如何将通用知识图谱扩展到教育专业知识图谱？

大家好，我是研究生李。
我想借此机会，结合我个人的感想，向大家介绍一下我在前不久的英语文献研讨会上阅读的一篇论文。

论文标题：KnowEdu: A System to Construct Knowledge Graph for Education
出版年份: 2018
作者: Penghe Chen, Yu Lu, Vincent W. Zheng, Xiyang Chen and Boda Yang
期刊: IEEE Access
页码 : 31553 – 31563

知识图谱作为一种信息聚合型知识库，能够有效整合来自不同领域的多元数据，目前已在许多通用领域得到广泛应用，例如谷歌的知识图谱（Google Knowledge Graph）和苹果的Siri等。然而，这类通用知识图谱往往难以满足教育领域等特定领域的需求。其主要原因在于，教育领域不仅需要高度专业化的知识，而且传统的命名实体识别方法也难以处理教育领域特有的专业术语和复杂的关联关系。

在教育领域，知识图谱（也称为概念图或知识地图）被广泛应用于教学辅助、在线课程学习推荐以及概念可视化等方面。事实上，主流的大规模开放在线课程（MOOC）平台——可汗学院（Khan Academy）也引入了知识图谱。然而，目前这些教育领域的知识图谱大多是由经验丰富的教师或专家手工创建的。这种手工创建方式不仅耗时耗力，而且难以应对知识体系或课程规模的快速扩张。此外，由于专家认知与学生实际认知水平之间往往存在差异（即所谓的“专家盲点”），手工创建的知识图谱有时可能会将学生的学习引向错误的方向。

为了解决这些问题，本研究提出了一个名为“KnowEdu”的系统，旨在自动构建适用于学校教育和在线学习的教育知识图谱。具体而言，KnowEdu系统由“教育概念提取模块（Instructional Concept Extraction）”和“教育关系识别模块（Educational Relation Identification）”两个主要模块组成。

教育概念提取模块利用了教学大纲、教科书、教学资料等教育领域特有的教材数据。这些资料通常结构清晰、语义明确且知识密度高，非常适合提取教育概念。该模块的主要目的是从教育领域的特定资料中提取出如“线性方程”、“光合作用”等教育相关专业术语，而非人名或地名等传统命名实体。系统首先利用OCR和语音识别技术将教材数据转换为机器可读的文本数据，随后使用GRU（门控循环单元）或LSTM（长短期记忆网络）等神经序列标注技术，从文本中自动提取教育概念节点。与传统的条件随机场（CRF）模型相比，神经网络模型能够自动学习特征，并能更有效地处理上下文依赖关系。

教育关系识别模块用于提取教育概念之间抽象且潜在的关系，如“先修关系（prerequisite relations，作为前提的知识）”、“包含关系”和“因果关系”等。本研究特别关注先修关系。先修关系是基于概念间潜在认知过程的关系，对于教师的教学设计和学生的学习路径规划非常有帮助。教师通常根据学生的学习情况来判断先修关系。具体情况如下：
• 如果学生理解了概念B，那么该学生应该也已经理解了概念B的先修概念A。
• 如果学生没有理解概念A，那么该学生很有可能也无法理解概念B。
从系统角度来看，要判断“概念A是概念B的先修知识”，必须同时满足“¬B⇒¬A”（如果无法理解B，则也无法理解A）和“A⇒B”（如果理解了A，则也能理解B）这两个条件。

为了实现这一目标，KnowEdu系统利用考试成绩、作业提交情况以及MOOC学习日志等学生学习评价数据，通过概率关联规则挖掘（p-Apriori）来识别先修关系。通过分析学生对不同知识点的理解情况，可以有效发现概念间的先修关系。

本研究以数学学科为例验证了KnowEdu系统的性能。结果显示，教育概念提取的准确率（F1分数）显著高于传统的CRF模型，神经网络模型的F1分数超过了0.7。此外，利用北京市31所中学的4488名初一学生数据进行先修关系识别的结果显示，识别精度（AUC）达到了0.95，平均精度（MAP）也达到了0.87，表现出了极高的有效性。

尽管KnowEdu系统在教育知识图谱的自动构建方面取得了重大成果，但仍有扩展和改进的空间。作者指出，目前的系统仅支持单一学科内的教育概念及关系提取。实际上，像“函数”这样跨越数学和物理等多个学科的概念是存在的，因此未来构建跨学科的知识图谱将成为重要的研究课题。此外，作者还指出，文科类科目因包含较多情感因素且表达较为模糊，与理科科目相比，构建知识图谱的难度更高。

以下是我对这项研究的个人感想。本研究首次将神经序列标注（Neural Sequence Labeling）模型引入教育领域的概念提取任务中，我认为该方法具有独创性。同时，论文结构清晰，在理解教育知识图谱构建框架方面，我感到受益匪浅。

另一方面，从本研究使用的数据来看，其范围仅限于MOOC等在线学习平台收集的学习评价数据。这虽然是基于神经网络模型的特性及设计限制所致，但我认为未利用其他数据在一定程度上限制了研究的适用性和扩展性。具体而言，如果能利用学习者的行为轨迹、学习过程日志或课堂互动数据等更多维的数据，或许能更准确地把握概念间的潜在关系。因此，今后对这些额外数据的分析与利用，将成为教育知识图谱构建中的重要研究方向。

此外，论文中提出的先修关系（Prerequisite）判定方法也令我非常感兴趣。本研究参考了教师凭经验判断先修关系的方法，由系统自动提取先修关系。这种方法超越了简单的自动化，暗示了通过适当融入教育一线教师的实践经验，有可能缓解神经网络特有的“黑箱问题”。也就是说，针对模型如何提取概念间关系难以解释的问题，适度引入教师的经验判断，有助于提高模型的可解释性和可靠性。

此外，我也非常认同文中指出的文科与理科在知识图谱构建难度上的差异。事实上，本论文中使用的关系提取方法本质上具有较强的规则驱动特征，因此对于逻辑清晰、结构简单的理科科目非常适用；但如果应用于包含大量模糊和情绪化表达的文科领域，预计精度会下降。随着自然语言处理技术的发展，近年来的模型虽然能够高精度处理海量文本数据，但这类复杂模型往往具有黑箱属性，存在输出结果的正当性和可解释性较低的弊端。因此，特别是在针对文科科目时，通过更积极地引入来自教育一线的具体实践判断和见解，我认为还有进一步优化最终结果的空间。

总而言之，本研究的KnowEdu系统在自动构建教育知识图谱方面展现了卓越的成果，我深感有效利用教育数据以及与教育一线加强合作，将是深化该研究的关键所在。