基于知識圖譜的適應性慕課生成理論模型及實現(xiàn)機制研究

摘要：在教育數(shù)字化轉(zhuǎn)型的時代背景下，慕課的適應性學習支持正在面臨新的挑戰(zhàn)。為應對這一挑戰(zhàn)，文章立足于我國慕課蓬勃發(fā)展的現(xiàn)狀，針對慕課課程相互獨立、適應性支持不足等問題，首先構(gòu)建了基于知識圖譜的適應性慕課生成理論模型。然后，文章以該理論模型為指導，提出服務應用落地的實現(xiàn)機制，即以知識圖譜技術(shù)為支撐將現(xiàn)有優(yōu)質(zhì)慕課資源重構(gòu)為相互關(guān)聯(lián)的學科“網(wǎng)”絡，系統(tǒng)化整合多種自適應學習技術(shù)支持，生成高質(zhì)量、聯(lián)結(jié)化的適應性慕課。最后，文章以項目組研發(fā)的“智慕”平臺為案例示范，勾勒了基于知識圖譜的適應性慕課生成和實踐的真實場景，旨在為我國大規(guī)模、可推廣的適應性慕課實現(xiàn)提供理論和實踐借鑒。

關(guān)鍵詞：適應性慕課；慕課重構(gòu)；適應性學習；知識圖譜

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）12—0105—10 【DOI】10.3969/j.issn.1009-8097.2024.12.011

在教育信息化不斷深入和教育數(shù)字化轉(zhuǎn)型持續(xù)推進的時代背景下，慕課憑借其課程資源優(yōu)質(zhì)、開放、共享的特點得到迅猛發(fā)展，對在線教育領(lǐng)域產(chǎn)生了深刻的影響^[1]。2013年，我國將慕課引入教育教學，經(jīng)過十余年的探索與實踐，其建設數(shù)量和應用規(guī)模均居世界第一^[2]。在此期間，一大批頂尖高校和優(yōu)秀教師積極響應，涌現(xiàn)了數(shù)以萬計的高質(zhì)量慕課，我國慕課正逐漸成為高品質(zhì)“金課”典范^[3]。但是隨著應用的不斷深入，慕課的不足也逐漸暴露出來，其中的典型問題包括：噴涌式增長的慕課資源呈現(xiàn)課程相互獨立、資源重復建設等現(xiàn)象，進而導致“知識迷航”“信息過載”等問題^[4]；現(xiàn)有慕課往往是教師將精心設計的教學資源以固化的知識結(jié)構(gòu)呈現(xiàn)給學習者，缺乏適應性的學習支持，難以滿足智能時代多元化的學習者的個性化學習需求^[5]。針對這些問題，有研究者指出，將適應性學習技術(shù)應用于慕課，為學習者提供適應性學習支持，從而指引有效學習的發(fā)生，不失為一種可行的解決途徑^[6]。同時，這也是探索和實現(xiàn)大規(guī)模適應性學習的有效方式^[7]?；诖?，本研究立足蓬勃發(fā)展的優(yōu)質(zhì)慕課，嘗試以知識圖譜聯(lián)通慕課資源，系統(tǒng)化整合多種適應性學習技術(shù)支持，探索基于知識圖譜的適應性慕課生成理論模型和實現(xiàn)機制，并以自主研發(fā)的“智慕”適應性慕課平臺為案例示范，驗證提出理論模型和實現(xiàn)機制的可行性，旨在為我國大規(guī)模、可推廣的適應性慕課實現(xiàn)提供理論和實踐借鑒。

一 文獻綜述

1 知識圖譜及其應用

知識圖譜因強大的知識表達能力和語義描述能力，被廣泛應用于教育領(lǐng)域，并在學科知識建模、資源聚合、適應性學習等應用領(lǐng)域取得了良好的效果。在學科知識建模方面，清華大學的eduKB包含基礎(chǔ)教育九門課程的知識圖譜，實現(xiàn)了基于學科知識圖譜的精準自動問答服務^[8]；也有研究從理論層面提出了教育知識圖譜的構(gòu)建模型，其中具有代表性的是Shi等^[9]的多維知識圖譜模型、鐘卓等^[10]的KQA三層知識圖譜模型等。上述理論和實踐研究驗證了知識圖譜表征知識間復雜關(guān)系的能力。在資源聚合方面，余勝泉等^[11]利用知識圖譜整合育人知識與育人案例，開發(fā)了基于知識圖譜的“智慧學伴”；盧恒等^[12]基于知識圖譜實現(xiàn)了網(wǎng)絡社區(qū)學術(shù)資源深度聚合，以支持網(wǎng)絡社區(qū)的高質(zhì)量知識服務應用。由此可見，知識圖譜能夠?qū)σ延匈Y源進行系統(tǒng)化整合，以提升資源的可訪問性。此外，知識圖譜因其導航性、關(guān)聯(lián)性和結(jié)構(gòu)性等特征，在適應性學習領(lǐng)域也取得了一定成效。其中，美國Knewton平臺聚合不同學科、學段的資源構(gòu)建了多學科知識圖譜，以此來定位學生困難，服務適應性學習；國內(nèi)的松鼠AI構(gòu)建了面向K12教育的領(lǐng)域知識圖譜以支持適應性學習；IntelliPath、CogBooks、悠數(shù)學等適應性平臺也均將知識圖譜作為重要支撐技術(shù)。綜上可知，知識圖譜在支持學科知識建模、整合資源和適應性學習方面具有巨大潛力，如何設計合理的知識圖譜模型，將現(xiàn)有多源、異構(gòu)的優(yōu)質(zhì)慕課資源有效重構(gòu)為相互關(guān)聯(lián)的學科網(wǎng)絡，以更好地支持慕課的適應性學習服務，仍是一個亟待深入探討的問題。

2 適應性學習及其理論模型

適應性學習支持以非線性方式提供個性化服務，包含考慮先前知識、跟蹤學習者進度，并動態(tài)做出改變^[13]。國內(nèi)外諸多企業(yè)及高校均對此進行了研發(fā)和應用實踐，其中具有代表性的適應性學習平臺包括Knewton、Realizeit、松鼠AI等。實踐為本，理論先行，適應性學習在理論研究上呈現(xiàn)出不斷發(fā)展的趨勢，其中最具代表性的就是Brusilovsky^[14]提出的自適應教育超媒體（Adaptive Educational Hypermedia Systems，AEHS）模型，包含領(lǐng)域知識模型、學習者模型、教學模型、自適應引擎、系統(tǒng)界面模型五個重要模塊，其中自適應引擎作為核心組件連接其他模塊。AEHS模型是一個較早提出的適應性學習模型，之后的許多模型均基于其發(fā)展而來^[15]。例如，Aroyo等^[16]提出的包含自適應引擎、領(lǐng)域知識模型、教學模型、學習者模型、情境模型的增強適應性超媒體應用模型（Enhanced Adaptive Hypermedia Application Model，EAHAM）；姜強等^[17]提出的包含領(lǐng)域知識模型、用戶模型、呈現(xiàn)模型及自適應引擎的自適應學習系統(tǒng)通用參考模型（Generic Adaptive Learning System Reference Model，GALSRM）；陳昂軒等^[18]提出的包含適應來源、適應對象、適應情景、適應方法的雙重身份學生自適應學習模型（Double Identity Student Adaptive Learning Model，DISALM）等。盡管各類適應性學習模型層出不窮，但大多數(shù)是基于AEHS模型進行了擴充和細化，AEHS模型仍是目前認可度較高且應用較為廣泛的適應性學習模型。因此，本研究以AEHS模型為理論指導，集成知識圖譜、知識追蹤和適應性學習路徑規(guī)劃等自適應技術(shù)，探索符合我國慕課發(fā)展特征的適應性慕課生成理論模型及實現(xiàn)機制。

3 適應性慕課重構(gòu)與生成

慕課的出現(xiàn)使學習突破了時空約束，引發(fā)了學習的變革。全球慕課的發(fā)展勢頭迅猛，涌現(xiàn)了美國的edX、歐洲的OpenupEd、我國的中國大學MOOC等一系列慕課平臺，但隨著應用的不斷深入，其缺點也不斷被暴露出來——現(xiàn)有各類慕課平臺大多沿襲傳統(tǒng)的課程結(jié)構(gòu)，以固化的線性模式呈現(xiàn)，無法為不同類型的學習者提供適應性的學習支持；同一課程在慕課中往往有多位教師講授的不同版本，其側(cè)重點和內(nèi)容各有不同^[19][20]。如何對異構(gòu)慕課資源進行整合和重構(gòu)，并建立有效的適應性理論和技術(shù)支持，是解決上述問題的關(guān)鍵。對此，Stein^[21]指出慕課平臺要具有適應性，適應性學習應是網(wǎng)狀模型的，將適應性學習的相關(guān)理論和方法引入慕課，為學習者提供個性化學習支持，是指引有效學習發(fā)生的可行途徑。對此，研究者從理論框架、慕課資源重構(gòu)、自適應算法設計、平臺開發(fā)等方面對適應性慕課的實現(xiàn)進行了探索。在理論框架方面，Stein^[22]提出了個性化慕課三層系統(tǒng)架構(gòu)，包括用戶界面層、服務層和數(shù)據(jù)層；姜強等^[23]在深入剖析三種既有慕課范式的基礎(chǔ)上，提出了abMOOC自適應混合慕課設計范式。在慕課資源重構(gòu)方面，王亮^[24]基于知識圖譜對慕課資源進行重構(gòu)以支持深度學習；李艷紅等^[25]基于知識地圖支撐聯(lián)系型慕課的構(gòu)建。在自適應算法設計方面，李建偉等^[26]面向?qū)W習任務的自適應學習路徑推薦算法；方海光等^[27]基于學習者在線學習過程數(shù)據(jù)提出了量化自我學習算法。在平臺開發(fā)方面，當前開發(fā)的平臺大多面向單門課程，如“跟它學”、MOORS等^[28][29]。盡管上述研究探索了提升慕課適應性的可行途徑，但是仍局限于單門課程內(nèi)的優(yōu)化，并未突破慕課相互獨立的現(xiàn)狀。適應性學習的實現(xiàn)需要海量資源的支持，然而一門慕課的資源十分有限；如果不能實現(xiàn)同學科多門慕課海量資源的有效聯(lián)動，那么慕課的適應性程度也將受到限制。因此，仍需立足我國慕課的發(fā)展現(xiàn)狀，進一步探索高質(zhì)量、聯(lián)結(jié)化的適應性慕課落地的可行方案。

綜上所述，通過知識圖譜聯(lián)通慕課資源，并以經(jīng)典適應性學習理論模型為指導，開展適應性慕課生成的理論研究和實踐探索，對建立我國適應性慕課學習平臺和生態(tài)具有重要意義，這也是本研究致力解決的關(guān)鍵問題。

二 基于知識圖譜的適應性慕課生成理論模型

針對當前存在的資源相互獨立、適應性支持不足等問題，本研究借鑒AEHS模型，以適應性慕課的實踐落地為目標，擴展適應性慕課重構(gòu)和生成的具體維度設計，構(gòu)建了基于知識圖譜的適應性慕課生成理論模型（下文簡稱“理論模型”），如圖1所示。該理論模型包含聚合慕課資源的學科知識圖譜模型、學習者模型、教學模型、學科知識圖譜支持的慕課自適應引擎、適應性慕課界面及系統(tǒng)模型五個主要模塊。

①聚合慕課資源的學科知識圖譜模型是慕課資源重構(gòu)與適應性慕課生成的基石。適應性學習的實現(xiàn)需要以大規(guī)模優(yōu)質(zhì)學習資源為基礎(chǔ)，蓬勃發(fā)展的慕課為此提供了資源基礎(chǔ)。針對傳統(tǒng)慕課存在的線性組織、相互獨立等問題，本研究設計了“教學知識簇-學科知識點-慕課資源”三級互聯(lián)結(jié)構(gòu)以實現(xiàn)對多源異構(gòu)慕課的聚合。具體而言，以教學知識簇（教學模型中教師的教學經(jīng)驗、慕課教學法知識等的具象化表征）指導學科知識點組織，以學科知識點聯(lián)通慕課資源，利用知識間的關(guān)聯(lián)結(jié)構(gòu)將慕課資源聚合為細粒度、網(wǎng)狀的學科知識圖譜。

②學習者模型是理論模型的適應主體。適應性慕課的最終目標是服務學習者的個性化學習，而適應性支持的質(zhì)量很大程度上依賴于學習者模型的準確性^[30]。常見的學習者模型主要包含認知水平、興趣偏好、學習風格等要素^[31][32][33]。根據(jù)現(xiàn)有研究，以服務適應性慕課為目標，本研究提出由外在特質(zhì)、內(nèi)在特質(zhì)、靜態(tài)特征、動態(tài)特征構(gòu)成的四維象限學習者模型。具體而言，第一象限包括點擊流、學習路徑等學習過程數(shù)據(jù)，第二象限包括年齡、性別等基本信息，第三象限包括自治力、元認知等心理特質(zhì)，第四象限主要是基于學科知識圖譜建模的動態(tài)認知特征。

③教學模型是理論模型的主導模塊。慕課教學作為一門復雜的科學，具有其內(nèi)在的邏輯結(jié)構(gòu)和方法論。針對現(xiàn)有研究僅關(guān)注自適應技術(shù)開發(fā)、而忽略教學本身的邏輯和方法論的問題，本研究構(gòu)建了理論、方法、教學規(guī)律三維一體的教學模型，用于指導學科知識圖譜的構(gòu)建、自適應引擎的運行與監(jiān)測、界面及系統(tǒng)模型的設計等。具體而言，為聚合慕課資源的學科知識圖譜模型提供理論指導，將教學模型中抽象的教學規(guī)律、教學法知識等具象化表征為知識圖譜中的教學知識簇；為學科知識圖譜支持的慕課自適應引擎提供理論指導和方法支持，具體包括以最近發(fā)展區(qū)理論和掌握學習理論為指導從學科知識圖譜中確定適應性學習內(nèi)容、以解釋結(jié)構(gòu)模型法（Interpretative Structural Modeling，ISM）為借鑒支持認知合理性監(jiān)測等；指導適應性慕課界面及系統(tǒng)模型的設計，使界面布局、功能導航等更符合教學和認知規(guī)律。

④學科知識圖譜支持的慕課自適應引擎是理論模型運行的核心，是實現(xiàn)適應性慕課生成的關(guān)鍵?，F(xiàn)有的適應性學習平臺大多直接遷移計算機領(lǐng)域的算法，較少關(guān)注算法設計及其計算結(jié)果的認知科學性^[34][35]。為此，本研究提出并構(gòu)建了以教學模型為主導、學習者模型為適應主體的學科知識圖譜支持的慕課自適應引擎，并提出該自適應引擎的運行需要包含實時監(jiān)測引擎、動態(tài)認知診斷引擎、適應性學習規(guī)劃引擎、科學性監(jiān)測引擎、適應性反饋引擎五個基礎(chǔ)模塊。具體而言，該引擎將三級互聯(lián)知識圖譜作為運行的數(shù)據(jù)基座，通過實時監(jiān)測引擎接收適應性慕課界面及系統(tǒng)模型傳遞的動態(tài)學習數(shù)據(jù)反饋，并調(diào)動其他自適應模塊；通過動態(tài)認知診斷引擎獲取學習者的認知診斷數(shù)據(jù)，并動態(tài)更新學習者模型；通過適應性學習規(guī)劃引擎獲取實時的學習者模型，進而從學科知識圖譜中動態(tài)生成適應性學習內(nèi)容；將適應性學習內(nèi)容傳遞給教學模型支持的科學性監(jiān)測引擎，進行教學合理性檢驗，經(jīng)修正后推薦給學習者；在學習過程中，通過適應性反饋引擎給學習者提供適應性反饋和支持，并根據(jù)學習者需求進行動態(tài)調(diào)整，以服務適應性慕課學習。

⑤適應性慕課界面及系統(tǒng)模型是與學習者直接交互的通道。學習者通過界面模型與系統(tǒng)進行信息的交互共享，相應的系統(tǒng)模型為慕課學習者提供適應性學習支持。需要注意的是，適應性慕課界面及系統(tǒng)模型需要以服務學習者為目的，符合其慕課學習特性，同時要遵循慕課的教學理論和實踐原則，具有易用性、智能性和科學性等特征。

三 基于知識圖譜的適應性慕課生成的實現(xiàn)機制

為促進理論模型的實踐應用，本研究設計了基于知識圖譜的適應性慕課生成的實現(xiàn)機制，如圖2所示。本研究遵循“高內(nèi)聚，低耦合”的分層設計思想，借鑒Stein^[36]提出的個性化慕課平臺三層系統(tǒng)架構(gòu)和計算機領(lǐng)域的經(jīng)典三層框架結(jié)構(gòu)^[37]，從數(shù)據(jù)建模層、業(yè)務運行層和應用表示層構(gòu)建了適應性慕課生成的主要運行機制。其中，數(shù)據(jù)建模層主要完成慕課知識建模與資源聚合，以提供數(shù)據(jù)支持；業(yè)務運行層主要負責核心適應性技術(shù)的實現(xiàn)；應用表示層則用于實現(xiàn)模型與學習者的交互，向?qū)W習者提供適應性慕課支持并收集適應性學習信息。層與層之間各司其職、相互支持，共同服務適應性慕課的生成與應用。

1 數(shù)據(jù)建模層：慕課資源聚合層

本層用于實現(xiàn)教與學理論指導下的慕課知識建模和多源異構(gòu)慕課資源聚合，是基于知識圖譜的適應性慕課生成的關(guān)鍵與基礎(chǔ)。首先，本研究在對現(xiàn)有慕課特征進行全面分析的基礎(chǔ)上，以教與學理論為指導，以適應性慕課的應用需求為目標，構(gòu)建了面向慕課資源重構(gòu)的三級互聯(lián)知識圖譜本體模型，包括教學組織層、知識表示層、資源聚合層。其中，教學組織層是對教學模型中系統(tǒng)化的慕課教學規(guī)律、教學設計以及教學法知識的具象化表征，主要是通過教師、專家或教學團隊精心設計實現(xiàn)的系列教學知識簇的表示，指導適應性慕課中的學科知識點組織；知識表示層是對學科中客觀存在的知識及其內(nèi)在依存關(guān)系的抽象化表征；資源聚合層以有意義地聚合慕課資源為目的，以知識聯(lián)通慕課資源，利用知識間的邏輯依存關(guān)系將線性、獨立的慕課資源聚合為相互關(guān)聯(lián)的學科資源“網(wǎng)”絡。

然后，本研究依據(jù)三級互聯(lián)知識圖譜本體模型從多源異構(gòu)的慕課資源中對教學知識簇、學科知識點、慕課資源的實體和關(guān)系進行抽取，并表征為標準化的lt;S， P， Ogt;三元組格式。其中，教學組織層主要來源于系統(tǒng)化的慕課學科教學規(guī)律，在具體實施時主要由慕課教師、專家或教學團隊進行人工抽取和構(gòu)建；知識表示層的實體和關(guān)系抽取主要基于權(quán)威書籍中的學科知識，需在自動化抽取的基礎(chǔ)上由學科專家進行審核和驗證，以確保建模的準確性；資源聚合層的數(shù)據(jù)主要來源于多源異構(gòu)的慕課資源，并以其他網(wǎng)絡資源進行補充，主要通過爬蟲技術(shù)獲取資源實體，同時利用語音轉(zhuǎn)寫、圖像識別、深度學習等技術(shù)進行知識實體與關(guān)系抽取，借助關(guān)系推理、人工審核等方法構(gòu)建聚合慕課資源的學科知識圖譜，并存儲于Neo4j圖數(shù)據(jù)庫中，為適應性慕課的生成和運行提供數(shù)據(jù)基礎(chǔ)。此外，教學模型也為業(yè)務運行層相關(guān)適應性模塊的實現(xiàn)提供了理論和方法支持（具體表現(xiàn)在將ISM教學分析方法引入的教學合理性監(jiān)測與推理模塊，以最近發(fā)展區(qū)理論和掌握學習理論為指導適應性學習內(nèi)容生成等方面，在業(yè)務運行層的具體運行流程中對詳細的運行邏輯進行了解讀）。

2 業(yè)務運行層：自適應技術(shù)支持層

本層用于橋接各模塊（以聚合慕課資源的學科知識圖譜模型為資源基礎(chǔ)，以教學模型為指導，以學習者模型為適應主體），設計符合慕課教學規(guī)律的自適應學習技術(shù)作為系統(tǒng)適應性引擎，是支持適應性慕課運行的核心與關(guān)鍵。

在學習者模型構(gòu)建過程中，以學習者四維象限模型為理論指導，以服務適應性慕課生成與實踐需求為目標，主要包括學習過程數(shù)據(jù)、基本信息、心理特質(zhì)、動態(tài)認知特征。其中，動態(tài)認知特征是在學科知識圖譜基礎(chǔ)上，通過自適應引擎中的動態(tài)知識追蹤算法對學習者動態(tài)領(lǐng)域知識掌握情況的建模與更新。

具體的運行流程為：①學習過程動態(tài)監(jiān)測模塊通過嵌入平臺的監(jiān)測算法，以過程數(shù)據(jù)為輸入監(jiān)測學習者的學習狀態(tài)（停滯、發(fā)展等），進而發(fā)送指令調(diào)動其他適應性引擎的模塊。②如果發(fā)生變化，則啟動動態(tài)認知狀態(tài)診斷模塊，通過貝葉斯知識追蹤（Bayesian Knowledge Tracing，BKT）、深度知識追蹤（Deep Knowledge Tracing，DKT）等算法對知識點的掌握狀態(tài)進行動態(tài)更新，進一步調(diào)整基于學科知識圖譜構(gòu)建的學習者領(lǐng)域知識模型。③通過適應性學習內(nèi)容推理模塊，以最近發(fā)展區(qū)理論和掌握學習理論為指導，通過知識推理規(guī)則及算法，確定課程知識圖譜中最適合學習者下一步學習的認知區(qū)域——認知差異子圖。④基于適應性知識學習路徑規(guī)劃模塊，以學習者的認知差異子圖、學習者模型、學科知識圖譜等作為算法的數(shù)據(jù)輸入，通過改進蟻群算法、粒子群算法等實現(xiàn)慕課知識學習路徑的適應性規(guī)劃。⑤在上述步驟的基礎(chǔ)上，輔以教學合理性監(jiān)測與推理模塊，即通過ISM方法推理知識間的教學依賴關(guān)系，進而規(guī)避違反教學依賴關(guān)系的路徑信息，提升學習路徑規(guī)劃的教學合理性。⑥適應性慕課學習路徑生成模塊以適應性知識學習路徑為依據(jù)，輔以協(xié)同過濾、學習收益值計算等算法支持，生成適應性慕課學習路徑并推薦給學習者。⑦在適應性慕課學習反饋模塊和適應性學習干預模塊，通過對學習者過程數(shù)據(jù)進行量化分析，以可視化的方式呈現(xiàn)學習者狀態(tài)特征，并嵌入ChatGPT、訊飛星火、文心一言等大語言模型為學習者提供實時反饋和干預。

3 應用表示層：適應性慕課生成層

本層是適應性慕課的最終呈現(xiàn)形式，以慕課資源聚合層和自適應技術(shù)支持層為支持，重構(gòu)形成高質(zhì)量、聯(lián)結(jié)化的適應性慕課系統(tǒng)平臺。具體運行時，通過對學習者的細粒度建模，將自適應技術(shù)支持層生成的適應性學習內(nèi)容、學習路徑、個性化反饋和干預等呈現(xiàn)給慕課學習者，在此過程中收集學習行為數(shù)據(jù)，動態(tài)監(jiān)測學習者的知識狀態(tài)變化，同時更新學習者的認知特征和學習過程數(shù)據(jù)，進而適應性地調(diào)整慕課學習內(nèi)容，并提供動態(tài)學習反饋。

四 典型應用——“智慕”適應性慕課平臺

“智慕”是本研究團隊開發(fā)的適應性慕課平臺。該平臺對標國家教育數(shù)字化轉(zhuǎn)型戰(zhàn)略的實踐落地，以探索大規(guī)模、可推廣的適應性慕課生成和實踐路徑為目標，完成了第一階段以“數(shù)據(jù)庫”學科為例的適應性慕課生成系統(tǒng)開發(fā)與實踐落地。該平臺以本研究提出的基于知識圖譜的適應性慕課生成理論模型和實現(xiàn)機制為指導，通過對來自中國大學MOOC的不同學校、不同教學團隊開發(fā)的7門“數(shù)據(jù)庫”慕課的資源進行整合與重構(gòu)，完成了包含2368個實體、14027條關(guān)系的“數(shù)據(jù)庫”三級互聯(lián)學科知識圖譜的構(gòu)建。研究團隊通過設計和集成知識追蹤、知識推理、學習收益計算、學習路徑規(guī)劃等自適應技術(shù)，完成了“智慕”適應性慕課平臺的開發(fā)與測試。圖3展示了“智慕”平臺關(guān)鍵的適應性學習頁面，為學習者A規(guī)劃了適應性學習內(nèi)容、知識學習路徑和慕課資源學習路徑。

本研究將深入剖析“智慕”平臺中依據(jù)提出的理論模型和實現(xiàn)機制所實現(xiàn)的關(guān)鍵適應性功能，以驗證基于知識圖譜的適應性慕課生成理論模型的科學性及其實現(xiàn)機制的可行性。

①適應性學習內(nèi)容生成。首先，根據(jù)實時學習數(shù)據(jù)，采用引入遺忘率的BKT算法動態(tài)獲取學習者的認知畫像（學習者模型）。然后，依據(jù)構(gòu)建的三級互聯(lián)學科知識圖譜中教學組織層與知識表示層的實體和關(guān)系（聚合慕課資源的學科知識圖譜模型），采用基于最近發(fā)展區(qū)的認知發(fā)展知識簇推理方法（教學模型），確定知識圖譜中最適合學習者學習的認知發(fā)展知識簇。最后，通過全依賴子圖推理、子圖剪枝等步驟（學科知識圖譜支持的慕課自適應引擎），推理出所需的先驗知識，并對上一階段未掌握的知識點進行查漏補缺，生成目標學習者的認知差異子圖（適應性慕課界面及系統(tǒng)模型），為學習者生成適應性學習內(nèi)容，并直觀展示知識關(guān)聯(lián)及結(jié)構(gòu)。此外，通過點擊查看“完整認知地圖”，可以向?qū)W習者展示完整的領(lǐng)域知識認知狀態(tài)。

②適應性知識學習路徑規(guī)劃。首先，以推理出的認知差異子圖為基礎(chǔ)，根據(jù)基于規(guī)則推理的知識及依賴關(guān)系抽取方法從學科知識圖譜中提取知識點，以及各知識點之間的認知依賴關(guān)系（聚合慕課資源的學科知識圖譜模型）。然后，通過引入ISM的可執(zhí)行矩陣算法（教學模型）推理出所有不違反認知規(guī)律的路徑信息，生成適應性學習路徑規(guī)劃的可執(zhí)行矩陣。接下來，基于相似學習者的歷史學習數(shù)據(jù)（學習者模型），通過協(xié)同過濾算法計算出路徑學習收益值矩陣。最后，采用引入學習收益計算的改進蟻群路徑規(guī)劃算法（學科知識圖譜支持的慕課自適應引擎），設置虛擬頭節(jié)點表征學習者的認知狀態(tài)，從中找出收益值最高的學習路徑，作為最優(yōu)知識學習路徑推薦給學習者（適應性慕課界面及系統(tǒng)模型）。此外，在學習界面會展示學習者模型中該知識點的動態(tài)認知狀態(tài)。

③適應性慕課學習路徑規(guī)劃。首先，以適應性知識學習路徑為指導，從學科知識圖譜中獲取與該知識點直接關(guān)聯(lián)的慕課資源（聚合慕課資源的學科知識圖譜模型），依據(jù)學習者模型采用協(xié)同過濾算法獲取適配指數(shù)排序前n的慕課資源（學科知識圖譜支持的慕課自適應引擎）。然后，在此基礎(chǔ)上依據(jù)慕課資源的教學順序關(guān)聯(lián)（教學模型）和相似學習者慕課學習路徑數(shù)據(jù)，采用動態(tài)規(guī)劃算法為學習者推薦適配度最高的適應性慕課學習路徑（適應性慕課界面及系統(tǒng)模型）。此外，通過“點擊加載更多相關(guān)資源”可獲取更豐富的多源且緊密相關(guān)的精準資源推薦。

綜上，該適應性慕課平臺能夠根據(jù)學習者特征提供符合教學規(guī)律的適應性學習路徑與資源，有效聚合和重構(gòu)多源異構(gòu)的慕課資源，初步勾勒出適應性慕課生成與實踐的真實場景，落實了基于知識圖譜的適應性慕課生成理論模型與實現(xiàn)機制，由此驗證了本研究提出的理論模型具有科學性，實現(xiàn)機制具有合理性和可行性，能夠為慕課資源的聚合和應用提供有效支撐，為探索大規(guī)模、可推廣的適應性慕課生成與實踐提供借鑒。

此外，“智慕”平臺的開發(fā)充分考慮了國內(nèi)知名慕課平臺的特征，并包含與現(xiàn)有平臺相匹配的數(shù)據(jù)和功能調(diào)用API接口，這使該平臺與中國大學MOOC、學堂在線等大規(guī)模慕課平臺具有良好的適配性。在未來的工作中，可以考慮將其接入更多的大規(guī)模慕課平臺，以驗證本研究提出的理論模型在更廣泛場景下的有效性。

五 結(jié)語

慕課的蓬勃發(fā)展為自適應學習的實現(xiàn)提供了有組織的資源基礎(chǔ)，針對現(xiàn)有慕課存在的過分標準化、資源重復建設、適應性支持不足等問題，探索實現(xiàn)大規(guī)模、可推廣的自適應慕課生成的理論和實踐模型十分必要。本研究聚焦我國慕課發(fā)展和組織的特征，以AEHS模型為理論指導，提出了基于知識圖譜的適應性慕課生成理論模型，進一步從實踐應用角度出發(fā)，構(gòu)建了基于知識圖譜的自適應慕課生成的實現(xiàn)機制，并以團隊研發(fā)的“智慕”自適應慕課平臺作為應用示范驗證了理論模型和實現(xiàn)機制的有效性。但是，本研究僅在小范圍的慕課（面向數(shù)據(jù)庫的7門慕課）中對模型進行了重構(gòu)應用，其大規(guī)模實踐效果仍需在未來研究中進一步檢驗。除此之外，在現(xiàn)有模型的基礎(chǔ)上整合大語言模型、深度學習等技術(shù)以提供更好的自適應慕課學習體驗也是本研究的目標。

參考文獻

[1]韓筠.在線課程推動高等教育教學創(chuàng)新[J].教育研究，2020，（8）：22-26.

[2][5]教育部.數(shù)字化賦能高等教育高質(zhì)量發(fā)展[OL].lt;http：//www.moe.gov.cn/jyb_xwfb/s5148/202212/t20221219_1034999.htmlgt;

[3]吳巖.深入實施教育數(shù)字化戰(zhàn)略行動以教育數(shù)字化支撐引領(lǐng)中國教育現(xiàn)代化[J].中國高等教育，2023，（2）：5-10.

[4][24]王亮.深度學習視角下基于多模態(tài)知識圖譜的MOOC課程重構(gòu)[J].現(xiàn)代教育技術(shù)，2018，（10）：100-106.

[6][21][22][36]崔向平，徐娟.自適應學習技術(shù)的應用、問題及趨勢——訪美國俄亥俄州立大學大衛(wèi)·斯坦恩教授[J].開放教育研究，2019，（5）：4-10.

[7][35]汪存友，黃雙福.自適應學習支持下的美國高校課程設計和教師角色研究——以科羅拉多理工大學IntelliPath項目為例[J].電化教育研究，2020，（7）：35-41、54.

[8]許斌，蘇偉杰，劉陽.基礎(chǔ)教育知識圖譜賦能智慧教育[J].人工智能，2019，（3）：37-43.

[9]Shi D， Wang T， Xing H， et al. A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning[J]. Knowledge-Based Systems， 2020，195：105618.

[10]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(gòu)建研究[J].電化教育研究，2020，（4）：62-70.

[11]余勝泉，彭燕，盧宇.基于人工智能的育人助理系統(tǒng)——“AI好老師”的體系結(jié)構(gòu)與功能[J].開放教育研究，2019，（1）：25-36.

[12]盧恒，張向先，尚麗維，等.基于知識圖譜的網(wǎng)絡社區(qū)學術(shù)資源深度聚合框架研究[J].情報理論與實踐，2021，（1）：180-187.

[13]羅江華，馮瑞.學習平臺的適應性進化及其對教育新基建的啟示[J].現(xiàn)代教育技術(shù)，2022，（10）：17-25.

[14]Bursilovsky P. Methods and techniques of adaptive hypermedia[J]. User Modeling and User-Adapted Interaction， 1996，（2-3）：87-129.

[15]Li F， He Y， Xue Q. Progress， challenges and countermeasures of adaptive learning[J]. Educational Technology amp; Society， 2021，（3）：238-255.

[16]Aroyo L， Dolog P， Houben G J， et al. Interoperability in personalized adaptive learning[J]. Journal of Educational Technology amp; Society， 2006，（2）：4-18.

[17]姜強，趙蔚，王朋嬌.基于GALSRM模型的自適應學習系統(tǒng)體系結(jié)構(gòu)研究[J].現(xiàn)代遠距離教育，2013，（1）：71-77.

[18][33]陳昂軒，劉懷亞，賈積有，等.雙重身份學生自適應學習模型的構(gòu)建與實證研究[J].現(xiàn)代教育技術(shù)，2023，（10）：108-117.

[19]劉紅晶，譚良.基于教師視角的SPOC課程知識地圖構(gòu)建方法研究[J].電化教育研究，2017，（9）：64-70.

[20]周驊，楊嘉浩.突破中國慕課深度發(fā)展瓶頸的三個策略[J].現(xiàn)代大學教育，2021，（6）：101-107.

[23][28]姜強，李月，孫潔，等.自適應混合MOOC模式：MOOC設計新范式[J].中國電化教育，2019，（9）：82-90.

[25]李艷紅，趙波，甘健侯.基于知識地圖的MOOC課程開發(fā)[J].現(xiàn)代教育技術(shù)，2015，（5）：85-90.

[26][31]李建偉，武佳惠，姬艷麗.面向自適應學習的個性化學習路徑推薦[J].現(xiàn)代教育技術(shù)，2023，（1）：108-117.

[27][31]方海光，羅金萍，陳俊達，等.基于教育大數(shù)據(jù)的量化自我MOOC自適應學習系統(tǒng)研究[J].電化教育研究，2016，（11）：38-42、92.

[29]張治，劉小龍，余明華，等.研究型課程自適應學習系統(tǒng)：理念、策略與實踐[J].中國電化教育，2018，（4）：119-130.

[30]Carmagnola F， Cena F， Gena C. User model interoperability： A survey[J]. User Modeling and User-Adapted Interaction， 2011，（3）：285-331.

[32]馬相春，鐘紹春，徐妲.大數(shù)據(jù)視角下個性化自適應學習系統(tǒng)支撐模型及實現(xiàn)機制研究[J].中國電化教育，2017，（4）：97-102.

[34]Vanitha V， Krishnan P， Elakkiya R. Collaborative optimization algorithm for learning path construction in E-learning[J]. Computers amp; Electrical Engineering， 2019，77：325-338.

[37]Oluwatosin H S. Client-server model[J]. IOSR Journal of Computer Engineering， 2014，（1）：67-71.

Research on Theoretical Model and Implementation Mechanismof Adaptive MOOC Generation Based on Knowledge Graph

LIU Qing-Tang^1，2 """MA Xin-Qian^{1[Corresponding Author]}" ""WU Lin-Jing¹""" GAO Yu¹""" MA Yi-Ping¹

（1. Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan， Hubei， China 430079;

2. Hubei Key Laboratory of Digital Education， Central China Normal University， Wuhan， Hubei， China 430079）

Abstract： Under the context of educational digital transformation， the adaptive learning support of massive open online cources （MOOCs） faces new challenges. In order to cope with this challenge， grounded on the current situation of the vigorous development of MOOCs in China， this paper firstly constructed the theoretical model of adaptive MOOCs generation based on knowledge graph aiming at the problems such as the independence of MOOCs and the lack of adaptive support. Then， guided by the theoretical model， the paper proposed the implementation mechanism of service application， that was， the existing high-quality MOOCs resources were reconstructed into interrelated subject “networks” with the support of knowledge graph technology， and a variety of adaptive learning technologies were systematically integrated to generate high-quality and connected adaptive MOOCs. Finally， the ZhiMu platform developed by the project team was taken as a case demonstration， and and the real scene of the generation and practice of adaptive MOOCs based on knowledge graph was outlined， aming to provide theoretical and practical references for the realization of large-scale and scalable adaptive MOOC realization in China.

Keywords： adaptive MOOCs; reconstruction of MOOCs; adaptive learning; knowledge graph

*基金項目：本文受教育部人文社科規(guī)劃基金項目“智能導師情緒線索對大學生在線學習影響的作用機制研究”（項目編號：22YJAZH067）、華中師范大學中央高?；究蒲袠I(yè)務費項目“人工智能賦能社會認知調(diào)節(jié)過程動態(tài)感知與智能干預研究”（項目編號：CCNU24ai019）、華中師范大學2024年度優(yōu)秀研究生教育創(chuàng)新資助項目“應對挑戰(zhàn)的群體調(diào)節(jié)學習模式挖掘及應用研究”（項目編號：2024CXZZ041）資助。

作者簡介：劉清堂，教授，博士，研究方向為學習分析技術(shù)、數(shù)字化學習、知識挖掘與知識服務等，郵箱為liuqtang@mail.ccnu.edu.cn。

編輯：小時