tài)知識圖譜的建構方法

動態(tài)知識圖譜能夠?qū)r間維度與實體關系進行表示學習，得到特征向量以解決傳統(tǒng)知識圖譜中的關系缺失與屬性不完備等問題。本文基于時間建模方式，對學科教學領域中動態(tài)知識圖譜生成技術進行相關梳理，發(fā)現(xiàn)時序知識圖譜表示學習的方法主要分為翻譯模型、雙線性模型、基于距離的模型、旋轉(zhuǎn)模型、矩陣分解模型、圖神經(jīng)網(wǎng)絡六種模型。其中，最典型的模型是以TransE[16]為基礎的翻譯模型。隨著研究模型的深入發(fā)展，研究人員發(fā)現(xiàn)該模型過于簡單，難以表達實體的復雜關系，又出現(xiàn)以TransR[17]為代表的基于距離的模型、以RotatE[18]為代表的旋轉(zhuǎn)模型與以TuckER[19]為代表的矩陣分解模型，對復雜關系表征進行優(yōu)化。隨后，研究人員對圖神經(jīng)網(wǎng)絡模型與翻譯模型進行結(jié)合與改進，形成KGCN[20]與RippleNet[21]、GCLSTM[22]等優(yōu)化模型，在動態(tài)知識圖譜建議上的應用特征見表1。

綜上所述，現(xiàn)有研究大多采用以GCU為代表的圖神經(jīng)網(wǎng)絡模型與以TransE為代表的翻譯模型對實體關系建模，GCU能獲取實體間的鄰接關系特征，但無法對實體與關系進行深度融合，進而導致知識圖譜補全建模時缺少實體與關系的聯(lián)系。而TransE模型簡單，直接將時間信息嵌入到三元組中，難以計算出復雜向量的特征關系。因此，本文將采用基于TransH的時序知識圖譜增量構建方法，構建相關的計算模型和提取最優(yōu)子集算法來獲得最優(yōu)三元組集合，將其添加到當前圖譜中實現(xiàn)數(shù)據(jù)層的更新。

三、學科知識圖譜的結(jié)構和構建

（一）學科知識圖譜結(jié)構模型

為能在學科知識內(nèi)容、教學活動和學習情況三者形式化抽象描述的基礎上，基于學習過程的多媒態(tài)數(shù)據(jù)解釋教學過程、判定狀態(tài)和診斷問題，這里提出了由描述學科知識內(nèi)容、教學活動、學習情況三層知識圖譜形成的立體學科知識圖譜。構建學科內(nèi)容圖譜的目標是對學科知識內(nèi)容及結(jié)構、教學活動和資源進行展示和梳理，學生能夠通過知識圖譜定位自己的學習過程和完成程度，查詢到自己需要的資源，系統(tǒng)應用能夠基于學科知識圖譜進行學習狀態(tài)的判定和相關教學資源的推送。構建教學活動圖譜的目標是以教學活動為對象，解釋教學活動對學生知識達成度、學習成績等情況的影響，同時通過教學活動中教學內(nèi)容的相關數(shù)據(jù)更新學科知識圖譜實例。學習圖譜是根據(jù)學生的學習數(shù)據(jù)形成的，依據(jù)學科內(nèi)容圖譜中的知識體系結(jié)構，聯(lián)系用教學活動圖譜標注的行為數(shù)據(jù)，明確學生對知識的掌握情況，該圖譜的構建目標是呈現(xiàn)學生的知識達成度、學習興趣以及學習進度。其框架如圖1所示。

1. 學科知識層：學科內(nèi)容圖譜

學科知識是學科內(nèi)容圖譜的節(jié)點，描述學科知識元及相互聯(lián)系。在該層中，知識元是學科知識中最小的結(jié)構單元，代表學科知識圖譜的實例，知識主題是由若干個知識元抽取而形成。在此基礎上，對相關的知識主題進行抽象與融合，形成學科知識相互關系和結(jié)構體系。該層是學科知識圖譜中最基礎的部分，為教學活動知識圖譜與個體知識圖譜的形成提供知識精準對應的支撐。

2. 教學活動層：教學活動圖譜

教學活動層形式化描述學生圍繞知識內(nèi)容學習的各類學習活動、學習資源，并表征活動與資源、知識內(nèi)容的關聯(lián)情況。該層對應學科內(nèi)容圖譜，描述對應的教學資源、活動過程、活動方式等，形成可用于解釋教學過程的子圖譜，反映當前教學活動狀態(tài)與課程知識元間的聯(lián)系。從學習圖譜層中獲取個體學習數(shù)據(jù)及狀態(tài)的表征，可實現(xiàn)學習狀態(tài)對應教學活動及應用資源的相關分析，既可對學習結(jié)果進行解釋和診斷，又可聯(lián)通學科內(nèi)容圖譜層對其進行預測方法、知識等推薦。如，基于學習活動實體對應的實例及屬性值，可支持個體資源推薦和教師教學建議；基于課中師生互動實例及相應數(shù)據(jù)可支持對學生學習結(jié)果產(chǎn)生原因的診斷和描述，可支持應用系統(tǒng)為學生推薦適合的學習路徑。

3. 個體學習層：學習圖譜

個體學習層即第三層學習圖譜，映射學生個體學習領域，用于反映學生學習結(jié)果與預期目標之間的聯(lián)系。個體學習層能夠從學生學習興趣、知識狀態(tài)、知識結(jié)構與學習進度等方面表征學習者學習目標的達成度和認知水平。學習圖譜不僅能考量學生知識技能的達成度，還能描述學生個人的學科知識體系、問題解決能力體系及學科思維體系。

（二）總體構建思路

三層知識圖譜的建構采用自頂向下與自底向上結(jié)合的方式進行。首先，由專家學者對學科內(nèi)容層、教學活動層、個體學習層定義類和類層次結(jié)構、屬性及屬性關系，通過本體建模形成學科知識本體庫、教學活動本體庫、個體學習本體庫，為后續(xù)的數(shù)據(jù)層構建提供統(tǒng)一參照標準。其次，采用自底向上的知識獲取與處理方法，通過知識抽取、知識融合等技術將多源異構數(shù)據(jù)變?yōu)榻Y(jié)構化的知識三元組，形成具體實例數(shù)據(jù)層。學科內(nèi)容圖譜和學習圖譜以學科專業(yè)知識為基礎，側(cè)重于模式層的構建，而教學活動圖譜建構依靠真實教學場景數(shù)據(jù)，更注重底層數(shù)據(jù)的抽取。最后，對模式層與數(shù)據(jù)層進行整合，形成由學科知識內(nèi)容、教學活動、個體學習圖譜構成的三層立體知識圖譜，如圖2所示。

（三）數(shù)據(jù)來源

立體知識圖譜的數(shù)據(jù)來源有非結(jié)構化、半結(jié)構化和結(jié)構化數(shù)據(jù)，見表2。非結(jié)構化數(shù)據(jù)包含教材、課程標準、教輔文本材料、“一師一優(yōu)課”網(wǎng)絡教學資源（如課堂實錄、教學設計）等內(nèi)容。因?qū)W科知識圖譜對數(shù)據(jù)的質(zhì)量和內(nèi)容有著極高的要求[30]，為保證數(shù)據(jù)的權威性和準確性，教材選取使用普遍的教材，如人教版教材。半結(jié)構化數(shù)據(jù)多為存儲于在線學習平臺記錄師生教學行為信息的Web日志文件等。結(jié)構化數(shù)據(jù)則來源于學科知識庫、在線學習平臺的學生信息庫和學習資源庫，學習資源庫包括如微課、講義等多模態(tài)學習資源。

（四）本體構建

本文參考七步法構建思想，借助本體編輯工具以人工構建的方式構建三層知識圖譜的模式層，具體包括確定構建目標、確定核心概念集、建立類層次結(jié)構以及定義屬性及屬性約束五環(huán)節(jié)。目前國內(nèi)已有不少學者構建了各學科知識圖譜，其本體已具有較為完備的知識組織體系，可支撐實現(xiàn)本體復用，為同一學科知識圖譜的本體構建提供參考。基于此，本文構建的學習本體將對學科知識本體中確定的概念與層次關系進行選擇性的繼承與吸收。

1. 確定核心概念集

在相關的學科領域?qū)＜业闹笇拢栽诰€學習平臺的教學行為數(shù)據(jù)、課堂實錄、教學資源等內(nèi)容為參照，確定教學活動的核心概念體系包括“自學”“教授”“輔導”“練習”四部分。以人教版教材等權威教材和課程標準為基礎形成每門學科的知識結(jié)構體系，在學科專家的指導下，以學科的知識結(jié)構體系和相關教輔材料為參考，確定學科知識和個體學習的核心概念體系。如，小學階段數(shù)學學科的核心概念可梳理總結(jié)為數(shù)與代數(shù)、圖形與幾何、統(tǒng)計與概率三部分。

2. 建立類層次結(jié)構

本文根據(jù)學科特點與專家建議，把學科知識分為“概念”“原理”“方法”“事實”四類實體，是學科知識圖譜和個體學習知識圖譜最頂層的四個類，每一類依據(jù)記憶性知識與邏輯性知識的分類標準，向下逐級進行分類。根據(jù)確定的教學活動核心概念集，教學活動可分為“課前活動”“課中活動”“課后活動”三大類，每一類依據(jù)教師和學生的分類標準逐級向下分類，例如，將“課前活動”類分為“課前教師活動”類與“課前學生活動”類，按此分類標準再向下進行詳細分類。

3. 定義屬性及屬性約束

知識圖譜的呈現(xiàn)借助于本體編輯器來定義數(shù)據(jù)與對象兩類屬性?；谠搶傩詫θ龑又R圖譜實體屬性及關系進行定義。

（1）數(shù)據(jù)屬性與屬性約束

在學科知識本體中，知識元的屬性包括學習目標、難易程度、所屬學段以及知識描述，其中學習目標根據(jù)修訂版布魯姆認知目標分類法分為記憶、理解、應用、分析、評價、創(chuàng)造六個層次，難易程度分為容易、適中、較難、難四個級別。學習本體在學科內(nèi)容本體的屬性分類基礎上加入達成度，該屬性為數(shù)值型屬性，取值范圍為[0，1]，表示學生對某一知識的掌握情況。在教學活動本體中，知識元的屬性劃分為影響重要程度、互動方向、活動描述三個類別，其中影響重要程度包括淺層、中等、深層三級。

（2）對象屬性及關系定義

學科知識和教學活動之間存在直接或間接的某種關系，即對象屬性。通過整理與分析，可總結(jié)出學科知識、教學活動、個體學習三者的知識元之間存在特殊關系與普通關系兩類。普通關系包括同義、兄弟、前驅(qū)、后繼、包含與對立六種關系，而特殊關系有因果、變換和相關三種關系。

（五）三層圖譜知識抽取

知識抽取是從各種類型的數(shù)據(jù)源中提取出實體、屬性以及實體間的相互關系，在此基礎上形成本體化的知識表達。由于三層知識圖譜數(shù)據(jù)來源包括教學文本、視頻、音頻等半結(jié)構化與非結(jié)構化數(shù)據(jù)，因此需要對教學活動中的文本、視頻、音頻等非結(jié)構化數(shù)據(jù)進行知識抽取。這包括實體抽取與關系抽取兩個環(huán)節(jié)，如圖3所示?，F(xiàn)有研究中深度神經(jīng)網(wǎng)絡中的注意力機制，即圖注意力網(wǎng)絡（Graph Attention Network， GAN）能夠有效提取圖譜中的實體信息并生成相應的知識元與向量表示?；诖?，本文將采用融合觸發(fā)詞的Bi-LSTM-CRF模型對多層圖譜的知識元進行提取，再通過激活函數(shù)（Rectified Linear Unit， ReLU）從圖中提取知識結(jié)構化信息與語義關系信息，實現(xiàn)多層圖譜的知識抽取。

（六）學科內(nèi)容圖譜、教學活動圖譜與個體學習圖譜融合

知識融合要對學科內(nèi)容圖譜、教學活動圖譜和個體學習圖譜中的知識元等對應的多源異構數(shù)據(jù)進行融合。由于三層知識圖譜的數(shù)據(jù)來源不同，既包括結(jié)構化的學科知識庫與學生學習資源庫數(shù)據(jù)，又有非結(jié)構化與半結(jié)構化的教學活動數(shù)據(jù)和資源數(shù)據(jù)，導致三層知識圖譜之間的數(shù)據(jù)來源多而散，權威性有待確認，也無法建立聯(lián)系。因此，根據(jù)已有數(shù)據(jù)融合算法教育應用的綜合分析，采用GCN模型對三層圖譜中的資源進行抽取、匹配和轉(zhuǎn)換，借助實體融合、關系融合、屬性融合等算法來計算節(jié)點之間的相似度，可實現(xiàn)三層圖譜的知識元分析與合并，如圖4所示。

（七）知識更新

知識圖譜建構中知識更新指隨著教學數(shù)據(jù)信息發(fā)生變化，知識圖譜的內(nèi)容遵循事物發(fā)展規(guī)律動態(tài)調(diào)整。從邏輯上看，知識圖譜的更新包括模式層的更新和數(shù)據(jù)層的更新。模式層的更新包括概念的增加、刪除、修改，概念屬性和概念間關系的更新，數(shù)據(jù)層的更新則指實體、實體間關系或?qū)傩灾档脑黾印h除、修改。

本文借助本體編輯器，對模式層概念、屬性、關系的更新進行相應操作，再由領域?qū)＜以u判審核，從而完成對三層知識圖譜模式層的更新。在數(shù)據(jù)層采用增量更新的方式，使用張子辰等人提出的時序知識圖譜增量構建模型[31]，即基于TransH把從數(shù)據(jù)中抽取出的新知識（新三元組）嵌入到當前知識圖譜（記為G?。┫蛄靠臻g中，進而得到更新版本Gⅰ+1，再通過吻合度計算模型和基于貪心策略提出的提取最優(yōu)子集合算法，將最優(yōu)的三元組集合添加到當前知識圖譜中，進而完成三層知識圖譜的數(shù)據(jù)層更新。

四、三層圖譜應用實例研究

這里以小學數(shù)學課程為例，建立學科內(nèi)容圖譜、教學活動圖譜、學生圖譜關聯(lián)的中心實體。在對課標要求、教材內(nèi)容、教學活動的文本、音視頻資源與資源平臺元數(shù)據(jù)集進行語義關系學習訓練、實體匹配、實體鏈接與知識更新后，可生成以小學數(shù)學課程為核心主題的三層知識圖譜，其效果如圖5所示。

知識圖譜的具體實例中顯示了學科內(nèi)容、教學活動和學生學習的關聯(lián)，節(jié)點的三種顏色代表三層知識圖譜，連線表示他們的關系狀態(tài)。其中，深灰色節(jié)點及相互連接線反應學科內(nèi)容圖譜層中知識元之間的聯(lián)系；灰色節(jié)點表示當前教學活動實體，由其發(fā)出的連線表示教學活動與學科內(nèi)容和學習狀態(tài)之間的聯(lián)系。基于教學活動圖譜與上下兩層圖譜的關聯(lián)，可動態(tài)實現(xiàn)教學活動與學科內(nèi)容匹配度的計算，生成反映某一知識內(nèi)容教學的子圖譜；另一方面，教學活動圖譜對學習圖譜進行對接計算，形成學生知識學習成效對應的教學活動和資源數(shù)據(jù)分析，可實現(xiàn)學習水平和成效成因的解釋。淺灰色節(jié)點代表個體知識圖譜，反映學習者正在學習的知識內(nèi)容及相關狀態(tài)。根據(jù)學生個體知識圖譜和知識追蹤模型可診斷預測學生的學習狀態(tài)、學習風格與認知結(jié)構等，從而為學習者指導學生學習、調(diào)整教學、規(guī)劃個性化學習路徑等提供支持。

五、總結(jié)與展望

學科知識圖譜的建設有利實現(xiàn)面向課標要求目標進行教學分析和學習分析的科學性和精準性，對促進新時代教學研究的針對性和實效性具有重大意義。研究構建的學科內(nèi)容、教學活動與個體學習三層知識圖譜，一方面，解決了現(xiàn)有學科知識圖譜脫離于教師教學活動、學生學習活動的實際問題；另一方面，采用智能算法模型來生成知識圖譜，提升了當前知識圖譜的構建效率與可解釋性。在后續(xù)研究中，將會繼續(xù)完善學科知識圖譜、教學活動知識圖譜、學生個體知識圖譜的語義關聯(lián)性，爭取實現(xiàn)學科知識圖譜的動態(tài)實時更新，把國家課程標準、教學活動與學習活動中產(chǎn)生的新數(shù)據(jù)鏈接到學科知識圖譜中，實現(xiàn)知識層中數(shù)據(jù)的實時更新。同時，利用教學活動圖譜分析教師教學活動中的語義、行為特征，助力教師專業(yè)成長；將個體學習數(shù)據(jù)進行自動和及時的解析，為學習者提供精準化、個性化的教學決策。

[參考文獻]

[1] 國務院.國務院關于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL].（2017-07-20）[2021-10-20].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2] 中華人民共和國教育部.教育部等六部門發(fā)布《關于推進教育新型基礎設施建設構建高質(zhì)量教育支撐體系的指導意見》[EB/OL]. （2021-07-20）[2022-07-21].http：//www.moe.gov.cn/srcsite/A16/s3342/202107/t20210720_545783.html.

[3] 范佳榮，鐘紹春. 學科知識圖譜研究：由知識學習走向思維發(fā)展[J].電化教育研究，2022，43（1）：32-38.

[4] 中華人民共和國教育部. 教育部發(fā)布《關于實施第二批人工智能助推教師隊伍建設行動試點工作的通知》[EB/OL].（2021-09-15） [2022-09-15].http：//www.moe.gov.cn/srcsite/A10/s7034/202109/t20210915_563278.html.

[5] 胡小勇，林梓柔. 精準教研視域下的教師畫像研究[J].電化教育研究，2019，40（7）：84-91.

[6] 柯清超，林健，馬秀芳，等. 教育新基建時代數(shù)字教育資源的建設方向與發(fā)展路徑[J].電化教育研究，2021，42（11）：48-54.

[7] 謝幼如，羅文婧，章銳，等. “雙減”背景下課堂教學數(shù)字化轉(zhuǎn)型的理論探索與演進路徑[J].電化教育研究，2022，43（9）：14-21.

[8] 李振，周東岱. 教育知識圖譜的概念模型與構建方法研究[J].電化教育研究，2019，40（8）：78-86，113.

[9] 李家瑞，李華昱，閆陽，等.基于事件抽取的學科建設知識圖譜構建與應用[J].計算機系統(tǒng)應用，2022，31（11）：100-110.

[10] 李振，董曉曉，周東岱，等.自適應學習系統(tǒng)中知識圖譜的人機協(xié)同構建方法與應用研究[J].現(xiàn)代教育技術，2019，29（10）：80-86.

[11] 鐘卓，唐燁偉，鐘紹春，等.人工智能支持下教育知識圖譜模型構建研究[J].電化教育研究，2020，41（4）：62-70.

[12] 林健，柯清超，黃正華，等. 學科知識圖譜的動態(tài)生成及其在資源智能組織中的應用[J].遠程教育雜志，2022，40（4）：23-34.

[13] 馮俐.基于Neo4j圖數(shù)據(jù)庫構建中學語文詩詞知識圖譜[D]. 西安：陜西師范大學，2019.

[14] 瞿龍. 高中物理學科知識圖譜的構建與應用研究[D].北京：中央民族大學，2020.

[15] 李昊澤. 基于神經(jīng)網(wǎng)絡的初中數(shù)學學科知識圖譜構建與應用研究[D].昆明：云南師范大學，2022.

[16] BORDES A， USUNIER N， GARCIA-DURAN A， et al. Translating embeddings for modeling multi-relational data[C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. New York： ACM， 2013： 2787-2795.

[17] LIN Y， LIU Z， SUN M， et al. Learning entity and relation embeddings for knowledge graph completion[C]// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2015： 2181-2187.

[18] SUN Z Q， DENG Z H， NIE J Y， et al. RotatE：knowledge graph embedding by relational rotation in complex space [C]// Proceedings of the 2019 International Conference on Learning Representations. New Orleans： ICLR， 2019： 1-18.

[19] 楊克宇， 高云君，陳璐，葛叢叢，沈怡峰. 分布式的增量式張量Tucker分解方法[J].計算機學報，2021，44（8）：1696-1713.

[20] WANG H W， ZHAO M， XIE X， et al. Knowledge graph convolutional networks for recommender systems[C]// Proceedings of the 2019 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2019： 3307-3313.

[21] WANG H， ZHANG F， WANG J， et al. Ripplenet： propagating user preferences on the knowledge graph for recommender systems[C]// Proceedings of the 27th ACM international conference on information and knowledge management. 2018： ?417-426.

[22] CHEN J， WANG X， XU X. GC-LSTM： graph convolution embedded LSTM for dynamic network link prediction[J]. Applied intelligence， 2022， 52（7）： 7513-7528.

[23] 陳曦，梅廣，張金金，等. 融合知識圖譜和協(xié)同過濾的學生成績預測方法[J]. 計算機應用，2020，40（2）：595-601.

[24] 童小凱，朱欣娟，王西漢，等.數(shù)字文化資源知識圖譜多目標跨域推薦方法[J/OL].計算機工程與應用：1-11，（2022-04-13）[2023-01-06]. https：//kns.cnki.net/kcms/detail/11.2127.tp.20220411.1553.011.html.

[25] 羅婕溪，劉帥，張玉志，等. 基于知識圖譜技術的線上教學資源推薦系統(tǒng)設計與實現(xiàn)[J].數(shù)據(jù)與計算發(fā)展前沿，2022，4（3）：3-18.

[26] 李振，周東岱. 基于學科知識圖譜的智能化認知診斷評估方法[J].現(xiàn)代教育技術，2022，32（11）：118-126.

[27] 張博雅.慕課平臺上基于知識圖譜的學習路徑規(guī)劃[D].天津：天津師范大學，2020.

[28] 楊東明，楊大為，顧航，等. 面向初等數(shù)學的知識點關系提取研究[J].華東師范大學學報（自然科學版），2019（5）：53-65.

[29] YAO S， WANG R， SUN S， et al. Joint embedding learning of educational knowledge graphs[J]. Artificial iIntelligence supported educational technologies， 2020： 209-224.

[30] 李艷燕，張香玲，李新，等.面向智慧教育的學科知識圖譜構建與創(chuàng)新應用[J].電化教育研究，2019，40（8）：60-69.

[31] 張子辰，岳昆，祁志衛(wèi)，等.時序知識圖譜的增量構建[J]. 計算機科學與探索，2022，16（3）：598-607.

Research on the Construction Method of Stereoscopic Knowledge Graph for Precision Teaching and Research

MU Su1， ?TAN Ziqi2， ?LUO Juexiu2， ?NING Xiuwen2， ?HU Xiaoyong2

（1.Institute of Artificial Intelligence in Education， South China Normal University， Guangzhou Guangdong 510631; 2.School of Information Technology in Education， South China Normal University， Guangzhou Guangdong 510631）

[Abstract] The application of subject knowledge graph as a tool for knowledge storage is of great significance to teaching and research， and has received extensive attention from researchers and teachers in recent years. Aiming at the fact that the is the construction method of traditional subject knowledge graph is difficult to meet the needs of rapid growth and updating of knowledge in the intelligent era， and the problem of subject knowledge graph of basic education failing to comprehensively analyze the teaching and learning process and intelligently assess learning development， this paper presents the idea of constructing a three-layer stereoscopic dynamic knowledge graph model， including subject knowledge， teaching activities and individual learning from three perspectives of subject knowledge， teaching activities and students' learning. Combining top-down and bottom-up construction methods， this paper designs a construction framework of knowledge graph from five aspects： data collection， ontology construction， knowledge extraction， knowledge fusion， and knowledge updating. The realization of the interconnection， mutual influence and mutual interpretation of the three-layer knowledge graph can support the interpretation and diagnosis of the teaching process and learning effect based on the big data of the teaching process. Based on the proposed model and method， this paper takes mathematics knowledge as an example， aiming to provide an application reference for the practice in the field of subject knowledge graph.

[Keywords] Subject Knowledge Graph； Dynamic Knowledge Graph； K-12 Education； Construction and Application