大家好，我是研究生李。

我想结合内容和个人感想，向大家介绍一下在最近的英语文献研讨会上阅读的一篇论文。

论文标题：Knowledge Map Creation for Modeling Learning Behaviors in Digital Learning Environments

出版年份:2019

作者:Brendan Flanagan, Rwitajit Majumdar, Gökhan Akçapınar, Jingyun Wang and Hiroaki Ogata1

期刊:Companion Proceedings of the 9th International Conference on Learning Analytics and Knowledge (LAK’19)

页码 :428-436

以下是论文内容的概要。

概要

随着数字学习环境中教育技术的飞速发展，利用学习行为数据对学生的知识状态进行建模与分析，已成为教育研究的重要方向。知识地图作为一种直观展示知识结构中关键概念及其相互关系的工具，是促进Ausubel（1963）所提倡的“有意义学习（meaningful learning）”的重要手段。然而，传统的知识地图制作通常由专家手动完成，耗时耗力，难以应对动态变化的教育需求，这是目前面临的一大课题。此外，以往的研究多以将测试结果与知识地图相结合来对学习者进行建模为主流。

针对这些课题，Flanagan等人提出了一个能够从非结构化文本中自动生成并管理知识地图的框架。该框架利用学习分析技术，将学生的学习行为与知识地图相结合，为教育现场提供了全新的解决方案。

系统设计与功能

本研究旨在设计并实现一个知识提取处理器（Knowledge Extraction Processor），并将其与现有的学习分析基础设施（Learning Analytics infrastructure）进行整合。

知识提取处理器通过解析数字学习材料（如PDF文档）提取关键概念，并据此生成知识地图。生成的知识地图保存在知识地图存储库中，供教师进行管理和修正。学生和教师可以通过面向用户的知识门户（User facing Knowledge Portal）访问这些地图，确认与学习内容相关的概念关系，并根据学习行为数据（出勤、教材浏览、测试结果等）调整学习计划。

本系统重视与现有学习分析基础设施的整合，实现了与学习管理系统（LMS）、数字阅读工具、测试系统等的联动。通过学习记录存储库（LRS）和分析处理器，实时收集学生的学习行为数据，并将其映射到知识地图的节点上。通过这种方式，学生的知识状态和学习行为得以直观可视化，使学生能够更好地理解自己的学习进度。

知识地图生成方法

为了从非结构化学习材料中提取有意义的知识概念，本系统采用了基于文本挖掘的知识地图生成方法。首先，使用PDF解析工具提取教材的文本内容，利用形态素分析工具（如MeCab）对文本进行分词并标注词性。接着，从文中提取重要的名词短语，构建词语共现矩阵以确定概念间的关系。最后，使用最小生成树算法优化图的复杂性，仅保留关联性最强的概念。

生成的知识地图并非直接用于课堂，而是作为初稿保存在系统中。教师可以通过编辑门户进一步确认和调整地图。这一过程包括删除不必要的节点、添加缺失的关键概念、以及链接相关的学习资源或测试题。通过这些步骤，不仅提高了知识地图的生成效率，还确保了地图的准确性和实用性。

实验与评估

为了验证系统的有效性，研究团队在信息科学课程中进行了实验。将自动生成的知识地图与人工制作的“黄金标准”地图进行比较，结果显示，自动生成的地图在精度和召回率方面表现良好，特别是在较低的复杂性阈值下，能够保留主要的重点节点。

虽然自动生成的地图仍需教师进行人工调整，但与完全手工制作相比，明显大幅减少了时间和精力。

应用场景与潜在价值

知识地图系统的应用不仅限于知识结构的可视化，在学习行为分析和教育方针决策中也发挥着重要作用。

对于学生而言，知识地图可作为学习导航工具，帮助他们把握已掌握的知识和尚需学习的内容。此外，通过利用链接的学习资料和测试题，可以填补知识空白。进一步地，知识地图还能支持学生进行长期的知识回顾与反思，追踪随时间推移的知识积累，并识别知识体系中的薄弱环节。

另一方面，对于教师而言，知识地图是把握整体情况的有力工具。例如，通过整合所有学生的知识地图生成一张综合地图，可以识别出学生共同的知识盲点，从而调整教学内容和进度。此外，利用该系统，还可以掌握特定知识概念在学科体系中的重要程度，以及学生认为最困难的内容是什么。

感想

我认为本研究主要有两个原创点。第一，提出了从非结构化文本数据中自动生成知识地图的方法，解决了传统知识地图构建过程繁琐且困难的问题。第二，将学生测试成绩以外的行为数据整合到知识地图中，更全面地反映了学生的学习状况。这为学生和教师调整学习计划或教学计划提供了参考信息。这些创新在当时的研究中是先进的，但从现在的视角来看，仍感到有很大的改进空间。

在知识地图生成部分，由于本论文发表至今已有五年，研究中提出的算法已经显得有些陈旧。我深刻体会到信息技术的发展速度之快。目前，利用预训练的大语言模型（Pre-trained Large Language Models）从非结构化文本中生成知识地图的研究正在增加。这种方法能更有效地从海量非结构化文本中提取知识点及其逻辑关系，大幅降低知识地图的人工修正成本。然而，由于文本本身存在的歧义性等问题，文本生成的知识地图有时精度较低。克服文本内在的局限性，生成更准确的知识地图，是我今后研究的重要课题之一。

关于将学生学习状况整合到知识地图的功能，本研究不仅采用了学生的测试成绩数据，还纳入了出勤、教材浏览、回答等行为数据，从多个视角客观展示了学生的学习状态。然而，我认为这些行为数据和测试成绩本质上属于显性数据，即使数据量增加，数据的维度并未得到实质性扩展。随着技术进步，目前已经可以收集点击、页面跳转、停留时间、注释等更多样化的学生行为数据。例如，这些数据已被证明在数字游戏化评估（Digital Game-Based Assessments, DGBAs）中能有效反映学生的学习状况，应用范围正在不断扩大。

我也打算进行与知识地图相关的研究，因此这篇论文为我的研究方向提供了重要的启示。今后，我希望在改进本研究及相关研究中所示算法的同时，探讨如何利用更多样化、更有意义的行为数据，并结合科学的分析框架，旨在更全面地反映学生的学习状况。