全文约3900字，阅读需9分钟
导读
教育部高等教育司提出，要通过虚拟教研室的各类活动，共建优质教学资源库，不断沉淀和积累优质教学资源，包括教学大纲、知识图谱、电子课件等。何为“知识图谱”？它有哪些应用场景？本文做了介绍。
作者丨石庭豪 复旦大学知识工场实验室
来源丨知谱空间
构建教育知识图谱是教育领域智能应用的基础。教育知识图谱以学科知识为核心，建立各个学科的知识点概念、层级关系、知识点与知识点之间的关联关系、不同知识点之间的前后序关系，构成学科知识图谱（图1）。学科知识只是教育领域的一类教学资源，其他例如各种教材、教辅、题目、视频图片等多模态的学习资源都是在构建知识图谱时需要覆盖到的内容。教育图谱本体层的构建主要是对教育领域内概念的梳理，对关系、属性以及相关约束的定义。当前主要以领域专家梳理为主，一定的技术手段作为辅助。领域专家参考课程标准和教材梳理出覆盖核心概念和基本关系的领域知识体系，建模出该学科的知识框架。知识获取部分是构建教育知识图谱的核心，可以利用人机耦合的方式半自动化构建。教育知识图谱对质量要求非常高，准确率要近乎100%。在质量控制环节，对于知识置信度相对较低的知识，需要由教研人员进行人工审核以确保正确率。知识资源的构建过程是一个长期过程，需要运营团队、算法工程团队配合，不断迭代完善。教育知识图谱可以把知识点之间的关系通过可视化的形式一目了然地展示给学生，帮助学生构建知识体系、查阅知识要点、发现知识点之间的关联，总结沉淀，消灭知识盲区。学科知识图谱构建之后，需要与教学资源（教材、试题、讲义、教学视频、试卷等）构建关联，通过用户信息和学习记录，建立知识点与用户间的关联。知识图谱能更加精准刻画学生知识的掌握情况，更加准确地刻画资源，从而实现对用户进行精准的学情研判、学习路径规划、学习资源个性化推荐。知识图谱也能帮助老师更好地了解学情，优化教学方法，调整教学策略；通过与教研资料关联，主动向老师推荐教研资料，为老师教研备课提升效率和质量。以知识图谱问答为核心技术的辅助教学答疑系统还可以有效减轻简单重复问题给老师带来的负担，很大程度满足学生的答疑需求。构建教育知识图谱需整合教育领域分散在各系统里的数据，通过一系列技术“萃取”获得领域知识（课程知识，教学知识，学科知识，百科知识等）并以一种友好的方式，沉淀到知识库，建立知识和教学资源间的关联关系。基于教育知识图谱，结合自然语言、机器学习、数据挖掘、图挖掘、图推理技术并提供语义搜索、精准推荐、用户画像、智能问答、行为预测、精准分析、决策支持等应用服务构成整个教育智脑，应用于不同的教学场景，赋能智慧教育，实现提升教学效率和教学质量，促进教育公平公正以及智能化个性化教育的目标。教育图谱连接用户行为信息与资源对象，提取关键信息精准刻画用户画像。基于知识图谱的用户画像可积累数据，全面精准的刻画用户，诊断学情。用户画像技术大家应该已经比较熟悉，本质就是“打标签”，可以更好的刻画用户，理解用户。用户画像是否精准决定了对用户的理解能否准确。实际应用中，用户画像主要有2个问题待解决，第一是画像数据不完整，第二是画像数据不正确。这些问题可利用知识图谱解决。知识图谱上的节点覆盖足够多的实体，足够多的概念是教育领域知识的抽象，可作为用户画像的标签来源，其精良的质量使打上的标签更加的准确。标签间具有联系，图谱中包含丰富的语义关系，这样可以帮助机器去理解这些标签的意义。友好的结构利于人们更好的理解、直观的发现标签间的关系。可以利用标签传播、跨领域推荐等算法去挖掘更多更精准的标签来描述用户，丰富用户标签，提升用户精准度。另外用户画像可以单独作为产品进行可视化呈现，利用图谱中的关系，生成个性化、动态变化的用户画像知识图谱。利用知识图谱可进行更加精准的学情分析。传统教育专家（老师经验）的学习诊断，主要依靠经验对学习者的知识与能力状态进行评估，缺乏教育测量学思想的融入，具有较大的偶然性和主观性。基于知识图谱，大数据分析等方法对学习者客观的学习过程进行挖掘，从多种维度去做分析，数据可以挖掘的维度众多，不限于测试成绩，错题本，学习记录等行为轨迹中挖掘的知识掌握情况，知识薄弱点等显性的特征，还可以挖掘一些深层次例如学习速度，学习偏好，认知水平等隐形特征，使分析结果更加的个性化、客观化。对于未能达成的学习目标，利用知识图谱分析原因，发现薄弱点和关联依赖的知识点，能有效的查漏补缺，诊断过程具备更好的自适应性和个性化。知识图谱在教学应用中，可辅助老师完成备课、教研、出题、试题分析的工作。系统可以推荐的方式为老师推荐同类相关的资料（教案，课程讲解规划，作业等）提升老师的教学效率，基于图谱的搜索也可以更精准的返回所需内容。利用学科知识图谱关联学科知识点与教材、讲义、习题等教研内容，依据老师的教学进度、教材版本，持续推送符合教学需求的备课资源，搭配搜索快速准确的得到老师所需资源，提升备课效率和质量。除了备课，在智能组卷、考试分析中也可以利用学科知识图谱来作为背景知识辅助完成相关任务，极大的提升了教研的效率。通过对学情的精准分析，系统推荐相关的巩固练习题，有针对性的制定教学策略，提升教学针对性,达到精准教学。课前、课中、课后综合运用数据挖掘和智能化能力。课前，利用数据挖掘技术得到学生学情数据，制定教学策略，做到决策数据化。课中，依据制定的教学策略有针对性的教学，讲解知识点，分组讨论教学。利用知识图谱对知识内在的关联进行可视化呈现，帮助学生构建对知识的深层次认知。课后，推荐相关课后习题，根据学生学情状况、学习能力，定制化的推荐练习题、错题巩固等内容。提升课堂教学的质量和针对性，将动态数据分析、动态学情诊断贯穿教学全过程，实现因材施教，让教学决策数据化、智能化。基于知识图谱，数据分析技术快速的检测定位学生的学习状况和薄弱点，基于对学生学情更加准确的判断，利用知识点之间关联关系、前后序关系，合理且有针对性的推荐相关内容以及学习策略，规划学习路径，完成精准检测、内容推送、路径规划等整个流程的动态闭环，稳步提升学生知识掌握程度。检测学习水平，找到薄弱知识点。通过对学生过程化动态学习数据的自动分析，检测学生学习水平，精确诊断学生学习情况，并分析学生薄弱知识点。基于知识图谱的推荐，融合基于内容和协同过滤等多种推荐技术，让推荐更精准。给学生推荐更具针对性的内容。为学生提供优质学习资源、个性化学习资源，实现错题举一反三和使学生摆脱题海战术，大幅减少学生重复练习的时间和课业负担。基于知识图谱的推荐还可以从概念、前后序、属性等维度给予推荐结果解释。基于知识图谱可以对教学资源进行标签化，理解学习资源所涉及的知识点、关联考点、考题。深度理解用户输入的搜索内容，可以很好的实现语义搜索，精准的搜索到所需资源。另外，利用知识图谱可以在用户进行相关实体搜索时，同时展示跟该实体相关的图谱子图，让用户能发现更多与该知识相关的知识，帮助用户进行知识的关联和发散学习。路径规划服务指基于知识点间的关系和学生的学习偏好、学习能力等多个维度，为学生量身定制个性化学习方案，使学生从原来表层知识学习，逐步深入到深层学习。基于知识图谱的深度阅读，主要目标是实现对知识间的关联智能化，可以全面的认识知识。利用实体链接技术对电子出版物进行实体识别与连接，通过知识卡片的形式展示当前知识信息。也可关联到其他与之相关知识，进行相关知识的推荐，帮助用户把知识串联起来，极大促进用户对知识的全面理解。深度阅读不仅可以运用于教育领域，也可以很好的应用于知识管理以及出版行业。教育机器人已经成为教育领域的一个重要应用。依靠以问答系统为核心的教育机器人，可以实现课程答疑、知识检索推荐、教学管理等一系列教学工作。既减轻了老师的负担和压力，又能解决学生的实际问题。一个优秀全面的教学机器人，可集成任务型问答、Chatbot、知识型问答，搜索推荐系统等多个系统模块的综合体，同时具备多轮问答能力。知识图谱在问句query理解、，知识引导的语言生成中起着重要作用，也是KBQA的核心。教育的目的还是为了给社会发展建设提供有用人才。教育知识图谱同样可以服务于人才的选择招聘等教育的下游应用。例如就业市场利用教育知识图谱可以很好的赋能智能招聘。借助学科知识图谱应用于人岗匹配、岗位智能推荐等招聘场景，提升企业招聘的效率和精准度，还可有效提升招聘者的工作效率和满意度。注：本文系作者石庭豪结合复旦大学知识工场实验室实际项目经验以及肖仰华教授《认知智能与教育智能化》报告等整合形成。
教育部发布《关于公布第二批虚拟教研室建设试点名单的通知》
高教司副司长范海林：虚拟教研室为什么建、建什么、怎么建？
推进虚拟教研室建设！教育部内刊《高校智慧教研》第一期重磅发布
前沿丨武汉理工大学校长杨宗凯：数字化转型时代，对未来教育的四大展望
前沿丨《高等教育教学数字化转型研究报告》
关于我们：
《高校教学创新100人》是面向高校老师和师范生的知识型媒体，关注教学创新、课程创新、终身学习、混合学习、虚拟教研室等方向，我们致力于“让一部分师生率先触摸教育未来”！
备注“职务+姓名”，加入读者交流群
联系我们：
王慧 主笔&内容老师 微信号：HofMarchbh
张沉浮 主编&总负责人 微信号：chenfu3721