面向在線學(xué)習(xí)的知識(shí)地圖模型

面向在線學(xué)習(xí)的知識(shí)地圖模型摘要:知識(shí)地圖作為一種可視化的在線學(xué)習(xí)平臺(tái)，現(xiàn)在被越來越多的學(xué)者和企業(yè)所研究和應(yīng)用。本文提出了面向在線學(xué)習(xí)的知識(shí)地圖構(gòu)建方法，利用文本挖掘技術(shù)從文件有關(guān)特定主題中使用TF/IDF算法進(jìn)行

關(guān)鍵詞 提取。同時(shí)本文論述了知識(shí)地圖模型的構(gòu)建過程，主要包括，

關(guān)鍵詞 提取，關(guān)聯(lián)關(guān)系提綱，關(guān)聯(lián)標(biāo)記。為驗(yàn)證方法的可靠性，本文設(shè)計(jì)了相關(guān)實(shí)驗(yàn)，并對(duì)模型的效果進(jìn)行了評(píng)價(jià)。

關(guān)鍵詞 :知識(shí)地圖；在線學(xué)習(xí)；關(guān)聯(lián)關(guān)系

當(dāng)人們學(xué)習(xí)文字材料時(shí)，他們通常會(huì)按照設(shè)定的章節(jié)順序來閱讀①。雖然這是最常用的基于文本的學(xué)習(xí)方法，但在以下三種情況下可能會(huì)失效。首先，在許多情況下，人們有不同領(lǐng)域先驗(yàn)知識(shí)水平②。然而，當(dāng)他們學(xué)習(xí)文字材料，如果他們只能從開始到結(jié)束進(jìn)行閱讀，或使用表中的內(nèi)容直接跳轉(zhuǎn)到一個(gè)專門的章節(jié)③。第二，在學(xué)習(xí)者有時(shí)間壓力的情況下，可以使用目錄或索引的表，以確定的主要部分。不過也沒有其他特殊的方式來區(qū)分重要信息④。第三，如果一個(gè)文件是復(fù)雜的，或很長(zhǎng)的，那么讀者可能會(huì)發(fā)現(xiàn)很難識(shí)別重要概念和它們之間的關(guān)系⑤。

那么，知識(shí)地圖的提出在這種情況下可能是很有幫助的，從而可提高在線學(xué)習(xí)的效率⑥。關(guān)鍵概念和之間關(guān)系很直接的呈現(xiàn)在知識(shí)地圖上，使用戶能夠很輕易的查詢到所需知識(shí)。但是，知識(shí)地圖的構(gòu)建往往需要領(lǐng)域?qū)＜沂止げ僮鳌１疚奶岢隽艘环N面向在線學(xué)習(xí)的知識(shí)地圖自動(dòng)構(gòu)建方法并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

一、面向在線學(xué)習(xí)的知識(shí)地圖模型結(jié)構(gòu)

1.模型介紹

知識(shí)地圖包含的主要元素是節(jié)點(diǎn)和關(guān)聯(lián)⑦。節(jié)點(diǎn)是領(lǐng)域里一個(gè)特定的

關(guān)鍵詞 （或者稱為概念），關(guān)聯(lián)就是兩個(gè)

關(guān)鍵詞 之間的關(guān)系。知識(shí)地圖往往有知識(shí)庫(kù)支撐，知識(shí)庫(kù)通常是許多領(lǐng)域文檔的集合。如圖一關(guān)于約翰·F·肯尼迪的一個(gè)知識(shí)地圖。該地圖有18個(gè)

關(guān)鍵詞 和30的關(guān)聯(lián)。

關(guān)鍵詞 之間的連接具有不同的厚度，代表不同重要程度的關(guān)聯(lián)關(guān)系。關(guān)聯(lián)關(guān)系越重要，連接的厚度越大；關(guān)聯(lián)關(guān)系越疏遠(yuǎn)，連接的厚度越小。

知識(shí)地圖能提供一個(gè)在線學(xué)習(xí)的環(huán)境。用戶可以可視化的了解圍繞約翰·F·肯尼迪的所有概念的全貌，能清晰的判斷各類概念與之的關(guān)系。如果用戶對(duì)約翰·F·肯尼迪周圍的概念感興趣，可以直接點(diǎn)擊知識(shí)地圖上的該節(jié)點(diǎn)，會(huì)出現(xiàn)一個(gè)新的頁(yè)面展示該節(jié)點(diǎn)的詳情。

2.模型的構(gòu)建

在本節(jié)中，描述了知識(shí)地圖模型的構(gòu)建過程，其包括三個(gè)步驟，分別是

關(guān)鍵詞 抽取，關(guān)聯(lián)抽取，關(guān)聯(lián)標(biāo)記。

⑴關(guān)鍵字提取

在第一階段中，從一組文檔中提取

關(guān)鍵詞 。文檔可以手動(dòng)選擇或選擇從用戶的查詢記錄中獲取。根據(jù)一定的算法計(jì)算

關(guān)鍵詞 的權(quán)重。

關(guān)鍵詞 從知識(shí)地圖用戶的領(lǐng)域主題詞列表中選取。在運(yùn)用

關(guān)鍵詞 權(quán)重算法之前，文檔中各句子里的連接詞與停止詞，如“與”和“的”，需要首先被剔除掉。接著，我們可以獲取剔除后的僅保留主題詞的句子。通過對(duì)這些句子運(yùn)用

關(guān)鍵詞 加權(quán)算法，統(tǒng)計(jì)其詞頻，判斷其重要性和代表性。這里我們基于詞頻/逆文檔頻率（TF/IDF）方法⑧。下面TF/IDF權(quán)重法的公式：

Wik:術(shù)語(yǔ)K在文檔I中權(quán)重

tfik:術(shù)語(yǔ)K在文檔I中出現(xiàn)的頻率

N:文件的總數(shù)

nk:包含術(shù)語(yǔ)K的文檔總數(shù)

加權(quán)處理后，每個(gè)術(shù)語(yǔ)具有其自身的權(quán)重。一個(gè)

關(guān)鍵詞 在不同的文檔中可以有不同的權(quán)重，每個(gè)文檔使用的TF/IDF算法對(duì)主題詞進(jìn)行加權(quán)計(jì)算。如果相同的

關(guān)鍵詞 出現(xiàn)在多個(gè)文檔中，它的權(quán)重是由其所有權(quán)重中的最大值決定。

WMT=Max(WDiT)

Di:i個(gè)文件，i=0,1,2……在知識(shí)地圖中文件的總數(shù)

WT:T術(shù)語(yǔ)在知識(shí)地圖中的權(quán)重WDiT:在Di中術(shù)語(yǔ)T的權(quán)重

關(guān)鍵詞 是按權(quán)重排名之后，根據(jù)用戶的設(shè)置，我們選取一定數(shù)量的

關(guān)鍵詞 用于構(gòu)造知識(shí)地圖。

⑵關(guān)聯(lián)關(guān)系提取

一旦決定了的知識(shí)地圖的關(guān)鍵字，第二步就是定義關(guān)聯(lián)關(guān)系。在本文中，主要考慮兩個(gè)因素，其中一個(gè)因素是兩個(gè)主題詞出現(xiàn)在相同句子中的頻率，另一個(gè)是這兩個(gè)

關(guān)鍵詞 在一個(gè)句子中發(fā)揮多大的作用。

關(guān)鍵詞 在句中的權(quán)重隨著句子擁有詞語(yǔ)的增多而降低，反之亦然。

關(guān)鍵詞 在句中的關(guān)聯(lián)得分計(jì)算公式如下：

i,j=

關(guān)鍵詞 對(duì)

Ri,j=

關(guān)鍵詞 i和

關(guān)鍵詞 j的關(guān)聯(lián)關(guān)系得分

M=1,2,.在一個(gè)知識(shí)地圖中文檔的總數(shù)

N=1,2,.在文檔Dm中句子的總數(shù)

Sn=有n個(gè)句子

Dm=有m個(gè)文檔NDmSn=在m個(gè)文檔，n個(gè)句子中所有

關(guān)鍵詞 的個(gè)數(shù)

⑶關(guān)聯(lián)標(biāo)記

知識(shí)地圖中的連接線條越粗，代表關(guān)聯(lián)越強(qiáng)。如果用戶選擇粗的關(guān)聯(lián)進(jìn)行點(diǎn)擊，系統(tǒng)頁(yè)面上會(huì)同時(shí)展現(xiàn)許多句子，會(huì)造成信息干擾。因此，建議通過關(guān)聯(lián)標(biāo)記和分類進(jìn)一步降低的句子數(shù)。

二、實(shí)驗(yàn)

1.方法

通過招募志愿者參與知識(shí)地圖在線學(xué)習(xí)平臺(tái)進(jìn)行試驗(yàn)，通過計(jì)算對(duì)重要句子的召回率來判斷結(jié)果的好壞。文檔中句子根據(jù)其信息的重要性被分配為三個(gè)等級(jí)類別（A類，B類和C類）。通過領(lǐng)域?qū)＜襾磉M(jìn)行打分決定句子的分類登記。由于試驗(yàn)的語(yǔ)言是英文，參與試驗(yàn)的志愿者均是以英語(yǔ)為第二語(yǔ)言的學(xué)生。為了減少誤解，實(shí)驗(yàn)過程中，他們有足夠的時(shí)間閱讀文檔，并且可以討論對(duì)每個(gè)句子內(nèi)容的理解。文檔中的句子分成以下3類：

A類：能對(duì)文檔主題起到關(guān)鍵支撐作用的句子。

B類：能對(duì)文檔主題起部分支撐作用的句子。

C類：句子是不相關(guān)的話題，或者是沒有幫助。

實(shí)驗(yàn)是的主題文檔是摘選自紐約時(shí)報(bào)的新聞文章，文章里都是四級(jí)英語(yǔ)詞匯，一共有986字，44句。

2.句子的召回率

圖二(a)所示為在知識(shí)地圖的幫助下，用戶通過關(guān)聯(lián)關(guān)系獲取的句子的個(gè)數(shù)，三條曲線分別代表A、B和C三類句子的抽取數(shù)量。X-軸表示的是關(guān)聯(lián)關(guān)系的訪問數(shù)量，一個(gè)用戶訪問的順序排序。Y軸是選擇關(guān)系的句子，和用戶訪問的數(shù)量有關(guān)。該圖顯示，用戶在B類的句子中提取比其它兩類要多。圖二(b)表示為從每個(gè)主題的類別中抽取的重要的句子的百分比。X-軸表示的也是關(guān)聯(lián)關(guān)系的訪問數(shù)量，Y-軸是為每個(gè)級(jí)別的提取百分比。句類A的提取率最高，其次是B類，C類的提取率遠(yuǎn)遠(yuǎn)低于平均值。

三、在線學(xué)習(xí)的績(jī)效評(píng)估

1.績(jī)效評(píng)估

通過比較在有無知識(shí)地圖平臺(tái)支持的在線學(xué)習(xí)績(jī)效，我們可以對(duì)在線學(xué)習(xí)的效果進(jìn)行良好的評(píng)估。學(xué)習(xí)績(jī)效的主要指標(biāo)可以用用戶抽取出符合主題的句子來判別。有知識(shí)地圖平臺(tái)支持的實(shí)驗(yàn)組為地圖組，沒有知識(shí)地圖平臺(tái)支持的實(shí)驗(yàn)組為文檔組。

表1所示為這兩個(gè)群體的學(xué)習(xí)績(jī)效的結(jié)果。表中列出了觀測(cè)平均值，標(biāo)準(zhǔn)偏差和樣本大小這三個(gè)字段的具體值。通過進(jìn)行Anderson-Darling檢測(cè)，兩個(gè)實(shí)驗(yàn)組的結(jié)果都是呈正態(tài)分布的。兩組均未發(fā)現(xiàn)異常（文件組：P=0.208，地圖組：P=0.608）。此外，這兩個(gè)實(shí)驗(yàn)組被發(fā)現(xiàn)有相等的F檢驗(yàn)（P=0.874）和Levene檢驗(yàn)（P=0.955）。最后，對(duì)兩個(gè)實(shí)驗(yàn)組進(jìn)行了t-檢驗(yàn)，結(jié)果表明，兩組（P=0.886）之間無顯著差異。

表2分析兩組之間的對(duì)主題模糊抽取的數(shù)量，而不考慮抽取的句子是否能對(duì)主題的完全支持。分析表明，知識(shí)地圖和文檔組都正常（文檔組：P=0.190，地圖組：P=0.695）。此外，兩組有平等的方差F檢驗(yàn)（P=0.806）和Levene檢驗(yàn)（P=0.954）。t檢驗(yàn)的結(jié)果表明，有兩組之間沒有差異（P=0.901）。換句話說，有提取的主題句子數(shù)目沒有很大差異。

2.不重要信息的比較

不重要信息提取，是指C類句子的提取，這主要是分析文檔組和知識(shí)地圖組在學(xué)習(xí)過程中對(duì)主題產(chǎn)生的誤解。結(jié)果表明這兩個(gè)實(shí)驗(yàn)組都有抽取不同數(shù)量的與主題不相關(guān)的句子。表3所示為C類觀測(cè)平均值，標(biāo)準(zhǔn)偏差和樣本大小的統(tǒng)計(jì)數(shù)據(jù)?？梢钥吹街R(shí)地圖組的觀測(cè)平均值為0.82，小于1，結(jié)果表明，在知識(shí)地圖支持的在線學(xué)習(xí)環(huán)境下，用戶可能對(duì)主題的誤解和歧義會(huì)很小。

同時(shí)，通過進(jìn)行正態(tài)性檢驗(yàn)，和非參數(shù)檢驗(yàn)（Mann-Whitney檢驗(yàn)），檢查文檔組合知識(shí)地圖組是否在無關(guān)信息的量上有差別。結(jié)果表明，有差異（P=0.0031），文件組往往要比知識(shí)地圖組得到更多的無用信息。

知識(shí)地圖作為一種可視化的知識(shí)管理工具，可以輔助用戶進(jìn)行在線學(xué)習(xí)，用戶可以清晰了了解文檔的所有主題以及主題和主題之間的關(guān)聯(lián)關(guān)系。本文提出了自動(dòng)創(chuàng)建知識(shí)地圖的方法，利用文本挖掘技術(shù)從文件有關(guān)特定主題中使用TF/IDF算法進(jìn)行

關(guān)鍵詞 提取。同時(shí)本文論述了知識(shí)地圖模型的構(gòu)建過程，主要包括，

關(guān)鍵詞 提取，關(guān)聯(lián)關(guān)系提綱，關(guān)聯(lián)標(biāo)記。為驗(yàn)證方法的可靠性，本文設(shè)計(jì)了相關(guān)實(shí)驗(yàn)，并對(duì)模型的效果進(jìn)行了評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明，知識(shí)地圖確實(shí)能提高在線學(xué)習(xí)的績(jī)效。用戶可以看到一個(gè)領(lǐng)域中中所有的關(guān)鍵概念，并可以識(shí)別出哪些概念是密切相關(guān)的。用戶閱讀時(shí)可以直接跳轉(zhuǎn)訪問相關(guān)文件的某個(gè)句子。未來的工作主要包括分析知識(shí)地圖是否可以作為一個(gè)搜索引擎，如果更精確的給用戶推送相關(guān)知識(shí)。

引文注釋

①Chen,Y.,&Xia,H.(2024).Researchontheauto-constructionmethodsofconceptmap.InProceedingsofinternationalconferenceonin?telligenthuman-machinesystemsandcyber?netics.

②Chu,K.K.,Lee,C.I.,&Tsai,R.S.(2024).Ontologytechnologytoassistlearners’naviga?tionintheconceptmaplearningsystem.Ex?pertSystemswithApplications,38,11293–11299.

③高毅，申瑞民.基于開放E-Learning平臺(tái)的學(xué)生行為分析中心[J].計(jì)算機(jī)工程,2024(15)④Hou,X.,Ong,S.K.,Nee,A.Y.C.,Zhang,X.T.,&Liu,W.J.(2024).GRAONTO:agraphbasedapproachforautomaticconstructionofdomainontology.ExpertSystemswithApplica?tions,38,11958–11975.

⑤Jia,H.,Wang,M.,Ran,W.,Yang,S.J.H.,Li?ao,J.,&Chiu,D.K.W.(2024).Designofaperformance-orientedworkplacee-learningsystemusingontology.ExpertSystemswithApplications,38,3372–3382.

⑥Wang,Y.H.,&Liao,H.C.(2024).Datamin?ing