智能教学中的知识模型与教学评价的研究

目前,基于Web的智能教学系统是计算机应用于教育领域的研究方向之一.本文从知识点及其关系出发构建一个知识网络模型,并基于该模型介绍如何进行领域知识表示及考核试题设置,然后设计了试题难度系数的动态更新方法,还提出一种简捷的知识诊断方法,准确地将学生学习缺陷定位到具体的知识点,得出学习路径方面的建议,从而增强了教学的针对性.     

学习者知识追踪研究进展综述

学习者建模是自适应学习系统的支撑技术之一,其中以知识追踪为代表的学习者知识状态建模研究最为广泛。3种代表性的知识追踪技术分别为基于隐马尔可夫模型的贝叶斯知识追踪、基于逻辑回归模型的可加性因素模型、基于循环神经网络的深度知识追踪。通过综述发现,贝叶斯知识追踪模型适用于含单一知识点的学习任务的知识追踪,可加性因素模型和深度知识追踪模型适用于含多知识点的学习任务的知识追踪,但深度知识追踪模型的教学可解释性不佳。在综述现有研究的基础上,受到知识空间理论的启发,将知识点之间的先决关系融入到知识追踪模型是未来的一个重要研究方向,并初步提出了一种融合知识点先决关系的可加因素模型。     

基于LOM的知识模型与个性化学习控制

在智能教学系统中,知识模型是专家模型的核心,是实现智能教学的一个关键问题。本文讨论知识点及其相互关系的形式表示,提出基于LOM的知识点模型与学习控制策略。知识点被设计、封装为学习对象,提高了学习内容的可重用性、可管理性、可定制性与互操作性。LOM的语义描述能力,使得系统本身具有一定程度的知识理解能力。以知识点LOM模型为结点的知识网络是语义网络,其语义计算能力便于知识的发现与关联。将专家知识网络动态映射为学生知识网络,实现了个性化学习。     

基于知识的在线考试系统题库设计

提出一种基于知识的题库建设方法,该方法从知识建构的角度去重新认识对学生的考试和测评,可以帮助学生在考试中学习并掌握知识,为了发展而考试;根据专家系统理论,设计考试系统中的知识点、试题、学习者和规则等对象模型;知识的表示和数据对象模型的设计是建立知识库系统的首要问题,也是智能组卷及评价的基础。     

试题知识点预测:一种教研知识强化的卷积神经网络模型

在各类在线学习系统中,为了给学生提供优质的学习服务,一个基础性的任务是试题知识点预测,即预测一道试题所考察的知识概念、能力等。在这个任务中,已有方法通常基于人工专家标注或者传统机器学习方法。然而,这些传统方法要么耗时耗力,要么仅关注试题资源的浅层特征,忽略了试题文本和知识点之间的深层语义关联。因此,这两类方法在实际应用中均受到了限制。为此,该文提出一种教研知识强化的卷积神经网络方法进行试题知识点预测。首先,结合教育学经验,定义和抽取试题的浅层特征。然后,利用一个卷积神经网络对试题的深层语义进行理解和表征。然后,考虑到教研先验与试题词句之间的关联,提出一种基于注意力机制的方法能够自动识别和计算不同教研先验对试题的重要性程度。最后,设计了一个融合知识点决策和试题语义约束的模型训练目标。该文在大规模数据上进行了充分的实验。实验结果表明,所提出的方法能够有效地进行试题知识点预测,具有很好的应用价值。     

智能教学系统中的知识树增长模型

智能教学系统（intelligent tutoring system,ITS),作为人工智能学科的重要研究应用领域,是21世纪人类社会数字化教育的必然发展方向,迄今研究逾30年。现有一些ITS系统由于知识表示以及推理方法的领域相关特性,系统构建与系统运用、系统模块之间动态有机联系不强,进而导致学生模型弱化等问题,限制了系统在进行个别化教学过程中的智能性和推广运用。在此从系统的知识表示入手,基于SC文法的知识表示体系和知识树映射方法,提出了一个动态、实时、自适应、交互式知识树增长模型（augment knowledge-tree model,AKTM)。模型包括基于SC文法的知识点表示方法、知识树结构以及知识树映射、知识树学生模型、知识点学习循环等内容,贯穿于ITS系统4大传统模块之中,并在内容和功能上与之完全集成。通过知识点层次多维属性标注和索引,实现了知识存储、处理、调用和维护动态、一体化过程。通过知识点学习循环,实现个别化、动态、自适应智能教／学过程。同时通过模型在多媒体ITS系统中的实例化设计和运用,实现了动态教／学、领域无关、人机交互、自适应、个别化等智能特点。     

自适应网络教学系统中知识表示模型的设计

针对知识库是教学系统的核心,是实现系统智能化的关键。为了提高网络教学系统的决策和诊断能力,满足自适应学习的需要,设计了一个基于层次结构的语义网络和产生式的二级知识表示模型,提出了广度优先的知识点剪枝算法和深度优先的知识点遍历算法,对所学习知识点进行选取及对相应的知识网络遍历,并通过采用知识点学习的智能导航算法仿真学生在系统中自适应学习的全过程。实验结果表明,知识模型的设计有助于实现网络教学资源动态组织和教学策略的动态调整,能够更好地为学生提供个性化的学习参考需要,为系统决策分析提供参考依据。     

基于试题关系树的自适应诊断测试模型

针对实际测试过程中试题可能包含多个知识点组合的问题,提出一种基于试题关系树的自适应诊断测试模型的解决方案.根据知识点组合的包含关系,分析得出试题之间存在的3种前提关系,在此基础上提出以与子结点和或子结点将试题库进行关联,形成试题关系树.重点分析了基于试题库构建试题关系树的过程,给出了基于试题关系树的测试策略与诊断过程,并最终形成诊断决策树.实验结果表明,该模型可有效地减小平均测试长度,提高诊断效率.     

基于学生知识点的知识推理方法

针对传统的知识推理技术在学生学习方面研究的不足,知识图谱工具缺乏在学科知识点间复杂关系上的推理能力,基于学生知识点,提出了一种新的知识推理方法。通过学科涵盖知识点和知识点间的关系,构建知识点关联图,并结合学生的薄弱知识点,遍历知识点关联图,挖掘学生最底层的薄弱知识,生成待学习薄弱知识点序列,从而为学生提供学习路径。实验证明,该方法具有一定的可行性。     

基于Web的智能教学系统知识模型与学习控制

目前，基于Web的智能教学系统是计算机应用于教育领域的研究方向之一。其中教学知识模型和基于模型的学，控制，是实现教学系统智能控制的关键之一。从知识点及其关系出发构建一个知识网络模型，并基于该模型探讨了正向和反向两种推理控制策略。     

Knowledge hoarding and user acceptance of online discussion board systems in eLearning: A case study

This paper aims to reveal the determinants of the effectiveness of online discussion board systems (ODBSs) in eLearning environments to foster the interactions among the learners and/or instructors. A case in which an ODBS failed to foster the interactions among learners/instructors for knowledge sharing is introduced and hypotheses to explain the failure are developed based on thorough literature review in technology acceptance model (TAM) and knowledge hoarding. The hypotheses are tested via statistical analysis on the data collected from a questionnaire survey against the students who actually involved in the case study. The result shows that the low perceived usefulness of the ODBS by the students played major role in the failure of the system. Also it is hinted that network externalities as an intrinsic motivator is more effective than extrinsic motivators to increase the students’ activities on the ODBS. Finally the paper provides the designers of eLearning systems with advice for successful operation of ODBS in eLearning.     

WBITS中基于神经规则的知识表示与管理

针对当前智能教学系统存在的不足,设计了一个基于WEB的智能教学系统模型。详细介绍了该系统中引入的基于神经规则的知识表示方法并简要说明了推理过程。最后,详细给出了知识获取与知识更新算法,解决了智能教学系统中知识库维护难的问题。     

知识图谱研究综述

随着信息化社会的来临,各种互联网技术应运而生,数字信息已然成为当今社会中商家必争的宝贵财富资源。众多数字信息中,怎样帮助用户精准筛选出有效信息是当前搜索引擎所面临的巨大挑战。传统的互联网搜索仅仅是基于本文的链接,搜索时仅单纯的给出包含搜索词的网页,让用户去网页中寻找答案,这种检索方法耗时耗力,还不能准确给出用户想要的答案。由此谷歌率先提出以知识图谱(Knowledge Graph)为技术基础的的搜索引擎,这是搜索引擎界的一次重大变革。它以图的形式表现客观世界中的概念和实体及其之间关系,现如今广泛应用于语义搜索、智能问答、决策支持等智能服务领域。本文针对什么是知识图谱、如何表示构建知识图谱及知识图谱的主要应用作了详细阐述,希望更多的读者可以了解知识图谱及其对人工智能发展的巨大贡献。     

一类基于知识的通信中介代理

介绍了一类基于知识的通信中介代理,它为网上通信各方提供智能中介服务。通过这类代理,网上通信各方可以以信息需求驱动的通信方式替代传统地址驱动的通信方式。同时,还对共享本体论等进行了讨论。     

基于本体的网络安全态势要素知识库模型研究

针对现有方法无法统一表达、共享和复用网络安全态势信息的问题,提出了一种基于本体的网络安全态势要素知识库模型的解决方案.首先,结合网络安全态势要素知识的多源异构特点,对其进行分类和提取;其次,按照本体构建原则,构建由领域本体、应用本体和原子本体组成的网络安全态势要素知识库本体模型;最后,通过态势场景分析,验证了模型能够有效获取网络安全态势知识.     

基于本体的非结构化知识库系统研究

本文提出一种基于本体的非结构化知识管理系统框架.在该框架中,知识库由知识体和应用本体两部分组成,可解决知识的重用和共享问题.知识检索可以通过知识地图导航和自动检索两种方式完成,有一定的智能性.知识管理门户采用XML和XSL相结合的开发方法,具有动态特点.本文还对知识库的安全管理方法进行了初步研究,提出了一个可用的知识库安全管理解决方案.     

Knowledge distilling based model compression and feature learning in fault diagnosis

Recently, there has been interest in developing diagnosis methods that combine model-based and data-driven diagnosis. In both approaches, selecting the relevant measurements or extracting important features from historical data is a key determiner of the success of the algorithm. Recently, deep learning methods have been effective in automating the feature selection process. Autoencoders have been shown to be an effective neural network configuration for extracting features from complex data, however, they may also learn irrelevant features. In addition, end-to-end classification neural networks have also been used for diagnosis, but like autoencoders, this method may also learn unimportant features thus making the diagnostic inference scheme inefficient. To rapidly extract significant fault features, this paper employs end-to-end networks and develops a new feature extraction method based on importance analysis and knowledge distilling. First, a set of cumbersome neural network models are trained to predict faults and some of their internal values are defined as features. Then an occlusion-based importance analysis method is developed to select the most relevant input variables and learned features. Finally, a simple student neural network model is designed based on the previous analysis results and an improved knowledge distilling method is proposed to train the student model. Because of the way the cumbersome networks are trained, only fault features are learned, with the importance analysis further pruning the relevant feature set. These features can be rapidly generated by the student model. We discuss the algorithms, and then apply our method to two typical dynamic systems, a communication system and a 10-tank system employed to demonstrate the proposed approach.     

基于网络的协同知识管理系统(NCKMS)研究

技术创新的需要和网络信息技术的发展,使基于网络的知识集成、知识交流和共享变得非常必要和可行。文章介绍了作者开发的基于网络的协同知识管理系统(NCKMS,NetworkedCollaborativeKnowledgeManagementSystem),介绍了系统的功能设计、体系结构及系统开发中的关键技术。该系统为分散异地的企业员工和客户的知识交流和共享提供了有力的工具。     

基于因果图的一种知识获取方法

产生式规则和因果图是知识表示的两种方法,鉴于产生式规则在表达知识和推理方面的缺陷或不足,因此寻找一种能更好地表达知识和推理的方法非常必要,而因果图具有表达知识直观,推理灵活、方便等特点。论文根据模糊式产生式规则与因果图,以及合成式模糊产生式规则与含与门、或门的因果图的对应关系,给出了将模糊产生式规则集表示的知识转换成更紧凑、直观因果图表示的方法和过程,相应的也得到了一个因果图知识的获取方法,并给了一个其转换的实例。