大家好，我是研究生李。
我想借此机会分享一下在最近的英语文献研讨会上阅读的一篇论文，并结合我的个人感想进行介绍。

论文标题：Using Knowledge Graph for Explainable Recommendation of External Content in Electronic Textbooks
出版年份: 2020
作者: Behnam Rahdari, Peter Brusilovsky, Khushboo Thaker, Jordan Barria-Pineda
期刊/会议: Second Workshop on Intelligent Textbooks The 21th International Conference on Artificial Intelligence in Education (AIED’2020)
页码 : 50-61

概要

在过去的十年中，全球数字学习资源的数量和多样性呈指数级增长。这些丰富的资源使得构建教育领域中以往无法实现的学习场景成为可能。本研究提出了一种集知识建模、学生建模和内容推荐功能于一体的系统。该系统旨在通过向学生推荐相关的维基百科文章，有效支持其对教材内容的理解与学习。

本研究在真实的课堂环境中对系统进行了测试评估，结果表明，与基准（baseline）方法相比，所提方法表现出更优的性能。此外，研究还显示，该方法能够准确预测学生的知识缺口，并大幅减少学生回溯阅读的需求。结果表明，该系统能够提供更顺畅的学习和阅读体验。

功能介绍

本研究基于现有的Reading Mirror系统，设计并集成了全新的推荐功能。Reading Mirror系统支持PDF和HTML格式的教材，并具备记录和存储学习者使用数据的功能。维基百科文章推荐是该系统中的一项新功能，旨在针对特定的学习场景为用户生成最合适的5篇维基百科文章。

首先，当用户开始阅读教材的新单元（章或节）时，系统会推荐辅助性文章。这些文章不仅能补充单元所呈现的知识，还包含用户尚未完全掌握、但对于理解当前章节内容至关重要的先行知识。其次，当学生在回答问题失败时，系统会推荐补救性文章，以支持其掌握与失败相关的知识点（如各单元的学习目标等）。

此外，该系统还提供了“推荐理由展示功能”，明确推荐内容的依据。通过此功能，用户可以理解推荐文章的选择标准及其与自身学习需求的关联。这种高透明度的设计增强了用户对系统的信任感，并促进了有效学习。

系统介绍

本研究提出了一种基于知识图谱的推荐方法，通过整合教材内容、维基百科文章和学生知识模型，来支持个性化学习。知识图谱作为系统的核心，表达并连接了教材内容（章、问题、概念）、维基百科文章和学生知识状态这三个主要实体。这些信息存储在Neo4j数据库中，采用了能够清晰展示教材内容与外部资源之间关系的关系结构。

知识图谱的构建包含以下步骤：首先，从维基百科中提取与教材主题相关的文章，递归获取子类别和相关文章以形成子集，并将它们链接到知识概念。其次，通过“包含”关系连接教材内容的章节与概念，并将问题与所属章节关联。学生模型基于学生的交互记录动态生成，并使用“掌握”关系来表示学生对概念的理解程度。

推荐算法支持两种场景：学生阅读新章节时的预防性推荐，以及回答问题失败时的补救性推荐。推荐的核心在于计算“有用知识”，即学生尚未完全掌握但当前学习任务所需的知识点。系统根据学生的知识状态和概念的重要性匹配维基百科文章，并生成排序列表，从而推荐相关性高且具有学习价值的内容。

该方法利用知识图谱整合资源，并考虑学生的知识状态，实现了高精度的个性化推荐。同时，通过明确推荐理由，帮助学生理解推荐内容的意义。该系统不仅提高了学习效率，也为在线教育提供了新的技术路径。

评估实验

本研究利用真实的课堂数据，评估了基于知识图谱的个性化推荐系统。评估旨在验证推荐质量及其对学生学习行为的影响。评估重点在于推荐的准确性、个性化效果以及提升学习效率的可能性。

实验基于信息检索课程的学生交互数据进行。该数据包含了22名学生在一个学期内的学习记录。学生需要阅读教材的43个章节并回答75道测试题。系统记录了学生的学习路径和测试结果，共收集了9494条交互数据。学生模型在每次推荐时动态更新，以反映学生的知识状态。

为了对比推荐效果，设定了基准（baseline）推荐方法。该方法根据章节或问题的内容生成推荐，但不考虑学生的知识状态。作为传统内容驱动型推荐技术的代表，该基准方法与所提个性化推荐系统进行了对比。

评估

使用折衷累积增益（DCG）评估推荐质量的结果显示，基于学生模型的推荐在章节和问题场景中均显著优于基准方法。个性化推荐更准确地覆盖了学生尚未掌握但必需的知识点。在章节推荐中，平均DCG值提升了23.29%，在问题推荐中提升了30.27%。

分析表明，系统生成的推荐会根据学生的知识状态产生显著差异。即使是同一章节或问题，推荐结果也会根据学生的学习路径和知识掌握程度动态调整，实现了高度的个性化效果。

学生在学习过程中经常会为了复习相关知识点而回溯到之前的章节。数据分析显示，这种回溯行为占学生总行为的17.27%。然而，本研究提出的推荐系统通过预先识别学生的知识需求，主动推荐缺失的背景知识，大幅减少了这种回溯行为的必要性。研究结果显示，个性化推荐覆盖了回溯行为中目标概念的86.63%，而基准方法仅覆盖了24.13%。

感想

本研究的创新点主要体现在两个方面。首先，在推荐材料的选择上进行了突破性尝试。与传统的基于封闭语料库的方法相比，本研究采用维基百科文章作为推荐资源，避免了构建封闭语料库所需的高昂专家知识分析成本。这一选择大幅降低了资源开发的门槛，并扩大了推荐内容的覆盖范围。其次，创新性地提出了基于学习阶段的材料推荐机制。该机制针对学习者首次接触新知识以及回答问题错误这两种场景提供支持。不同学习阶段的推荐响应了学生的特定需求，表明推荐系统能够深入适应学习过程。由此我意识到，个性化学习推荐的创新不仅应体现在推荐内容或用户建模上，还应体现在推荐时机的优化上。即使是同一学习者，对同一学习材料的需求也可能因学习阶段的不同而产生巨大差异。设计精准的推荐时机，其价值或许比推荐内容本身更大。

不过，我也有一些不同的想法和疑问。首先，将推荐材料从专家编写的资源替换为维基百科文章，推荐效果真的会提升吗？维基百科文章多以科普为目的，内容虽然丰富，但可能范围过广或缺乏针对性。此外，部分文章语言晦涩，在可信度方面也可能不及专家编写的材料。因此，将维基百科文章作为学习资源推荐的基础，其效果和适用性仍需进一步验证。内容是广博好，还是专业精深好，或许取决于具体的学习目标和过程。

此外，我认为该研究在评估推荐效果时，主要依赖数据层面的相关性分析，缺乏基于学生主观反馈的调查或分析。即使数据表明推荐材料能很好地弥补学生的知识缺口，但并未展示这对学生的实际学习产生了多大程度的促进作用。学生对推荐内容的接受度、理解难度，以及是否真正提升了学习成果，这些主观评价是衡量推荐系统有效性的重要指标。因此，我认为在研究末尾通过问卷调查或深入访谈，了解学生对推荐材料的体验及反馈，是进一步完善研究的关键要素。鉴于这是一篇国际会议论文，我很期待后续持续的研究成果。