張義兵 徐朝軍

摘 要：知識建構(gòu)理論（KB）及其技術(shù)環(huán)境知識論壇（KF）是當(dāng)今國際學(xué)習(xí)科學(xué)界具有代表性的知識創(chuàng)新學(xué)習(xí)理論與技術(shù)，代表著21世紀“教與學(xué)”的變革方向。從理論研究與實踐需求看，知識建構(gòu)研究的一個瓶頸問題是在持續(xù)的知識建構(gòu)過程中，社區(qū)成員在KF平臺里形成了海量的“非結(jié)構(gòu)化”“半結(jié)構(gòu)化”數(shù)據(jù)碎片，KF平臺目前只能做淺層次的可視化表達，而難以對其進行結(jié)構(gòu)化的深度分析。本研究圍繞知識建構(gòu)學(xué)習(xí)社區(qū)知識圖譜自動構(gòu)建的關(guān)鍵問題，力圖通過建構(gòu)“人—活動—知識”之間的理論模型，提出借助自然語言處理、語義分析、實體關(guān)系發(fā)現(xiàn)等知識圖譜技術(shù)，研發(fā)知識圖譜構(gòu)建引擎的方案，進而結(jié)合教學(xué)實踐過程，展示實際應(yīng)用的路徑。

關(guān)鍵詞：知識建構(gòu)學(xué)習(xí)社區(qū);社區(qū)知識圖譜;知識論壇;語義分析;實體關(guān)系發(fā)現(xiàn)

一、問題提出的背景

知識建構(gòu)理論（Knowledge Building，KB）及其技術(shù)環(huán)境知識論壇（Knowledge Forum，KF）是國際學(xué)習(xí)科學(xué)（Learning Science）界極具代表性的知識創(chuàng)新學(xué)習(xí)理論與技術(shù)，代表著21世紀“教與學(xué)”的變革方向。該理論在歐美、東亞等區(qū)域的前瞻性研究中具有很大影響力，一直是學(xué)術(shù)研究最活躍的課題。在全面深化教育改革的大背景下，該理論也吸引了一些中國的學(xué)者開展初步的教學(xué)實驗，但是總體上，中國的研究尚難以跟上國際發(fā)展前沿。[1][2]

知識建構(gòu)理論的獨特之處是強調(diào)學(xué)生像科學(xué)家一樣探究真實問題，形成以“觀點”（Idea）為中心的多樣化知識表征，并且可視化表達在KF平臺上，但也由此形成了類型多樣、交錯復(fù)雜的“半結(jié)構(gòu)化”“非結(jié)構(gòu)化”的數(shù)據(jù)碎片。[3]目前，KF平臺能夠進行一般社會網(wǎng)絡(luò)分析，但無法分析復(fù)雜互動行為（如反駁、批判、抗辯等）;KF也能夠做一般的詞匯及其增量分析，但是不能分辨含糊的語義、概念的發(fā)展跟蹤等;KF還能夠統(tǒng)計社區(qū)成員的參與量、貢獻量等基礎(chǔ)數(shù)據(jù)，但不能診斷教學(xué)問題，預(yù)測教學(xué)走向，難以比較社區(qū)理論構(gòu)建與學(xué)科課程目標之間的差異等，這些問題也一直極大地困擾著國際知識建構(gòu)學(xué)術(shù)共同體。

針對KF 中的“半結(jié)構(gòu)化”“非結(jié)構(gòu)化”數(shù)據(jù)碎片，近年日漸成熟的知識圖譜（Knowledge Graph）技術(shù)是解決該問題的最好選擇之一。若應(yīng)用好該技術(shù)，就能夠理清知識建構(gòu)學(xué)習(xí)社區(qū)中復(fù)雜的人、活動與知識之間的結(jié)構(gòu)關(guān)系，能夠跟蹤與分析人、活動與知識的發(fā)展過程，把握個體、群組等的發(fā)展變化及差異等。[4]因此，基于KF平臺構(gòu)建知識建構(gòu)學(xué)習(xí)社區(qū)知識圖譜的意義在于：

（1）能夠自動挖掘人、活動與知識間的聯(lián)系，以可視化方式向知識建構(gòu)學(xué)習(xí)社區(qū)成員反饋結(jié)構(gòu)化的知識，輔助教師與學(xué)生進行知識管理。

（2）能夠通過構(gòu)建多層次用戶、多樣化活動、多類型知識的知識圖譜，支持知識建構(gòu)學(xué)習(xí)社區(qū)的學(xué)習(xí)分析。

（3）能夠通過基于時間線的、與知識建構(gòu)過程同步的動態(tài)數(shù)據(jù)分析，預(yù)測知識建構(gòu)社區(qū)知識的發(fā)展走向，輔助社區(qū)成員“教與學(xué)”的設(shè)計。

二、已有研究述評

（一）知識圖譜自動構(gòu)建的相關(guān)研究

20世紀60年代末，奎廉（M. R. Quillian）和 西蒙斯（R. F. Simmons）等提出語義網(wǎng)絡(luò)，提出概念提取和概念之間關(guān)系的建模等。隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)中愈發(fā)豐富的超文本鏈接和應(yīng)用鏈接將互聯(lián)網(wǎng)上豐富的信息形成巨大的信息網(wǎng)絡(luò)，給用戶信息搜索帶來了很大的障礙。[5]2012年，谷歌為增強搜索結(jié)果，建立了語義網(wǎng)知識庫，并稱之為知識圖譜。隨之，這一概念得到業(yè)內(nèi)的迅速認可和應(yīng)用。[6]

知識圖譜構(gòu)建的關(guān)鍵技術(shù)，包括實體及關(guān)系抽取技術(shù)、知識融合技術(shù)、實體鏈接技術(shù)和知識推理技術(shù);知識圖譜構(gòu)建包含從數(shù)據(jù)來源到應(yīng)用等各個環(huán)節(jié)的相關(guān)技術(shù)：最初實體關(guān)系識別任務(wù)在1998年信息理解會議（Message Understanding Conference，MUC）中以MUC-7任務(wù)被引入，目的是通過填充關(guān)系模板槽的方式抽去文本中特定的關(guān)系;1998年后，在自動內(nèi)容抽?。ˋutomatic Content Extraction，ACE）中被定義為關(guān)系檢測和識別的任務(wù);2009年ACE并入文本分析會議（Text Analysis Conference，TAC），關(guān)系抽取被并入到KBP（Knowledge Base Population）領(lǐng)域的槽填充任務(wù)。[7]

基于機器學(xué)習(xí)的命名實體發(fā)現(xiàn)方法，劃分為四類：監(jiān)督、半監(jiān)督、無監(jiān)督和混合方法。從實體關(guān)系發(fā)現(xiàn)任務(wù)看，可以分為限定領(lǐng)域（Close Domain）和開放領(lǐng)域（Open IE）;從實體關(guān)系發(fā)現(xiàn)方法上看，經(jīng)歷了從流水線識別方法逐漸過渡到端到端的識別方法。[8]而在知識表示方面，典型的模型有距離模型、單層神經(jīng)網(wǎng)絡(luò)模型、雙線性模型、神經(jīng)張量模型、矩陣分解模型、翻譯模型以及TranesH、TransR、TransD、TransG、KG2E等各種復(fù)雜關(guān)系模型和多原組合模型。在知識融合、知識推理等方面，同樣也有非常豐富的研究和積淀值得參考和學(xué)習(xí)。[9][10][11]

（二）知識建構(gòu)教學(xué)平臺對知識的結(jié)構(gòu)化處理及不足

知識建構(gòu)教學(xué)平臺是以發(fā)展社區(qū)知識為核心的知識論壇。[12]從哲學(xué)層面說，知識論壇是用于支持“世界3”的顯性化表達;[13]KF也是以Applet的形式嵌入一些基于統(tǒng)計的評價工具，如Contribution Tool（貢獻量分析工具）、Semantic Overlap Tool（語義重疊工具）、Social Network Tool（社會網(wǎng)絡(luò)分析工具）、Vocabulary Growth Tool（詞匯量增長評價工具）等。這些工具從社區(qū)成員活動關(guān)系、互動用語關(guān)鍵詞等角度進行了量化統(tǒng)計，極大地支持了學(xué)生知識可視化表征與發(fā)展。[14][15]

知識建構(gòu)學(xué)術(shù)共同體一直受到困擾的是KF平臺上日益增多的人與人、人與知識、知識與知識、知識與活動等多對象間的復(fù)雜數(shù)據(jù)關(guān)系，研究者也在不斷尋求更多、更好的技術(shù)方法對這些數(shù)據(jù)進行梳理、表征，以更好地支持社區(qū)知識的各個環(huán)節(jié)，促進學(xué)生對知識理解加深，縮短知識建構(gòu)、達成共識的周期。[16]美國明尼蘇達大學(xué)的陳伯棟通過基于設(shè)計的研究探索了有前景的觀點工具（Promising Idea Tool），該工具的主要功能是學(xué)生自發(fā)選擇，按照次數(shù)排名統(tǒng)計，判斷有前景的觀點，但是其無法對社區(qū)大規(guī)模的“觀點”進行判斷。[17]美國紐約大學(xué)張建偉團隊開發(fā)了觀點線程貼圖（Idea Thread Mapper，ITM）工具，該工具通過幫助學(xué)生回顧那些以互動交流為主題的富有成果的探究性話題，并找出隨著時間推移而產(chǎn)生的重要思想，以解決每一個焦點問題，[18]但也只是一般網(wǎng)絡(luò)行為跟蹤，并未涉及深度的語義的分析。日本歐?，敚∣shima）教授團隊開發(fā)了KBDeX篩選關(guān)鍵詞，但是該工具不能進行自動化的處理，需要研究者先手工抽取關(guān)鍵詞，再進行數(shù)據(jù)轉(zhuǎn)換后，利用第三方KBDex才能處理。

從現(xiàn)有研究和實踐看，知識建構(gòu)社區(qū)教學(xué)工具還有很大的進一步研究和開發(fā)的空間。首先，從知識建構(gòu)主體看，有成員、小組、班級、學(xué)校等不同的規(guī)模;其次，從知識建構(gòu)活動過程看，不同的活動形式有不同的環(huán)節(jié);再從課程的角度看，不同的教學(xué)主題也有不同的知識結(jié)構(gòu)。在這些諸多主體、活動、知識等復(fù)雜關(guān)系下，都有必要提供合適的工具以支持社區(qū)知識建構(gòu)活動。

（三）知識圖譜的自動構(gòu)建對學(xué)習(xí)社區(qū)的教學(xué)支持及其發(fā)展動態(tài)

知識圖譜技術(shù)以可視化的方式提供了結(jié)構(gòu)化的知識表征形式，在教育中有廣泛的應(yīng)用。塞加拉（Zegarra E）設(shè)計了一種以知識圖譜為主要展示形式的學(xué)習(xí)系統(tǒng)，學(xué)生可對圖譜中的知識節(jié)點進行瀏覽和學(xué)習(xí)，并對感興趣的話題進行深入討論。研究表明這種形式的學(xué)習(xí)有助于加強學(xué)生對知識的理解和認識，掌握知識點之間的聯(lián)系以及形成新的知識鏈接。另外，該系統(tǒng)還對學(xué)生話題討論的結(jié)果、進程和熱度進行知識圖譜形式的可視化展示，以提高學(xué)生的同伴學(xué)習(xí)效率。馬?。∕artin S）等針對K12的數(shù)學(xué)教育設(shè)計了名為Better Marks的平臺，該平臺使用了結(jié)合知識圖譜的集成分類器來預(yù)測在線網(wǎng)絡(luò)學(xué)習(xí)中學(xué)習(xí)者的學(xué)習(xí)行為。平臺摒棄了嚴格的課程結(jié)構(gòu)，而將所有的學(xué)習(xí)目標使用知識圖譜的形式進行展示，以更好地呈現(xiàn)學(xué)習(xí)目標的先驗知識點，通過記錄學(xué)生自由的學(xué)習(xí)行為來分析和提取相應(yīng)的特征以構(gòu)建分類器。研究證明，基于知識圖譜的集成分類器可以更好地預(yù)測學(xué)生行為和把握學(xué)生的個體差異行為。楊亦鳴使用知識圖譜來鏈接MOOC課程，以課程為節(jié)點，體現(xiàn)課程之間相應(yīng)的關(guān)系和先驗知識，幫助學(xué)生在不同學(xué)校開設(shè)的課程之間進行更好的選擇。[19]岡田（Okada A）的研究表明基于知識圖譜建立的開放教育資源更有利于促進意義學(xué)習(xí)。[20]郝佳等提出運用知識圖譜的方式可以幫助學(xué)習(xí)者更快地鎖定學(xué)習(xí)目標與路徑，更高效地進行領(lǐng)域知識的學(xué)習(xí)。[21]國外有學(xué)者提出使用基于語義網(wǎng)絡(luò)的知識表示模型來組織學(xué)習(xí)者的知識，認為這種模型可以幫助在線學(xué)習(xí)者提高顯性知識和隱性知識之間的聯(lián)系，幫助學(xué)習(xí)者進行有效的知識管理。[22]還有人認為社區(qū)中對于某一知識的重用率和討論率可以體現(xiàn)該社區(qū)內(nèi)對該知識點的認知深度，他們歸納和提取社區(qū)成員所有感興趣的領(lǐng)域，并生成一個以關(guān)鍵詞為節(jié)點的語義網(wǎng)，每當(dāng)社區(qū)成員提出一個新的觀點或問題，就在語義網(wǎng)中查找相關(guān)的節(jié)點，以此來判斷社區(qū)中知識的認知深度。[23]

三、需要解決的關(guān)鍵問題

知識圖譜技術(shù)是一種基于語義網(wǎng)的知識結(jié)構(gòu)化表征技術(shù)，其研究在教育方面的應(yīng)用已經(jīng)涉入了社區(qū)討論、學(xué)生行為預(yù)測、知識結(jié)構(gòu)關(guān)系分析等多個方面。基于其四個關(guān)鍵技術(shù)及基本流程，本研究力圖基于KF社區(qū)活動數(shù)據(jù)，首先要建立“人—活動—知識”等數(shù)據(jù)關(guān)系模型，明確知識建構(gòu)活動形式、流程、社區(qū)成員組成等需求，進行劃分、重組成員社區(qū)活動數(shù)據(jù);采用迭代的工程思想，研發(fā)知識圖譜實時構(gòu)建引擎;通過教學(xué)實踐，驗證知識圖譜工具在知識建構(gòu)活動中的教學(xué)效果，進而優(yōu)化知識圖譜構(gòu)建引擎的精度和性能，為多形式的知識建構(gòu)活動提供工具支持。研究技術(shù)路線如圖1所示。

（一）關(guān)鍵問題之一：知識建構(gòu)學(xué)習(xí)社區(qū)“人—活動—知識”建模方案

針對知識建構(gòu)學(xué)習(xí)社區(qū)成員在KF平臺里的活動及其產(chǎn)出，活動建模主要包括：

（1）KF社區(qū)平臺所支持的成員關(guān)系，包括教師與學(xué)生、學(xué)生與學(xué)生、個體與小組、小組與小組、個體與班級、小組與班級、班級與班級。

（2）知識建構(gòu)活動類型與過程，包括基礎(chǔ)性活動，如閱讀、評論、發(fā)展、增建、提升等;討論活動，如闡述、批判、反駁、抗辯等;生成性活動，如調(diào)查、訪談、實驗、展示等。

（3）知識類型及其發(fā)展過程，包括持續(xù)提出的問題，特別是劣構(gòu)問題、概念、觀點、方案、理論等認知制品（Epistemic Artifacts）。

通過對上述的成員活動數(shù)據(jù)等進行梳理，構(gòu)建人與人、人與知識、人與活動、知識與知識、知識與活動、活動與活動等方面的理論模型，為下一步知識圖譜構(gòu)建提供相匹配的數(shù)據(jù)集。

本研究將根據(jù)社區(qū)成員觀點的語義分析以及活動的類型重新編碼，形成構(gòu)建模型的基礎(chǔ)數(shù)據(jù)、統(tǒng)計頻次、類型，建立獨立的成員關(guān)系建模、活動建模、知識建模及復(fù)合的“人—活動—知識”模型。

例如，角色關(guān)系的建模，先對人及其活動的表現(xiàn)及其相應(yīng)的用語特征進行分析與編碼，如表1所示;在此基礎(chǔ)上，進一步歸納出角色歸類，如表2所示。

（二）關(guān)鍵問題之二：知識建構(gòu)活動特征語料庫建構(gòu)

KF中的知識建構(gòu)活動有基礎(chǔ)活動、討論活動、生成性活動等多種形式，每種活動形式則有多種環(huán)節(jié)，但是社區(qū)成員在知識構(gòu)建活動中每個環(huán)節(jié)的語言表達有一定的規(guī)律可循。研究者通過查找文獻、調(diào)查及組織專家討論，形成初步的特征分析表，如表3所示，通過用戶試用等進行信度與效度檢測，進而形成初步的語料庫原型，后期的系統(tǒng)使用中，還需要運用機器學(xué)習(xí)相關(guān)算法對語料庫持續(xù)優(yōu)化。

（三）關(guān)鍵問題之三：知識圖譜自動構(gòu)建引擎研發(fā)方案

為了滿足社區(qū)互動交流文本長度短、需求實時性高、差異性比較等需求，研發(fā)涉及如下關(guān)鍵技術(shù)。

1.小數(shù)據(jù)知識圖譜構(gòu)建

在構(gòu)建知識圖譜時，面臨著文本短、數(shù)據(jù)規(guī)模較小等問題。在技術(shù)上，應(yīng)能夠從短文本、小數(shù)據(jù)集中抽取實體及實體間的關(guān)系，提高短文本概念抽取的準確性。本研究擬采用如下方案提升知識圖譜建構(gòu)過程中的準確性：

（1）采用知識建構(gòu)活動特征語料庫，協(xié)助進行知識建構(gòu)活動數(shù)據(jù)預(yù)分類。

（2）采用短文本分析技術(shù)，減少短文本分析過程中語義信息的損失。

知識圖譜構(gòu)建中，實體及實體發(fā)現(xiàn)的流程設(shè)計如圖2（a、b）所示：

2.相似知識圖譜相似度計算

在教學(xué)應(yīng)用中，比較兩個同學(xué)、教學(xué)的不同階段、教學(xué)班級社區(qū)活動的知識圖譜，有助于評價學(xué)生學(xué)習(xí)情況、教學(xué)過程等，這就需要對同質(zhì)的知識圖譜進行比較。兩個同類知識圖譜（G1、G2）之間可能存在如下三種情況，如圖3（a、b、c）所示。

從圖的節(jié)點、邊、權(quán)重構(gòu)成看，本選題擬采用知識節(jié)點圖譜映射、權(quán)重加權(quán)的方法，計算同質(zhì)圖譜間的相似度，相似度的量化涉及的因素是研究的重點之一。其求解流程思考如表4所示：

3.實時高性能計算

社區(qū)成員的知識建構(gòu)活動是隨時發(fā)生的，社區(qū)活動中的數(shù)據(jù)是一個不斷集聚的過程。知識圖譜應(yīng)該能夠支持實時的更新，以動態(tài)反映個體、小組及班級的學(xué)習(xí)變化情況。為提升知識圖譜構(gòu)建引擎的計算性能，本研究擬采取如下技術(shù)措施：

（1）累積式知識圖譜構(gòu)建，從知識建構(gòu)活動進展、過程數(shù)據(jù)的增進，以累積式、可擴展的策略，動態(tài)調(diào)整知識圖譜中的節(jié)點、邊及關(guān)系權(quán)重等。

（2）在軟件架構(gòu)選型上，采用高性能的計算框架，采用業(yè)內(nèi)較為流行的基于內(nèi)存的流計算，主要平臺有Hadoop體系中的Spark Streaming等。

四、知識建構(gòu)社區(qū)知識圖譜的教學(xué)應(yīng)用路徑

知識建構(gòu)學(xué)習(xí)社區(qū)的知識圖譜應(yīng)用路徑，可以貫穿整個知識建構(gòu)教育與研究的全過程。其基本應(yīng)用可以從知識建構(gòu)教學(xué)的基本流程展開。在知識建構(gòu)初期，知識圖譜可以主要用于促進學(xué)生問題提出;在知識建構(gòu)中期，主要在于促進學(xué)生觀點發(fā)表與改進;在知識建構(gòu)后期，主要用于促進知識建構(gòu)學(xué)習(xí)社區(qū)理論的協(xié)同建構(gòu)。

知識圖譜的可視化表征，首先是建立在對學(xué)生的觀點表達的基礎(chǔ)上可視化處理，比如運用相關(guān)算法自動篩選KF社區(qū)中的高頻詞、對KF學(xué)習(xí)平臺中的學(xué)習(xí)支架使用頻次的自動統(tǒng)計……進而熱詞分析、支架使用雷達圖等可視化工具。其次是勾畫關(guān)鍵詞相關(guān)性聯(lián)結(jié)，比如，以初中物理為例，挖掘并搭建初中物理語料庫，根據(jù)語義相關(guān)與文本相似性形成學(xué)科全面的概念知識圖譜，作為本研究知識圖譜自動構(gòu)建的初步概念原型。再次，針對KF學(xué)習(xí)平臺中學(xué)生間的關(guān)系強弱、互動頻次、交互內(nèi)容及價值傾向等提出自動量化評價模型，構(gòu)建多類型知識、多層次用戶、多樣化活動的知識圖譜，提供分析與評價的依據(jù)。

參考文獻：

[1]滿其峰，張義兵，劉瑤，等.小學(xué)知識建構(gòu)社區(qū)中的批判性思維研究?[J].電化教育研究，2014，（2）：113-120.

[2]趙建華.知識建構(gòu)的原理與方法[J].電化教育研究，2007（5）：9-15.

[3]CHEN B，HONG H Y.Schools as Knowledge-Building Orga-nizations：Thirty Years of Design Research[J].Educational Psych-ologist（S0046-1520），2016，51（2）：266-288.

[4]BENGIO Y.Learning Deep Architectures for AI[J].Foundations & Trends in Machine Learning（S1935-8245），2009，2（1）：1-127.

[5]DONG X L，GABRILOVICH E，HEITZ G，et al.From Data Fusion to Knowledge Fusion[J].Proceedings of the Vldb Endowment（S2150-8097），2015，7（10）：881-892.

[6]史樹明.自動和半自動知識提取[J].中國計算機學(xué)會通訊，2013， 9（8）：65-73.

[7]漆桂林，高桓，吳天星.知識圖譜研究進展[J].情報工程，2017， 3（1）：4-25.

[8]孫鎮(zhèn)，王惠臨.命名實體識別研究進展綜述[J].現(xiàn)代圖書情報技術(shù)， 2010，26（6）：42-47.

[9]LIU X，ZHANG S，WEI F，et al.Recognizing Named Entities in Tweets[C]//Meeting of the Association for Computational Linguistics：Human Language Technologies.Association for Computational Linguistics，2011：359-367.

[10]劉知遠，孫茂松，林衍凱，等.知識表示學(xué)習(xí)研究進展[J].計算機研究與發(fā)展，2016，53（2）：1-16.

[11]莊嚴，李國良，馮建華.知識庫實體對齊技術(shù)綜述[J].計算機研究與發(fā)展，2016，（01）：165-192.

[12]BEREITER C.Education and Mind in the Knowledge Age[J]. Computer-Mediated Communication Magazine（S1076-027X）， 2002，（5）：11-27.

[13]卡爾.波普爾.客觀知識：一個進化論的研究[M].舒煒光，卓如飛，周柏喬，等譯.上海：上海譯文出版社，2015.

[14]Marlene Scardamalia，張建偉，孫燕青.知識建構(gòu)共同體及其支撐環(huán)境[J].現(xiàn)代教育技術(shù)，2005，15（3）：5-13.

[15]LEE E Y C，CHAN C K K，AALST J V.Students Assess-ing Their Own Collaborative Knowledge Building[J].International Journal of Computer-Supported Collaborative Learning（S1556-1615），2006， 1（2）：277-307.

[16]JENATTION R，ROUX N L，BORDES A，et al.A Latent Factor Model for Highly Multi-relational Data[C]//Proc of? NIPS.Cambridge， MA：MIT Press，2012：3167-3175.

[17]CHEN B ZHANG J.Analytics for Knowledge Creation： Towards Epistemic Agency and Design-Mode Thinking[J]. Journal of Learning Analytics（S1929-7750），2016，3（2）：139-163.

[18]Jianwei Zhang，Marlene Scardamalia，Richard Reeve，et al.Designs for Collective Cognitive Responsibility in Knowledge-Building Communities[J].Journal of the Learning Sciences（S1050-8406），2009，18（1）：7-44.

[19]YANG Y，LIU H，CARBONELL J，et al.Concept Graph Learn-ing from Educational Data[C]//Eighth ACM International Conference on Web Search and Data Mining.ACM，2015：159-168.

[20]OKADA A，CONNOLLY T.Designing Open Educational Resou-rces through Knowledge Maps to Enhance Meaningful Learning?[J]. International Journal of Learning（S1447-9494），2008，15（7）：526-532.

[21]HAO J，YAN Y，GONG L，et al.Knowledge Map-based Method for Domain Knowledge Browsing[J].Decision Support Systems（S0167-9236），2014，61（1）：106-114.

[22]ZABLITH F，F(xiàn)ARAJ S，AZAD B.Organizational Knowledge Generation：Lessons from Online Communities[J].Business Process Management Journal（S1463-7154），2015，22（1）：89-101.

[23]CHERGUI O，BEGDOURI A，GROUX-LECLET D.Keyword-Based Similarity Using Automatically Generated Semantic Graph in an Online Community of Practice[M]//Emerging Technologies for Education.2017.