在线学习环境中知识地图自动构建方法与实例研究Word文档下载推荐.docx

在线学习环境中知识地图自动构建方法与实例研究Word文档下载推荐.docx

《在线学习环境中知识地图自动构建方法与实例研究Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《在线学习环境中知识地图自动构建方法与实例研究Word文档下载推荐.docx（6页珍藏版）》请在冰豆网上搜索。

A文章编号：

1672-7800（2016）004-0022-03

　　0引言

　　随着信息技术的飞速发展，知识呈现爆炸式增长，如何进行知识管理显得异常重要，知识地图是组织实施知识管理的有效工具。

知识地图理论研究较多，但关于其制作方法却很少提及，即使有也是手工制作方法。

手工制作知识地图方法在信息资源庞大的情况下非常低效。

因此，本文提出了知识地图自动构建方法。

　　本研究针对以文本形式大量存在的显性知识资源，在构建知识地图一般流程的基础上，提出了知识地图自动构建方法，并引入实例对该方法进行了分析。

　　1相关理论

　　1.1知识地图

　　知识地图（KnowledgeMap）的概念最早由情报学家布鲁克斯[1]（B.C.Brooks）在其经典著作《情报学基础》中正式提出。

他对知识地图的定义是：

在精辟分析和筛选文献逻辑内容的基础上，找出蕴含人们创造思路与被研究客体的相互关系及其联结点，像普通地图那样，将其直观而形象地表达，以展示知识的有机结构。

　　台湾中原大学贺嘉生[2]教授提出，知识地图是以概念图与基模设计的知识库表示。

　　台湾国立中山大学梁定澎博士认为，知识地图是一个与知识搜寻有关的概念，它告诉人们知识的所在位置，并且将知识与知识间建立关联，把知识按一种层级方式组织起来，让人们在搜寻时可依其层级及所提示的关联性找到所需的专业知识。

　　由此可见，目前对知识地图还没有统一的定义，各专家学者对知识地图的定义不尽相同，但这些表述揭示了知识地图的本质和精髓，即知识地图是作为一个知识向导的形式存在的，并不是具体知识的集合。

对用户来讲，大部分信息是在知识地图所指向的知识源中，而并非包含在知识地图本身。

这些知识源包括显性知识（固化在载体上的文献、数据库、符号语言资料），也包括专家所拥有的隐性知识。

知识地图不仅揭示知识的存储位置，也揭示了知识之间的关系，促进知识的转移和共享。

　　根据面向对象不同，知识地图可分为面向程序、面向概念、面向能力以及面向社会关系的知识地图；

根据知识地图的功能和应用，可分为企业知识地图、学习知识地图和资源知识地图[3]。

知识可以分为显性知识和隐性知识，本文对知识地图的构建主要针对以文本形式大量存在的显性知识资源。

　　1.2知识地图构建

　　目前，国内研究大多集中于知识地图的内容、形态和功能等，偏重理论性，而对知识地图的具体构建实施方法很少提及；

国外对知识地图的研究起步较早，研究也比较深入，比如早期的思维导图，它是由英国教育兼心理学家托尼?

巴赞[4]在20世纪60年代首次提出的，除思维导图外，还有概念图，这两种知识地图都用于帮助用户更好地组织、理解和掌握知识；

Gordon[5]提出通过学习过程中各知识点的依赖关系来建立知识地图。

这种知识地图可以进行员工培训、课程编制以及个人学习。

以上知识地图都是通过手工制作的，在知识资源庞大的情况下非常低效，因此就出现了如Newsmap[6]、TreeviewSOM[7]等自动生成的知识地图，这些知识地图都是通过聚类方法，将从Web上搜集的大量新闻文档归并到一个自动生成的层次分类体系中。

Tseng、Sue等[8]提出了一个“两阶段概念图构建法”，这个方法依据学习者以往的测验数据自动构建概念图；

Hou、Ong等[9]提出了GRAONTO，即一个基于图表的自动构建领域实体方法，该方法生成文档图表并运用术语权重，从局部和全局两个角度去评估术语信息与文档集之间的关系。

　　由以上实例可见，我国对知识地图自动构建的研究还处于起步阶段，而国外对知识地图自动构建的研究也主要是在学习者以往的学习经验基础上进行的。

本文提出的则是一个以在线学习为目的的、基于未开发学习材料的自动构建知识地图方法，并引入实例对其学习效果进行了实践性验证。

　　2学科知识地图自动建构过程

　　GartnerGroup[10]提出构建知识地图的4个主要活动：

知识审查（KnowledgeAudit）、知识制图（KnowledgeMapping）、建立索引（IndexingKnowledgeAssets）和知识轮廓与个性化（KnowledgeProfilingandPersonalization）。

JochenDorre等[11]认为，知识地图的构建过程应遵循CPPL程序，即知识收集（Collect）、知识处理（Process）、知识轮廓（Profile）和知识链接（Link）。

石磊[12]提出了基于语义网的知识地图构建，并运用Proté

gé

编辑工具呈现了计算机学科的知识地图。

　　毕强等[13]提出知识地图3个核心要素：

知识概念、概念之间的相互联系、可视化表达。

可见，构建知识地图首先要根据学科应用和学习对象对知识进行识别整理，提取元知识，然后建立知识资源之间、知识与用户之间、用户与用户之间的联系，最后用可视化方式呈现给用户。

本文提出的知识地图自动构建流程如图1所示。

　　2.1定义所需知识

　　确定知识地图所包含的知识范围，并根据这一范围对知识内容和资源进行收集整理。

实际上，在知识地图构建之初，并不是所有的知识都被包含进去，其中可能只包含组织业务流程确定的核心知识，以及解决组织面临的问题所需要的关键知识[14]。

随着知识地图的不断发展，其覆盖范围可逐步扩展。

这时可以将所需的学科知识，以及有价值的外部知识逐步加入进来，使知识地图逐步趋于完善。

　　2.2相关概念提取

　　从一系列用户选取的文档中提取特征词（即关键术语），对所有训练文档进行分词、去停用词的预处理，统计词频，从用户列出的排在最前面的有限术语中选择出特征词，每个术语通过词加权算法都会得到一个权重，加权算法是在TF/IDF[15]方法基础上进行的。

以下是计算权重的常用公式：

　　2.3概念相互关系分析

　　对相关概念之间的关系进行描述分析，并建立知识概念连接，将知识节点与其父节点和子节点有序连接，节点之间的连接代表概念间的关系。

一旦知识地图中的特征词确定了，概念之间的关系也就明确了。

陈年兴等[16]的研究中，提出了确定概念间关系的几个假设，在这些假设的基础上，为了确定概念间关系要考虑以下两个因素：

①两个关键词在同一句子中出现的频率大小；

②这两个关键词在句子中的重要性大小。

　　随着术语在句子中出现频率的增加而权重减小，关系值在短一点的句子中比在长一点的句子中大。

每个关系都有一个值，这个值用来对关系进行排序。

其中重要句子的特点一般是它包括更多的关键词，并且长度较短，附属句子较少[17]。

　　计算关键词之间关系的公式[18]如下：

　　Ri，j=∑Dm∑Sn2NDmSn（3）

　　式（3）中，i，j代表关键词对，Ri，j代表关键词i和关键词j之间的关系值，m代表知识地图中文档总数，n代表文档Dm中句子总数，Sn代表第n个句子，Dm代表第m个文档，NDmSn代表在文档Dm、句子Sn中词的总量。

　　2.4知识结构可视化表达

　　在提取了关键概念并分析了概念间的关系后，需要将这些知识及其相关关系可视化地呈现给用户，即对知识结构进行可视化表达。

在这一过程中，要确认知识地图结构和知识描述的一致性，建立正确的链接和完整的知识网络。

　　2.5知识地图更新、维护及评估

　　知识地图的构建过程是一个动态的循环过程，在构建知识地图的过程中要不断更新、维护和评估。

因为知识具有时效性，整个知识体系在不断发生变化，有的知识可能会过时，新的知识又会不断加入；

对知识地图的评估可以发现其不足，从而进行改进和完善。

　　3实证分析

　　国外研究者JaeHwaLee和AvivSegev[18]对知识地图自动构建模型通过实验进行了验证，实验方法是对基于文档的学习小组和基于知识地图的学习小组最后的学习绩效进行比较，从而验证基于知识地图的学习绩效高于基于文档的传统学习方法。

　　3.1实验方法

　　实验对基于文档学习小组和基于知识地图模型学习小组所提取的信息元数量进行比较，对不重要的信息元数目也进行比较。

　　实验参与者为本科生和研究生，他们有着相同的母语，并且都以英语为第二语言。

参与者被随机分为两个小组，允许他们使用电子词典。

实验中给出学习材料，并要求他们在8分钟的学习时间后通过回忆写下学到的任何知识，评分员对参与者回忆的结果给出分数。

　　实验将参与者的回忆结果分数分为0、1、2三个等级，评分者逐句阅读参与者的答卷，并把答卷中的每一个句子分成更小的句子，从而使每个小句子仅仅包含一条信息，这种信息称为信息元。

然后评分者将每一个信息元与源文档内容进行匹配，这个信息元就可以获得一个分数，分数范围从0到2，所有信息元所得的分数总和就是一份答卷的总得分。

其中：

0：

这个信息元完全不准确，或者不能与源文档中的任何一个信息元进行匹配；

1：

这个信息元部分准确或者部分匹配；

2：

这个信息元完全准确和匹配。

　　3.2测试结果

　　表1、2、3列出了两个实验组的自由回忆测试结果，表中分别显示了观察平均值（Observedmean）、标准差（Standarddeviation）和样本大小（Samplesize）数值。

　　表2分析了不考虑信息元准确程度的情况下两个实验组的信息元数目，分析结果表明，两个实验组在提取的信息元数目上并没有区别。

最初期望是：

文档学习小组应该比知识地图小组的回忆测试分数高，因为基于文档的学习者是按照的引导从头到尾阅读文档，但是实验结果并没有显示出平均分数有什么不同。

　　表3比较了两个实验组与主题无关的信息元数目，结果显示两个实验小组的无关信息元数目不同，且基于文档的学习小组学习了更多的与学习主题无关的信息，这体现出知识地图在提取重要信息方面的优势。

　　3.3实验结论

　　基于文档的学习小组与基于知识地图的学习小组在自由回忆测试中平均分数几乎没有差别。

由于参与者知识背景相似，学习时间限定只有8分钟，参与者在学习过程中应该没有分散注意力。

如果时间变长，学习者的注意力就会分散，那么基于知识地图的学习小组平均分数极有可能高于基于文档的学习小组。

　　两个实验组提取的信息元数目没有差别，但是基于文档的学习小组却提取了更多的无关信息，显示知识地图在提取重要信息方面存在优势。

尤其是当学习资源数量庞大时，运用知识地图可以节约很多的时间和精力。

　　4结语

　　随着知识资源规模的日益庞大，手工编制知识地图的方式已不能满足知识管理的需要。

本文依据知识地图的构建流程，提出了知识地图的自动构建方法与步骤，并引入实例对其有效性进行了分析验证。

虽然国内基于知识地图的学习还处于起步阶段，但是知识地图在提取重要信息元、节约学习者的时间和精力方面表现出的优势，必将使知识地图得到广阔的发展空间。

　　参考文献参考文献：

　　[1]陈强，廖开际，奚建清.知识地图研究现状与展望[J].情报杂志，2006（5）：

43-46.

　　[2]陈强，孟月萍.知识管理中知识地图及其应用研究[C].全国计算机新科技与计算机教育论文集，2005.

　　[3]张淑君.知识管理的典型工具――知识地图[J].实践与探索，2009

（1）：

205-206.

　　[4]邓敏杰，李占伟，张豪锋.运用思维导图优化小学作文教学的实践[J].中国电化教育，2012（3）：

90-94.

　　[5]JLGORDON.Creatingknowledgemapsbyexploitingdependentrelationships[J].Knowledge-BasedSystem，2000（13）：

71-79.