趙德芳 朱夢夢 楊娟

摘要：知識管理最重要的一個方面就是如何將學(xué)習(xí)者已經(jīng)學(xué)過的知識具體化和可視化。盡管思維導(dǎo)圖、本體以及知識圖表是目前最流行的用來詮釋和組織知識的方法與工具，但是這些方法與工具在模擬學(xué)習(xí)者的知識碎片組建上還存在缺陷，尤其是缺少必要的復(fù)雜語義推理支持機制和通過個人知識圖產(chǎn)生的相關(guān)認(rèn)知模擬。為模擬真實的個人知識碎片組建過程，我們設(shè)計并實現(xiàn)了一個可采集并集成個人顯性知識碎片的自規(guī)律在線學(xué)習(xí)系統(tǒng)，以及融入了知識整合認(rèn)知機制的個體隱性知識完成度評估模型。自規(guī)律在線學(xué)習(xí)系統(tǒng)，可構(gòu)成個人知識語義鏈接圖（SLN），將個人生成的顯性知識碎片動態(tài)呈現(xiàn)給學(xué)習(xí)者；個體隱性知識完成度評估模型，可以可視化地呈現(xiàn)個人隱性知識碎片的動態(tài)演化軌跡，同時以較高保真度還原學(xué)習(xí)者知識認(rèn)知程度的周期性變化曲線。實驗也初步驗證了學(xué)習(xí)者個人知識圖的動態(tài)演化能力以及個體隱性知識完成度評估模型的保真度。

關(guān)鍵詞：知識管理；知識碎片；個人知識圖；顯性知識；隱性知識；認(rèn)知評估

中圖分類號：G434 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-5195（2017）02-0095-09 doi10.3969/j.issn.1009-5195.2017.02.012

一、研究背景及相關(guān)文獻(xiàn)

在過去的30年中，知識管理變得越來越重要，它可以幫助學(xué)習(xí)者更好地理解、管理、轉(zhuǎn)化知識，使知識利用達(dá)到最大化（Tseng et al.，2012）。知識管理最重要的一個方面是能夠盡可能地模擬學(xué)習(xí)者意識中知識碎片的建構(gòu)過程，將學(xué)習(xí)者已知的知識形象地表示出來（Novak & Gowin，1984）。很多思維工具，如概念地圖、思維導(dǎo)圖、概念圖表（Eppler，2006）都是常用的形象地詮釋和組織學(xué)習(xí)者個人知識的技術(shù)手段（Jonassen & Carr，2000）。這些技術(shù)手段可以讓學(xué)習(xí)者通過節(jié)點、標(biāo)簽和鏈接將許多概念之間的關(guān)系形象地表示出來（Tseng et al.，2012）。但是有調(diào)查發(fā)現(xiàn)（Weinerth et al.，2014），這些基于用戶請求的驅(qū)動技術(shù)工具會因為不同用戶在使用性上的差異而導(dǎo)致在可學(xué)習(xí)性上不穩(wěn)定。

思維工具的另一個缺陷是無法處理復(fù)雜的推理，在模擬個人知識地圖上存在局限性。例如，賴曉濤等（2005）認(rèn)為知識管理的過程包括三部分，即知識的提取和存儲、知識的共享和傳播、知識的整合或創(chuàng)新，提出概念地圖在知識管理中可以促進知識的提取和存儲、增進知識的共享和傳播、引發(fā)知識的整合和創(chuàng)新。這在宏觀層面上概述了概念地圖的作用，但是并沒有體現(xiàn)出對于個體學(xué)習(xí)者的差異性。馬費成等（2006）以有意義學(xué)習(xí)理論、圖示理論和語義記憶理論作為理論依據(jù)，提出概念地圖能夠利用等級結(jié)構(gòu)表達(dá)面向特定主題的結(jié)構(gòu)化知識，并且可以作為知識表示、知識組織和知識存儲的工具；然而面對非結(jié)構(gòu)化的知識，概念地圖缺少復(fù)雜的語義推理關(guān)系，無法完整地組織和表達(dá)知識。郝金星（2011）對概念地圖從三個層次上進行深入分析，提出多個概念地圖的核心指標(biāo)和相應(yīng)算法。這些算法和指標(biāo)，可反映知識的復(fù)雜程度、集成程度和聚中度，指標(biāo)的分析結(jié)果可以證明概念地圖在組織決策中的重要性，但卻無法反映知識之間隱性的內(nèi)在關(guān)聯(lián)。Garrido等人（2013）提出概念地圖是為所有學(xué)習(xí)者提供基本課程組織，但他們只采用了4種語義關(guān)系來進行基本的推理。而這幾種有限的語義關(guān)系無法根據(jù)學(xué)習(xí)者知識整合能力的不同體現(xiàn)出學(xué)習(xí)者的差異性。

另外一種知識組織和表現(xiàn)的常用方法是本體技術(shù)（Santacruz-Valencia et al.，2010；Gaeta et al.，2011；Cali et al.，2012；Spivak & Kent，2012；Dumontier et al.，2014）和知識地圖（Hakkani-Tür et al.，2013；Zhu，2013；Dong et al.，2014；Hakkani-Tür et al.，2014）。然而這兩種方法主要是針對公共知識基礎(chǔ)的構(gòu)建和推理，幾乎不能夠被用來產(chǎn)生個人知識地圖的演變軌跡。例如，蒙應(yīng)杰等人（2005）介紹了Ontology概念模型的建立、模型間轉(zhuǎn)化的方法，這些方法可應(yīng)用于異構(gòu)信息系統(tǒng)構(gòu)建時信息的表示、組織和信息資源之間交互的初期建模過程，但是其建立的模型尚不夠細(xì)化，無法精細(xì)化描述本體間的語義關(guān)系。蔣國瑞等人（2009）基于本體技術(shù)設(shè)計了一個本體自學(xué)習(xí)模型，詳述了知識資源的導(dǎo)入和重用、本體的提取、關(guān)聯(lián)規(guī)則的確定以及各種組件的運用，但是該模型無法集成學(xué)習(xí)者自生成的知識碎片，學(xué)習(xí)者的隱性知識無法在該模型中表現(xiàn)出來。Gaeta等人（2011）依據(jù)基礎(chǔ)本體關(guān)系擴充的另外3種語義關(guān)系，即包含、目的、含有資源這三種關(guān)系。這些關(guān)系可以提供更加靈活的推理選擇，但是仍然無法滿足個人知識地圖所要求的復(fù)雜推理，因為個人知識地圖需要融入學(xué)習(xí)者的認(rèn)知特征。

總之，本體技術(shù)和知識地圖在一定程度上可以處理資源庫的構(gòu)建、融合、推理、提取，可以反映整個知識庫的變化和演變軌跡，但是卻不能反映學(xué)習(xí)者個人意識中知識碎片以及這些碎片的產(chǎn)生及消亡軌跡。而要實現(xiàn)個人意識的知識圖構(gòu)建，除了對資源構(gòu)建提出了更加復(fù)雜的語義推理要求外，還需要認(rèn)知模擬機制的支持。

筆者在首先設(shè)計并實現(xiàn)了一個可采集并集成個人知識碎片的自規(guī)律在線學(xué)習(xí)系統(tǒng)。因為從廣義上講，自規(guī)律學(xué)習(xí)（Self-Regulated Learning）是指在與學(xué)習(xí)相關(guān)的元認(rèn)知、策略執(zhí)行以及動機指導(dǎo)下的學(xué)習(xí)過程，而“自規(guī)律”則主要描述學(xué)習(xí)者的學(xué)習(xí)行為控制以及對其評估的過程（Ormrod，2014）。所以自規(guī)律在線學(xué)習(xí)系統(tǒng)可以作為控制并評估學(xué)習(xí)者在線學(xué)習(xí)行為的載體，以及個人知識語義鏈接網(wǎng)絡(luò)（Semantic Linked Network，SLN）（Zhuge，2010； 2011）圖的支撐平臺，內(nèi)嵌個人知識SLN圖所需要的資源語義圖，同時采集個人生成的顯性知識碎片并將其集成到學(xué)習(xí)者個人SLN圖。

在此基礎(chǔ)上，本文設(shè)計了一個可模擬個人知識構(gòu)建過程的計算模型。該模型在模擬個人知識構(gòu)建的過程時，不僅使用豐富的語義關(guān)系進行必要的語義推理，同時還以知識整合建構(gòu)中一般智力理論作為模擬機制的基礎(chǔ)。最后，筆者通過學(xué)習(xí)者對知識節(jié)點真實的認(rèn)知度和個人知識碎片圖推理出的知識完成度圖的對比，評估了被試學(xué)生的模擬知識碎片圖的還原能力。

二、相關(guān)計算描述

1.知識整合的一般認(rèn)知能力

建構(gòu)主義的觀點認(rèn)為，學(xué)習(xí)發(fā)生在知識建構(gòu)的過程中，評估的核心是學(xué)習(xí)者已經(jīng)學(xué)習(xí)的知識和其前驅(qū)知識之間的關(guān)系（Alesandrini & Larson，2002）。Hannon 和 Daneman建立了包括4個部分的模型來理解知識整合的一般認(rèn)知能力（Hannon & Daneman，2001）：（1）從長時記憶中喚起新信息的能力；（2）基于文本提供的信息作出推理的能力；（3）訪問前驅(qū)知識的能力；（4）整合前驅(qū)知識和新信息的能力。

為了評估這些能力，需要將這些抽象的文字描述轉(zhuǎn)換為量化指標(biāo)。對應(yīng)于在線自規(guī)律學(xué)習(xí)過程，考察學(xué)習(xí)者知識整合能力指標(biāo)被轉(zhuǎn)換為如表1的描述。

2.基于SLN的個人知識圖

一個SLN可以被定義為（Zhuge，2010；Zhuge，2011），N代表的是一組語義節(jié)點，N={n1（C1），n2（C2），.... nm（Cm）}，n是一個節(jié)點的名稱，C是這個節(jié)點歸屬的類名。L是一組語義鏈接，Rules 包含推理規(guī)則和作用規(guī)則，推理規(guī)則是運用在節(jié)點間語義關(guān)系邊上的規(guī)則，而作用規(guī)則則是用于反映節(jié)點間、關(guān)系間以及權(quán)重間不同作用的規(guī)則。在本文中，SLN的定義以及推理規(guī)則沿用前期工作（Yang et al.，2015）的相關(guān)定義和描述，具體如下：

（1）N中節(jié)點所包含的類名，除包括已有類theory（基礎(chǔ)理論）、example（實例）、video（必要視頻）、exercise（練習(xí)題面）外，新增self-reflections（顯性知識碎片）和self-images（隱性知識碎片）兩個節(jié)點類。

（2）L中包含的語義關(guān)系，除已有關(guān)系about a same topic，analogy of，similar with，apply with，prior of，successor of，expanding of，part of，interactive with，visual of，新增語義關(guān)系note of和reflect of，分別作用于self-reflections和self-images兩類節(jié)點。

（3）推理規(guī)則集和作用規(guī)則集，在已有用于計算語義關(guān)系傳遞閉包的規(guī)則集的基礎(chǔ)上新增包含作用規(guī)則的補充規(guī)則集。保留衍生規(guī)則集和可集成學(xué)習(xí)者新生成知識節(jié)點的生成規(guī)則集，同時新增剪枝規(guī)則集。具體規(guī)則集的相關(guān)公理及引理參看我們的前期工作（Yang et al.，2015）。

三、采集并構(gòu)建學(xué)習(xí)者的顯性自我知識碎片

1.系統(tǒng)整體結(jié)構(gòu)設(shè)計

為了采集并構(gòu)建更為準(zhǔn)確的學(xué)習(xí)者對知識的自我意識，本文設(shè)計實現(xiàn)了一個自規(guī)律學(xué)習(xí)在線學(xué)習(xí)原型平臺（“C語言程序設(shè)計”）。該系統(tǒng)底層為內(nèi)嵌學(xué)習(xí)資源的基礎(chǔ)學(xué)習(xí)模塊，具有與普通在線學(xué)習(xí)平臺類似的功能，在此基礎(chǔ)之上分別設(shè)置“認(rèn)知評估模型”和“個人知識碎片采集”模塊，這兩個模塊互相作用，最后在“可視化個人知識空間”模塊中形成針對個人的可視化知識表達(dá)。整體系統(tǒng)模塊結(jié)構(gòu)圖如圖1所示。

因為在線學(xué)習(xí)要求學(xué)習(xí)者有更高的主動性和投入度，所以該平臺為學(xué)習(xí)者提供了以主題為單位的內(nèi)嵌學(xué)習(xí)資源?！皞€人知識碎片采集”模塊的主要作用是讓學(xué)習(xí)者在瀏覽內(nèi)嵌學(xué)習(xí)資源同時可進行相應(yīng)的學(xué)習(xí)筆記記錄，這樣不僅增加了學(xué)習(xí)的主動性，而且有利于學(xué)習(xí)者將平臺提供的學(xué)習(xí)資源內(nèi)化為個人知識。該模塊繼而將學(xué)習(xí)者采集的零散知識碎片通過知識間不同的語義關(guān)聯(lián)進行加工整理并存儲于XML文件中，從而形成知識碎片空間。系統(tǒng)另外一個重要部件——學(xué)習(xí)者認(rèn)知評估模型，是通過監(jiān)控學(xué)習(xí)者不同的前驅(qū)知識訪問模式來評估其對前驅(qū)知識掌握程度，如圖1所示。認(rèn)知評估模型通過對不同訪問模式設(shè)置不同權(quán)重來區(qū)分學(xué)習(xí)者對知識的不同程度依賴。學(xué)習(xí)者的知識碎片空間結(jié)合學(xué)習(xí)者對知識的認(rèn)知程度最終形成個人知識空間，將其可視化表達(dá)、以直觀的形式呈現(xiàn)給學(xué)習(xí)者本人，使學(xué)習(xí)者清楚自己對知識的掌握情況，及時調(diào)整自己的學(xué)習(xí)策略。

2.學(xué)習(xí)平臺特點

（1）以主題為中心呈現(xiàn)資源和知識節(jié)點

內(nèi)嵌學(xué)習(xí)資源及新生成知識節(jié)點均以主題為中心，且每個主題的學(xué)習(xí)資源以知識分類理論進行劃分，即包括基礎(chǔ)理論、實例、必要視頻、練習(xí)（題面）等各種學(xué)習(xí)過程中必需的資源類型。

這種以某學(xué)習(xí)主題基礎(chǔ)理論為中心的星型資源構(gòu)建模式主要是為了在學(xué)習(xí)者個人知識SLN圖中構(gòu)建足夠豐富的語義關(guān)系，例如“analogy of”是實例類資源節(jié)點指向基礎(chǔ)理論資源節(jié)點的語義邊，而“apply with”則是練習(xí)/實驗/測驗等資源節(jié)點指向基礎(chǔ)理論資源節(jié)點的語義邊。而“prior of”和“successor of”則是構(gòu)建在具有前驅(qū)/后繼順序約束的基礎(chǔ)理論資源節(jié)點之間。豐富的語義關(guān)系可以從不同角度構(gòu)建學(xué)習(xí)資源間多維關(guān)系。例如可以在順序維度上計算不同學(xué)習(xí)資源間語義關(guān)系的傳遞閉包，也可以在不具有順序關(guān)系的資源間計算相似關(guān)系等。具體的個人知識SLN圖的語義推理及運用可參見我們的前期工作（Yang et al.，2015）

（2）提供多標(biāo)簽筆記功能

這種多標(biāo)簽筆記實際上是為學(xué)習(xí)者提供自我意識標(biāo)注及存儲的功能，即學(xué)習(xí)者在學(xué)習(xí)過程中可以將自我認(rèn)知的新知識添加在系統(tǒng)中，并存儲起來，形成介于內(nèi)嵌資源和頭腦知識碎片之間的新知識表達(dá)。除此之外，用戶的自我知識表達(dá)還體現(xiàn)在其對測驗/實驗/考試等資源類型的理解和解答，因此測驗/實驗/考試的成果也會構(gòu)成學(xué)習(xí)者自我知識表達(dá)的一部分。系統(tǒng)為學(xué)習(xí)者提供5類基本筆記標(biāo)簽（理解、總結(jié)、重點、推導(dǎo)、疑問），學(xué)習(xí)者可動態(tài)添加所需筆記標(biāo)簽。而學(xué)習(xí)者的筆記可以在頁面上任意位置標(biāo)注。實際上，學(xué)習(xí)者新生成的自我知識表達(dá)除了在頁面上可具體查看外，還被集成到學(xué)習(xí)者個人的知識SLN圖中，并動態(tài)地呈現(xiàn)在用戶界面上。

（3）可視化呈現(xiàn)學(xué)習(xí)者的自生成知識節(jié)點

學(xué)習(xí)者的自我新知識表達(dá)，即后文提到的顯性知識碎片會動態(tài)地呈現(xiàn)在用戶的資源瀏覽界面中。即當(dāng)學(xué)習(xí)者新生成筆記或測驗答案這類自我意識反映，它們會以新知識節(jié)點的形式并入到該學(xué)習(xí)者的知識SLN圖中，具體的并入方式參看前期工作（Yang et al.，2015）。也就是說，學(xué)習(xí)者的顯性知識碎片和系統(tǒng)內(nèi)嵌的學(xué)習(xí)資源可同時作為有用的學(xué)習(xí)資源提供給學(xué)習(xí)者。這樣做的目的主要是為了區(qū)分學(xué)習(xí)者不同的前驅(qū)知識訪問模式，例如在后文中會提到依據(jù)學(xué)習(xí)者知識整合的認(rèn)知一般智力理論，學(xué)習(xí)者訪問前驅(qū)知識的模式會被分為三種典型模式：訪問內(nèi)嵌學(xué)習(xí)資源；訪問顯性自我知識碎片；不依賴任何外部資源，僅訪問頭腦意識中存儲的自我知識碎片。

總的說來，學(xué)習(xí)者的顯性自我知識碎片主要由兩部分構(gòu)成：學(xué)習(xí)者筆記；學(xué)習(xí)者的練習(xí)、測驗以及隨手實驗的成果。但僅僅通過依靠學(xué)習(xí)者筆記及其當(dāng)時的練習(xí)、測驗以及隨手實驗的成果來模擬學(xué)習(xí)者的個體知識圖是不準(zhǔn)確的，因為這種靜態(tài)的組建并不能反映學(xué)習(xí)者對前驅(qū)知識的應(yīng)用以及整合程度。如前所述，知識在頭腦中的完成度應(yīng)隨學(xué)習(xí)者在后繼學(xué)習(xí)過程中對其定位、訪問以及應(yīng)用的實際狀態(tài)而發(fā)生動態(tài)變化。因此這里將顯性知識碎片作為學(xué)習(xí)者自生成知識節(jié)點納入其知識結(jié)構(gòu)圖中，并用于后續(xù)計算學(xué)習(xí)者隱性知識碎片的完整程度。

四、學(xué)習(xí)者個人知識碎片及其整合的評估模型

本文的目的之一是為學(xué)習(xí)者知識碎片建立一個可動態(tài)更新的評估模型，方法是通過計算他們在學(xué)習(xí)新知識時使用或與前驅(qū)知識交互的情況來考察其對已學(xué)知識的掌握和整合程度。這種方式相較于傳統(tǒng)的方法更加符合建構(gòu)主義學(xué)習(xí)理論，因為傳統(tǒng)的方法僅僅是考慮了當(dāng)時的學(xué)習(xí)效果，并未動態(tài)考慮學(xué)習(xí)者知識存儲及應(yīng)用的周期性變化。學(xué)習(xí)者個人知識碎片及其整合的評估模型由一個四層體系結(jié)構(gòu)構(gòu)成，如圖2所示。

體系結(jié)構(gòu)的最底層是自規(guī)律在線學(xué)習(xí)的基礎(chǔ)平臺，即“C語言程序設(shè)計平臺”。平臺為學(xué)習(xí)者進行自規(guī)律學(xué)習(xí)提供了必需的內(nèi)嵌學(xué)習(xí)資源，并采集學(xué)習(xí)者顯性知識碎片。在此基礎(chǔ)上，平臺提供一個公用的學(xué)習(xí)資源多維SLN圖。體系結(jié)構(gòu)第二層是個人知識SLN層。在這一層中，SLN節(jié)點由兩部分組成，分別是學(xué)習(xí)者個人顯性知識碎片和平臺固有內(nèi)嵌資源，個人知識的多維語義關(guān)系首先繼承自底層平臺的公用SLN圖，并根據(jù)衍生規(guī)則集集成個人的顯性知識碎片。個人SLN中的基本語義關(guān)系包括“about a same topic（同屬一個主題）”、“part of（一部分）”、“prior of（前驅(qū)）”、“apply with（應(yīng)用）”等。更多關(guān)于語義關(guān)系以及它們用法的詳細(xì)內(nèi)容可以參看前期工作（Yang et al.，2015）。體系結(jié)構(gòu)的第三層是扁平化SLN層。在這一層中，多維復(fù)雜語義關(guān)系通過語義推理規(guī)則被壓縮成為一維語義關(guān)系，即只保留其帶有時序特征的“前驅(qū)”語義關(guān)系。體系結(jié)構(gòu)的最高層是學(xué)習(xí)者個人的隱性知識圖層，在這一層中，通過審查學(xué)習(xí)者對已學(xué)知識的訪問及運用情況可對相關(guān)隱性知識的完成度做出評估，同時也可體現(xiàn)出學(xué)習(xí)者已學(xué)知識可能的缺失情況，從而動態(tài)地將學(xué)習(xí)情況及時地可視化反饋給學(xué)習(xí)者本身。

1.扁平化知識結(jié)構(gòu)圖

在完整的知識SLN圖中，知識節(jié)點包括兩部分：內(nèi)嵌學(xué)習(xí)資源節(jié)點和學(xué)習(xí)者自生成知識節(jié)點。這些知識節(jié)點均可通過復(fù)雜的語義關(guān)系在不同維度上聯(lián)系起來（Yang et al.，2015），這些關(guān)聯(lián)足夠復(fù)雜，可以從不同視角上代表不同的結(jié)構(gòu)。然而，這些復(fù)雜的語義關(guān)系在本節(jié)中會被壓縮為一種單一的關(guān)系，即“前驅(qū)”關(guān)系。因為在個人知識碎片及其整合的評估模型中僅需要考慮關(guān)系的時序性特征。本節(jié)采用語義權(quán)重策略來抽取節(jié)點間復(fù)雜語義關(guān)系中的時序性特征。因此，個人知識SLN圖中任何兩個知識節(jié)點無論有無直接關(guān)聯(lián)的語義邊均可被描述為一個三元組<初始節(jié)點，指向節(jié)點，δ>，系數(shù)δ代表不同的語義關(guān)系權(quán)重和距離的不同轉(zhuǎn)化結(jié)果。例如，知識點t2是知識點t1的一部分，即在SLN圖中，t2有一條指向t1的邊，且該邊名為”part of”，則t1和t2的關(guān)系就可以轉(zhuǎn)化成這樣一個前驅(qū)后繼的三角關(guān)系。對于那些沒有直接關(guān)聯(lián)邊的節(jié)點，關(guān)系的轉(zhuǎn)化是基于前期工作（Yang et al.，2015）中所描述的相關(guān)語義關(guān)系推理公理及引理。

語義關(guān)系扁平化的過程可以分為以下三步：語義關(guān)系剪枝，計算語義關(guān)系的傳遞閉包，生成節(jié)點間的時序邊。因此在已有規(guī)則集上新增剪枝規(guī)則集以及傳遞閉包補充規(guī)則集。用于刪除不必要的節(jié)點類型，其基本形式如下：

如果中的規(guī)則具有如下形式：a→n→b，且b∈theory，n∈{analogy of，similar with，about a same topic，visual of，expanding of，apply with，note of}，那么刪除節(jié)點a以及L（a）。

規(guī)則中L（a）指的是所有指向或由節(jié)點a發(fā)出的關(guān)系。

是相對于原有的傳遞閉包規(guī)則集的補充規(guī)則集，通過引入權(quán)重來計算規(guī)則的傳遞閉包，其基本形式如下：

如果中的規(guī)則具有如下形式：a→1*n→b；b→1*n'→c，且n'' =' prior of '，n和n'是規(guī)則集中可計算傳遞閉包的關(guān)系，那么在節(jié)點a和c之間以a→wn*wn'*n''→c的形式建立關(guān)系邊n''，并賦予權(quán)重wn*wn'。

扁平化知識圖的最后一步是生成節(jié)點間的時序邊，在這個步驟中，知識圖保持其連通性，不會存在孤立節(jié)點，但只有兩種關(guān)系可以保持到最后，即“prior of”和“part of”（這一結(jié)論可通過規(guī)則集的相關(guān)公理和引理證明）。因此，新生成節(jié)點間時序邊的實質(zhì)是在節(jié)點間重新建立“prior of”關(guān)系邊，而建立的策略則是在剪枝并完全計算語義關(guān)系傳遞閉包后為最終保留的關(guān)系“prior of”和“part of”設(shè)置不同的權(quán)重參數(shù)w1和w2。使用最短路徑的算法（dijkstra算法）計算最終被賦予到新生成“prior of”關(guān)系邊上的權(quán)重系數(shù)δ。此時，原本立體多維的SLN知識圖被壓縮成一個只具有時序關(guān)系的單維有向無環(huán)圖。采用矩陣Mr，來存儲這個有向無環(huán)圖中每對節(jié)點間的邊指向關(guān)系及其權(quán)重。矩陣中每個元素aij的值存儲的是節(jié)點對間的三元組

2.前驅(qū)知識訪問矩陣

當(dāng)學(xué)習(xí)者學(xué)習(xí)知識點的相關(guān)知識（包括該知識點包含的各種類型的知識，即自生成知識節(jié)點）時，訪問前驅(qū)知識i的頻率fij會被記錄下來。W1和W2（W1其中l(wèi)g（j-i）為增壓系數(shù)，用于模擬學(xué)習(xí)者在不同學(xué)習(xí)階段時對前驅(qū)知識依賴程度的不同。例如，當(dāng)學(xué)習(xí)者在學(xué)習(xí)知識點t3時對其前驅(qū)知識t1有值為f13+W1的依賴，那么當(dāng)其在后續(xù)知識點t5的學(xué)習(xí)時，即使對知識點t1的依賴值f15+W1=f13+W1，其依賴程度也會大于學(xué)習(xí)知識點t3時對t1的依賴。即在越遠(yuǎn)離前驅(qū)知識節(jié)點i的時刻回顧i，那么可認(rèn)為該知識點在學(xué)習(xí)者頭腦中的認(rèn)知度在隨時間不斷降低。

3.隱性知識碎片的認(rèn)知度評估模型

根據(jù)建構(gòu)主義學(xué)習(xí)理論，學(xué)習(xí)是一個長期積累的過程。通過回顧、理解和應(yīng)用已經(jīng)學(xué)過的知識，知識可以被更好地內(nèi)化。因此，僅僅根據(jù)學(xué)習(xí)者單獨的測試或考試成績而不考慮其在學(xué)習(xí)過程中對前驅(qū)知識的回顧、訪問及應(yīng)用等相關(guān)認(rèn)知操作，是無法準(zhǔn)確評估出學(xué)習(xí)者隱性知識碎片的完整程度的。從建構(gòu)主義的觀點來看，學(xué)習(xí)者的知識認(rèn)知完成度應(yīng)該是伴隨學(xué)習(xí)者學(xué)習(xí)過程的推進而不斷演化和更新的。學(xué)習(xí)者的個人知識圖也應(yīng)具有上述特征。

本文提出的學(xué)習(xí)者隱性知識碎片的認(rèn)知度評估模型，是通過使用貝葉斯概率公式計算前驅(qū)知識訪問矩陣Ma及扁平語義關(guān)系矩陣Mr來實現(xiàn)已學(xué)習(xí)知識點認(rèn)知完成度的動態(tài)更新。該模型的核心是知識認(rèn)知完成度動態(tài)更新算法“Knowledge Completeness Updating Algorithm”（見圖3）。算法中，b代表學(xué)習(xí)者當(dāng)前完成的知識節(jié)點，即需要動態(tài)更新其前驅(qū)知識節(jié)點認(rèn)知完成度的時刻，I是與節(jié)點b具有前驅(qū)關(guān)系的所有節(jié)點集合，即a∈I，a→“prior of”→b。Ba是節(jié)點a到b為止的所有已學(xué)習(xí)獨立后繼節(jié)點的集合，S（I）是所有節(jié)點a∈I的獨立測驗/習(xí)題成績，S（Ba）是所有節(jié)點，∈Ba的獨立測驗/習(xí)題成績。輸出C（I）是所有迄今為止與b具有前驅(qū)關(guān)系的所有節(jié)點的認(rèn)知完成度。

五、實驗及結(jié)果分析

在實驗環(huán)節(jié)中，共有20名被試參與，實驗涉及自規(guī)律學(xué)習(xí)平臺中內(nèi)嵌的前9個學(xué)習(xí)主題。實驗分為兩部分，第一部分驗證學(xué)習(xí)者個人知識圖的動態(tài)演化能力，第二部分檢驗個人隱性知識認(rèn)知度評估模型的保真度（Fidelity）。

1.動態(tài)更新的個人知識圖

在本節(jié)中，我們將可視化地呈現(xiàn)被試學(xué)習(xí)者之一的個人知識圖演化過程，圖4（a-c）分別對應(yīng)的是其整個學(xué)習(xí)過程中三個比較具有代表性時刻的知識圖。

圖中無陰影圓圈中的知識點代表認(rèn)知完成度低的點（<0.6），而帶陰影圓圈代表認(rèn)知完成度高的節(jié)點（>>0.6）。值得注意的是，學(xué)習(xí)者在完成知識點t4的學(xué)習(xí)后，由于在其學(xué)習(xí)過程中過度依賴前驅(qū)知識t1和t2，從而導(dǎo)致了這兩個知識點完成度較低，在學(xué)習(xí)者當(dāng)前的個人知識圖上可看作缺失知識節(jié)點，即學(xué)習(xí)者并沒有真正掌握這兩個前驅(qū)節(jié)點。

而情況在其學(xué)習(xí)完知識點t7后發(fā)生了一定的變化，t1的完成度隨著后續(xù)節(jié)點學(xué)習(xí)過程中對其依賴值不斷降低而逐漸增加，從缺失知識節(jié)點演變?yōu)橐颜莆罩R節(jié)點。這種掌握狀態(tài)一直持續(xù)到知識點t7完成。而t2則一直保持其缺失狀態(tài)，即該學(xué)習(xí)者到t9完成時刻其t2都沒能真正掌握。仔細(xì)分析所有學(xué)習(xí)者的個人知識動態(tài)演化圖會發(fā)現(xiàn)，學(xué)習(xí)者對前驅(qū)知識的掌握通常具有周期性特征，即隨著個人前驅(qū)知識應(yīng)用模式不同、長時記憶/短時記憶能力不同、前驅(qū)知識訪問模式不同等個體特征的不同，其知識掌握的周期性特征也有所不同。這種不同的特征通常體現(xiàn)在知識從掌握到缺失，又從缺失到掌握的頻率以及周期的不同上，與個人學(xué)習(xí)模式緊密關(guān)聯(lián)。

2.個人隱性知識認(rèn)知度評估模型的保真度檢驗

為檢驗個人隱性知識認(rèn)知度評估模型對學(xué)習(xí)者所掌握知識的還原程度，我們對比了由評估模型推導(dǎo)出的知識完成度值與學(xué)習(xí)者對該知識的真實認(rèn)知值。表2顯示了上節(jié)中所提及的參試學(xué)習(xí)者在學(xué)習(xí)過程中其知識認(rèn)知完成度的變化數(shù)據(jù)。圖5則展示了評估模型推導(dǎo)的知識點t1的認(rèn)知完成度曲線與該學(xué)習(xí)者真實的認(rèn)知曲線的對比圖。真實認(rèn)知曲線通過以下方法獲得：首先建立僅針對知識點t1的題庫，然后在每個后續(xù)知識點學(xué)習(xí)完成后（完成練習(xí)或測驗），再隨機選擇一個關(guān)于t1的測驗題，讓學(xué)習(xí)者不依賴任何幫助的前提下完成。獲得的成績曲線即為學(xué)習(xí)者關(guān)于t1在tn（n>1）時刻的真實認(rèn)知曲線。

從圖5兩組曲線的對比可看出，隱性知識認(rèn)知度評估模型推導(dǎo)出的知識點完成度雖然沒有與學(xué)習(xí)者真實認(rèn)知曲線重合，但是卻享有共同的周期性特征，這說明個人知識認(rèn)知度評估模型在還原學(xué)習(xí)者隱性知識碎片上是趨勢性保真的。

為了反映隱性知識認(rèn)知度評估模型作用于所有參試學(xué)習(xí)者的平均保真性能，我們計算了所有被試學(xué)習(xí)者在學(xué)習(xí)時刻tn時關(guān)于知識點t1的保真方差（Stn（t1）-Ctn（t1））2曲線，如圖6所示，一個系列代表一個被試學(xué)習(xí)者。

圖6顯示了隱性知識認(rèn)知度評估模型的整體保真性能。從圖中可看出大部分學(xué)習(xí)者的保真方差曲線均能享有一個平滑的形態(tài)，只有少量學(xué)習(xí)者的保真曲線起伏較大。因此，該評估模型具有較好的整體保真性能。

六、結(jié)論

在本文中，為模擬真實的個人知識碎片組建過程，我們設(shè)計并實現(xiàn)了一個可集成學(xué)習(xí)者顯性知識碎片的自規(guī)律學(xué)習(xí)平臺。該平臺因為具有主題中心性、學(xué)習(xí)者自我意識標(biāo)注并存儲以及可視化動態(tài)顯示等特征，使得實時采集學(xué)習(xí)者顯性知識碎片成為可能；而且，依靠SLN強大的涌現(xiàn)語義生成能力，可以將學(xué)習(xí)者新生成知識融入已有的個人知識SLN，使個人知識圖隨學(xué)習(xí)過程推進而不斷演化。

而在此基礎(chǔ)上提出的融入了知識整合認(rèn)知機制的個人知識完成度評估模型，不僅可以可視化地實現(xiàn)個人隱性知識碎片的動態(tài)演化軌跡，還可以以較高保真度還原學(xué)習(xí)者知識認(rèn)知程度的周期性變化曲線，從而從真正意義上實現(xiàn)機器以建構(gòu)主義方式動態(tài)模擬不同學(xué)習(xí)者的個人知識組建軌跡和知識整合認(rèn)知模式。當(dāng)然，鑒于本文有限的被試規(guī)模及知識體量，所提出的個人隱性知識認(rèn)知度評估模型還有待進一步修正和改進。

參考文獻(xiàn)：

[1]郝金星（2011）.利用概念地圖分析輔助組織決策[A].Proceedings of the 2011 International Conference on Information ，Services and Management Engineering[C]. China Academic Journal Electronic Publishing House：1749-1754.

[2]蔣國瑞， 趙亮（2009）. 一個優(yōu)化的本體自學(xué)習(xí)構(gòu)建模型及其應(yīng)用[J]. 計算機應(yīng)用研究， （1）：168-171.

[3]賴曉濤， 任茵（2005）. 概念地圖在知識管理中的作用[J]. 贛南師范學(xué)院學(xué)報， （6）：73-75.

[4]蒙應(yīng)杰， 董禮英， 郭凱（2005）. 本體技術(shù)在異構(gòu)信息建模中的應(yīng)用研究[J]. 甘肅科學(xué)學(xué)報， （1）：69-72.

[5]馬費成， 郝金星（2006）. 概念地圖在知識表示和知識評價中的應(yīng)用（Ⅰ）——概念地圖的基本內(nèi)涵[J]. 中國圖書館學(xué)報， （3）：5-9.

[6]Alesandrini， K.， & Larson， L. （2002）. Teachers Bridge to Constructivism[J]. The Clearing House， 75（3）：118-121.

[7]Cali， A.， Gottlob， G.， & Pieris， A. （2012）. Towards More Expressive Ontology Languages： The Query Answering Problem[J]. Artificial Intelligence， 193（6）：87-128.

[8]Dong， X.， Gabrilovich， E.， & Heitz， G. et al. （2014）. Knowledge Vault： A Web-Scale Approach to Probabilistic Knowledge Fusion[A]. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. ACM： 601-610.

[9]Dumontier， M.， Baker， C. J.， & Baran， J. et al. （2014）. The Semanticscience Integrated Ontology （SIO） for Biomedical Research and Knowledge Discovery[J]. Journal of Biomedical Semantics， 5（1）：14.

[10]Eppler， M. J. （2006）. A Comparison Between Concept Maps， Mind Maps， Conceptual Diagrams， and Visual Metaphors as Complementary Tools for Knowledge Construction and Sharing[J]. Information Visualization， 5（3）：202-210.

[11]Gaeta， M.， Orciuoli， F.， & Paolozzi， S. et al. （2011）. Ontology Extraction for Knowledge Reuse： The E-Learning Perspective[J]. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 41（4） ： 798-809.

[12]Garrido， A.， & Onaindia， E. （2013）. Assembling Learning Objects for Personalized Learning： An AI Planning Perspective[J]. IEEE Intelligent Systems， 28（2） ： 64-73.

[13]Hakkani-Tür， D.， Celikyilmaz， A.， & Heck， L. et al. （2014）. Probabilistic Enrichment of Knowledge Graph Entities for Relation Detection in Conversational Understanding[A]. Proceedings of the Annual Conference of the International Speech Communication Association [C]. International Speech and Communication Association： 2113-2117.

[14]Hakkani-Tür， D.， Heck， L.， & Tur， G. （2013）. Using a Knowledge Graph and Query Click Logs for Unsupervised Learning of Relation Detection[A].2013 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）[C]. IEEE： 8327-8331.

[15]Hannon， B.， & Daneman， M. （2001）. A New Tool for Measuring and Understanding Individual Differences in The Component Processes of Reading Comprehension[J]. Journal of Educational Psychology， 93（1）：103.

[16]Jonassen， D. H.， & Carr， C. S. （2000）. Mindtools： Affording Multiple Knowledge Representations for Learning[J]. Computers as Cognitive Tools， 2： 165-196.

[17]Novak， J. D.， & Gowin， D. B. （1984）. Learning How to Learn[M]. Cambridge University Press.

[18]Ormrod， J. E. （2014）. Essentials of Educational Psychology： Big Ideas to Guide Effective Teaching[M]. Pearson Higher Ed.

[19]Santacruz-Valencia， L. P.， Navarro， A.， & Aedo， I. （2010）. Comparison of Knowledge During the Assembly Process of Learning Objects[J].Journal of Intelligent Information Systems， 35（1） ： 51-74.

[20]Spivak， D. I.， & Kent， R. E. （2012）. Ologs： A Categorical Framework for Knowledge Representation[J]. PLoS One， 7（1）： e24274.

[21]Tseng， K. H.， Chang， C. C.， & Lou， S. J. et al. （2012）. How Concept-mapping Perception Navigates Student Knowledge Transfer Performance[J]. Educational Technology & Society， 15（1）：102-115.

[22]Weinerth， K.， Koenig， V.， & Brunner， M. et al. （2014）. Concept Maps： A Useful and Usable Tool for Computer-Based Knowledge Assessment？ A Literature Review With a Focus on Usability[J]. Computers & Education， 78（259）： 201-209.

[23]Yang， J.， Gao， Y.， & Liu， H. （2015）. Constructing the Personalized Knowledge Map Through a Self-Evolved Knowledge Management Model[A].Proceedings of 11th International Conference on Semantics， Knowledge and Grids （SKG）[C]. IEEE： 41-48.

[24]Zhu， A.（2013）. Knowledge Graph Visualization for Understanding Ideas[J]. International Journal for Cross-Disciplinary Subjects in Education （IJCDSE）， 3（1）： 1392-1396.

[25]Zhuge， H. （2010）. Interactive Semantics[J]. Artificial Intelligence， 174（2）： 190-204.

[26]Zhuge， H. （2011）. Semantic Linking Through Spaces for Cyber-Physical-Socio Intelligence： A Methodology[J]. Artificial Intelligence， 175（5-6）： 988-1019.

收稿日期 2016-10-06 責(zé)任編輯 汪燕

Abstract： One of the most important aspects of knowledge management is how to externally visualize what the learners have learned. Although mind tools， ontology and knowledge graph are the most popular methods to interpret and organize knowledge， those methods have significant flaws in simulating the knowledge images which are stored in learners' minds because of lacking the necessary complex semantic reasoning mechanism and the supporting cognitive simulation theories. In this paper， we design and implement a self-regulated online learning system that collects individual learners' explicit knowledge reflections and a latent knowledge evaluation model that is integrated with cognitive theory of general intelligence. This online learning system not only can simulate the process of integrating the knowledge， but also can dynamically provide learners with their individualized explicit knowledge reflections in the form of semantic linked network （SLN）. The evolving trajectory produced by the latent knowledge evaluation model about an individual's latent knowledge has a comparatively high fidelity to the true situation， and this result is also partly proved by the experiment result.

Keywords： Knowledge Management； Knowledge Reflections； Individualized Knowledge Map； Explicit Knowledge； Latent Knowledge； Recognition Evaluation