基于計算思維解析知識地圖自主學習模型

蔡榮華 趙海斌

摘? 要 以計算思維方法解析知識地圖自主學習模型構建，通過計算思維的方法對知識地圖進行分析，幫助學習者更高效地理解知識地圖，構建完善個性化的知識地圖自主學習模型。同時，在知識本體庫層引入深度學習方法，完善知識地圖自主學習模型的教育數據挖掘分析技術。

關鍵詞 計算思維;知識地圖;數據挖掘;自主學習模型;機器學習

中圖分類號：G652? ? 文獻標識碼：B

文章編號：1671-489X（2018）20-0060-03

Analysis of Knowledge Map Autonomous Learning Model based

on Computational Thinking//Cai Ronghua， Zhao Haibin

Abstract This paper analyzes the autonomous learning model of

knowledge map by calculating thinking method， analyzes know-ledge map through the method of calculation thinking， helps learners

understand knowledge map more efficiently， and constructs an auto-

nomous learning model of knowledge map. At the same time， the

deep learning method is introduced in the ontology layer to improve

the educational data mining and analysis technology of the know-ledge map autonomous learning model.

Key words computational thinking; knowledge map; data mining; autonomous learning model; machine learning

1 計算思維概述

周以真提出計算思維[1]，引起學術界熱烈討論，為人們解決問題提供了新的思路，繼而深入開展對計算思維能力的培養和運用計算思維解決問題的研究。計算思維作為人們學習的有力工具，主要有約簡、嵌入、轉化、遞歸、仿真和離散分析等方法。

2 知識地圖概述

知識地圖是一種知識庫管理系統技術與Internet技術相結合的新型知識管理技術[2]。知識地圖這一概念最早出自情報學，主要目的是揭示知識節點間的層次以及知識節點間的關系，具有知識導航和知識管理的作用。知識地圖按構建的方法可以分成八類，分別是概念型知識地圖、分布式知識地圖、流程型知識地圖、結構型知識地圖、聯系型知識地圖、生命期知識地圖、導航型知識地圖和認知型知識地圖[3]。構建個性化的自主學習模型，需要基于人的認知規律，因此，本文采用的是認知型知識地圖。

3 以計算思維解析知識地圖自主學習模型

蔡榮華、范云霞構建了圖1所示知識地圖自主學習模型[4]。通過計算思維的關注分離方法（SOC）對知識地圖模型進行分析，可以分為四層，分別是行為層、學科知識本體庫層、數據采集層和信息可視化層。其數學模型表示為：

M={AC，AD，DS，DV}? ? ? ? ? ? ?（1）

式中，M表示知識地圖自主學習模型，AC表示行為層，AD表示學科知識本體庫層，DS表示數據采集層，DV表示信息可視化層。

在蔡榮華、范云霞構建的知識地圖模型中，AC包括三個方面的行為，即對知識進行瀏覽、對知識進行查詢和對知識進行選取。其數學模型表示為：

AC={BR，QU，CH}? ? ? ? ? ? ? （2）

式中BR表示對知識進行瀏覽，也即對知識的遍歷;QU表示對知識進行查詢，也即對知識的檢索;CH表示對知識進行選取。在真實的學習環境中，知識是無限的，要用有限的精力、時間對知識進行瀏覽、查詢，選擇能解決問題的知識;對已經解決的問題通過計算思維的約簡、仿真等方法，選擇合適的方式去陳述問題，搜集相關知識建立問題或問題相關方面的模型，使AC過程更高效地完成;對于難以處理的問題，通過計算思維的約簡、轉化等方法，把難以處理的問題變成一個已經知道解決方法的問題，或者通過遞歸的方法，找出難以處理的問題中的關鍵點，大大縮減BR的檢索范圍和方向;對于復雜或龐大的問題，采用計算思維的抽象、分解方法對問題進行分類，進行多線程知識瀏覽，讓協作學習成為可能，提升QU的效率;對無法解決的問題，按照計算思維的方法預防、保護及通過冗余、容錯、糾錯的方式，避免CH走上錯誤方向;對未知問題，利用計算思維方法啟發式推理確定AC的目標，減少知識檢索的時間;對于多個問題，利用計算思維SOC方法對問題進行歸類，方便不同的學習者分組協作，共同解決問題。

在蔡榮華、范云霞構建的知識地圖模型中，AD包括對知識節點進行語言含義分析、對知識點進行描述和在知識點之間建立鏈接。其表述可以用數學模型表示：

AD={SE，KP，KL}? ? ? ? ? ? ?（3）

式中SE表示知識節點進行語言含義分析，KP表示對知識點進行描述，KL表示在知識點之間建立鏈接。計算思維的方法可以提升AD構建的效率。運用計算思維的約簡、轉化、仿真等方法對知識節點進行語義分析，描述知識點，使SE和KP模塊化，確定知識點，提升知識提取的效率。采用計算思維抽象、分解的方法對確定的知識點建立牢固的聯系，形成KL。計算思維的方法對AD的影響極為積極，幫助學習者明確SE，精準描述KP，并將SE與KP之間建立起有邏輯關系、穩固的KL。

AD本身是為解決問題服務的，高效利用AD需要運用教育數據的挖掘分析技術。余明華、馮翔、祝智庭使用機器學習方法對教育數據進行自動化分析來發現未知的新知識和模式，如圖2所示[5]。

在DS中，通過計算思維遞歸的方法將問題從表面逐步深入到本質、核心的問題點，形成假設，明確AC的目標和范圍。AC在學習者所處的教育環境中搜集知識，幫助學習者形成自己需要的目標數據AD。通過計算思維的SOC、轉化等方法對AD轉換數據，進而進行數據挖掘。計算思維的方法同樣可以應用于機器學習中。當學習者不知道采取何種方法對問題進行分析時，可以引導學習者使用計算思維方法遍歷分類、回歸、聚類等機器學習方法，幫助學習者找到最合適的方法，進而建立數據挖掘模型，對學習者學習行為進行分析，進而建立預測模型（Predictive Model）;

或者對學習者知識進行分析，進而建立描述模型（Descrip-tive Model），實現對知識的解釋或評估，形成新的知識。新知識可以驗證在教育環境之初提出的假設，也可以預測學習者行為，發現AD新結構。如通過分析學生的學習成果來預測其未來的學習表現，又或通過分析知識的數據來發現新的知識模式或結構。

閆志明、唐夏夏、秦旋等認為在教育人工智能中，教學模型、領域知識模型和學習者模型是其核心[6]。因此，在余明華、馮翔、祝智庭的基礎上，本文對DS進行學習者建模補充，增加學習者知識水平、行為和情緒的建模，如圖3所示。

知識地圖自主學習模型構建還應新增學習者知識、行為和情感這三個影響因素。通過對學習者進行知識分析，完成知識建模，持續了解學習者知識構成的變化，生成學習者形成性評價;通過對學習者行為進行分析，進而建立行為建模，分析學習者的學習歷史，發現學習者的特征，方便對學習者分組進行協作學習;通過對學習者進行情感分析，建立情感模型，持續了解學習者的情緒變化，進而發現情緒與學習者知識構成、學習行為的相關性。這樣通過學習者模型對學習者的預測和反饋更為精準，推薦的課程和資源更加適應學習者。

DV將其知識點和知識點之間的關系進行可視化顯示，并在對知識點描述時可以根據布盧姆在認知領域對教學目標的分類，將知識點描述為知道、理解、應用、分析、綜合和評價類知識，用不同顏色的點表示，經過知識點的聯結形成的知識地圖更加清晰。

AC、AD、DS、DV四者緊密聯系，AC瀏覽、查詢、選擇的知識越廣越深，形成的AD的知識結構越牢固，AD影響DS的采集效率，DS影響DV的形成。

4 結束語

本文使用計算思維方法對知識地圖自主學習模型進行解析完善，幫助學習者構建個性化的知識地圖學習模型，提升學習效率。同時探討計算思維方法在知識地圖模型和機器學習中的使用，為計算思維的培養提供新的思路。

參考文獻：

[1]周以真.計算機思維[J].中國計算機協會通訊，2007，

3（11）.

[2]邱均平.知識管理學[M].北京：科學技術文獻出版社，

2006：219.

[3]葉六奇，石晶.知識地圖的構建方法論研究[J].圖書情報工作，2012（10）：30-31.

[4]蔡榮華，范云霞.大數據視角下基于知識地圖的自主學習模型構建[J].中國教育技術裝備，2017（5）：79-81.

[5]余明華，馮翔，祝智庭.人工智能視域下機器學習的教育應用與創新探索[J].遠程教育雜志，2017（3）：11-21.

[6]閆志明，唐夏夏，秦旋，等.教育人工智能（EAI）的內涵、關鍵技術與應用趨勢：美國《為人工智能的未來做好準備》和《國家人工智能研發戰略規劃》報告解析[J].遠程教育雜志，2017（1）：26-35.