张磊　陈芳　石秀丽

［摘 要］ 随着信息社會的进一步发展，传统的线上教学无法满足社区居民更深层次的个性化学习需求。分析了社区教育在线教学的现状，概括了个性化学习实现的意义、可能性与难点，然后以社区信息技术类课程为案例提出了基于学科知识图谱的个性化学习的设计及应用。研究成果可以为社区学院的教师优化线上教学设计，提高社区居民的学习兴趣和创造力，设计、实践满足社区居民个性化学习需求的教学环境提供借鉴。

［关键词］ 个性化学习；知识图谱；社区教育

［基金项目］ 2021年度上海市教育委员会社区教育实验项目“基于个性化学习的社区课程的混合式教学设计”（54）

［作者简介］ 张 磊（1972—），女，山东招远人，硕士，上海市宝山区业余大学计算机系副教授，主要从事教育学、计算机应用人工智能方向研究。

［中图分类号］ G434［文献标识码］ A［文章编号］ 1674-9324（2023）24-0180-04［收稿日期］ 2022-05-27

一、社区教育在线教学现状分析

（一）社区教育的特点

一是覆盖范围广，应该说基础学历教育和普通高等学历教育之外的所有教育都属于社区教育的范畴。二是相对于接受全日制学历教育的学生，社区教育的学习者构成成分要复杂得多。学习者的年龄跨度、职业背景、知识背景参差不齐，学习需求和学习动机也非常多样化。三是社区教育意义重大，以提高全民整体素质和生活质量、促进社会和谐发展为宗旨。

（二）在线教学的现状

随着信息社会的发展，在线教育进入了社区教育领域。由于诸多因素的限制，目前社区教育中的在线教学实践普遍存在以下问题：（1）绝大部分学生学习在线课程的方式是参与在线直播，教师将在线下课堂讲授的内容原封不动地搬到线上，教学过程单向、相对静止。（2）在线学习资源形式单一，缺乏个性化、有针对性的学习资料。（3）在线资源内容缺乏多样性，设计难度“一刀切”，统一的教学内容、教学进度和学习任务等阻碍了学生的个性化发展。

目前，传统的在线教育并没有触及传统面授教学模式的根本性改变，只能作为课堂教学的点缀延伸，因而研究如何优化在线教育教学和教育资源设计以满足社区居民的个性化学习需求更加必要。

二、个性化学习设计研究分析

（一）个性化学习的界定

个性化学习是指以学生的个性差异为基础、以促进学生个性发展为目标的学习方式，主要表现为：（1）学习内容的个性化。学习者能够保持自己的学习风格，以自我需求为导向挑选学习内容。（2）学习者的主体地位。打破由于学生个体差异而形成的阻碍学习活动的壁垒，允许并支持学习者自主选择，学生凭借自力开拓地学习。（3）学习的无目的性。不以功利的目的驱使，而是依赖兴趣引导学习。

个性化学习服务则需要依据各种渠道或者技术手段对学习资源进行收集、整理和分类，进而精确地向学习者提供和推荐相关信息，满足其个性化、多样化的学习需求。

（二）社区居民个性化学习实现的可能性与难点

1.个性化学习实现的可能性。随着信息社会的进一步发展，教育科学从凭感觉的经验教育学过渡到基于脑科学、心理学的实验教育学，然后过渡到现阶段的基于大数据机器学习的计算教育学阶段。人工智能技术对教育的影响也从最外围的教务管理逐步渗透到测评、作业练习，甚至于现在核心的教学。在传统教学条件下难以实现的个性化学习，随着教育教学技术的发展有了一些实现的途径：（1）学习时空的自由。基于计算机网络的在线学习为个性化社区教育提供了基本保障。（2）课程资源选择自由。课程资源形式和获取渠道多样，学习者实现了依据自身需求而选择的自由。（3）学习目的自由。相比学历教育，社区教育的学习目的多样化、不功利。（4）互动交流手段自由。传统面对面的交流与微信、QQ、在线课堂等各种线上交流手段并存。（5）评价方式自由。突破传统的单一考试分数评价，建立了促进学习者全面而个性发展的评价标准。

以上所述的学习自由再加上学习者背景的多样性和需求动机的不同，使得社区居民学习路径、参与度和学习结果存在多样性，也就奠定了个性化学习实现的基础。

2.个性化学习实现的难点包括：（1）学习需求诊断难。传统的学习需求诊断手段包括访谈、问卷调查等，诊断者从自己的主观意志出发，或者从学校能提供的教学资源出发，设计有限的题项，判断学习者的需求。这种方法的缺陷是设计者主观性太强，有时学习者也不十分清楚自己的学习需求。而现代学习需求分析是根据学习者的画像、搜索数据、学习数据和测试数据，挖掘学习者潜在的学习缺陷来诊断学习者的需求，更为客观、准确。（2）学习资源推荐、匹配难。传统的在线学习资源推荐方法主要有基于内容的推荐和基于用户的协同过滤推荐，分别以学习者阅读过的文本资料为依据，或者以学习者之间的相似性为依据，通过相似度算法计算得出相似度高的资源或者相似度高的学习者喜欢的资源，将其推荐给学习者。

（三）国内社区教育个性化在线学习实现的理论研究

目前，国内比较有代表性的有关社区教育个性化学习设计的研究并不多。罗殷［1］借鉴供给侧改革的思路，进行了社区教育资源整合优化路径的研究；王秋林［2］系统设计了基于慕课平台的个性化社区教育服务模式；潘晓瑜［3］分析了社区教育服务平台的应用现状，在现有平台的基础上进行局部改造扩展，然后应用数据挖掘技术提供个性化学习服务；宋其辉［4］提出可通过顶层设计统筹规划、打破地域性条件限制、尊重个性化来重构社区教育数字化资源生态；沈悦［5］以“江苏学习在线”为例设想了学习平台进一步智能化升级的前景。

这些研究大多关注于理论政策方面宏观的论述、学习平台智能化的设想、基于用户过去访问地学习记录预测今后兴趣的推荐等［6-7］，没有具体的实现途径的研究。因此，如何优化线上教学资源，提高社区居民的学习兴趣和创造力，设计、实践满足社区居民个性化学习需求的教学环境，是今后在线教育研究的重点。

三、知识图谱相关理论

（一）知识图谱简介

知识图谱（Knowledge Graph）是 Google公司 2012年推出的一种描述节点与节点之间语义关系的语义网，可以描述大量复杂的语义关系。

知识图谱是基于图的数据结构，如图1所示，每一个节点表示现实世界中存在的“实体”（梅西、巴塞罗那等）或“概念”（人物），每条边为实体与实体之间的“关系”或者“属性”（出生地、效力球队、继承等）。从图1中可以看出，知识图谱把人物、人名、地名、出生地等不同种类的信息全部连接在一起形成了一个复杂又包罗万象的关系网络，提供了从“关系”的角度去分析问题的一种可能性。实体、关系、实体组成的三元组，简单又巧妙，人和计算机都易于理解。

例如：梅西为什么伟大？通过知识图谱的知识推理，梅西获得了金球奖，而金球奖是影响力最大的奖项之一，从而推理得到证明梅西伟大的答案。知识图谱通过知识推理提供了数据挖掘的基础途径，使得计算机接近人类理解问题的方式。所以说，知识图谱是人工智能进步的阶梯，在人工智能技术架构体系中处于基础层的位置。

（二）教育领域的知识图谱

相对于通用的百科知识图谱来说，教育行业的知识图谱对质量要求较高，主要以不同学科的知识点来构建。图谱的质量取决于两点，一是知识点的粒度切分、元知识点的数量；二是知识点之间关系的丰富程度。常见的应用有以下几点。

1.实现个性化学习资源的推荐。首先，学科专业教师对学科知识点进行切割、确定关系，然后建立或者整理与知识点相关联的各类文本、视频、试卷等教学资源。知识点与学习者之间的关联是通过收集学生的个人信息、学习记录或者通过测试等手段来实现的。最终通过学科知识图谱中的知识点连接起学习者和教学资源，从而进一步实现学生与教学资源的针对性匹配。知识图谱是智能教育架构的基础。

2.规划学习路径。教育领域的学科知识图谱中，知识之间主要包括继承关系、包含关系（整体与部分）以及先后序关系（前置或后置）。

知识图谱中的这些关系能引导学习者在学习新知识点或者遇到困难时寻找本知识点的前置知识点或者继承的上层概念进行学习，还可以引导学习者在掌握一个知识点后继续学习后置知识点。

3.通过搜索关键词、智能问答或者匹配知识点，学生实现精准学习，避免“信息过载”，提升学习效率。

四、知识图谱在社区信息技术类课程教学中的实现

从社区教育中老年信息技术课程的内容看，其教材内容的安排注重知识的系统性，大致包括四个板块：信息技术基础（理论）、数据文件管理、计算机网络及应用（理论）、数据处理基础（包含多种常见软件的使用）。教学内容系统完整，类似学历教育。如果教学安排完全依照顺序循序渐进，就不太符合社区居民、老年人的学习需求。这样的学习内容繁多，教学周期性长，老年学员容易忘掉前面的知识与操作技能，而且迟迟学不到自己感兴趣的内容，容易丧失学习热情。而以知识图谱为基础的个性化学习，可以完全以学生的需求与兴趣为导向进行学习。学生端通过收集学生的兴趣爱好、搜索的关键词、提问或者做试卷等信息得到学习者认知侧面的画像，意即得到学习者的知识薄弱处，汇集学习者所有还未掌握的知识点缺陷。知识点与学习资源构建了关联，根据知识图谱中的包含、前置、后置等关系匹配到合适的资源，规划学习路径，可为学习者推测适合的学习资源。

传统教育要实现个性化教学、分层教学，经常采用的方法是划分普通班、进阶班等。这种划分方法太粗略，有时会引起学生反感，认为自己被“贴标签”了，是迫不得已的权宜之计。依据知识图谱的个性化学习，相当于实现了一人一班的分班效果，是彻底的个性化学习。

学科知识图谱的构建有自动构建和人工构建两种方式。自动构建的知识点数量很多，但是不够精确，许多节点没有存在的意义。笔者采用人工构建的方式，由教学经验丰富的学科教师分工构建知识图谱，并且建立文本、视频等教学资源，同时在知识点与教学资源之间建立关联，设计一些问答题模板。（1）应用案例。计算机基础课程人工提取知识点构建的学科知识图谱可以引导学习者厘清知识的来龙去脉，引导学习者对没掌握的知识点进行学习，在掌握一个知识点后引导他们掌握后续的知识点，避免了学习的盲目性。（2）传统教学中计算机基础Excel软件的界面介绍、公式和函数、图表、排序筛选、分类汇总、数据透视表等知识点是依照教学大纲安排依次教学的。而图表、数据透视表等知识点并无先后次序，同样都是包含关系，因此不用完全按部就班地依次学习整个软件的知识点，可以先学习图表，也可以先学习数据透视表。也有些知识点是有先后次序的，例如数据透视表的前置知识点是分类汇总，分类汇总知识点的前置知识点是数据排序，那么根据这个次序就可以规划学习路径了。（3）基于知识图谱的问答系统大致可以分为两类：基于信息检索的问答系统和基于语义分析的问答系统。前者属于浅层回答，借助知识图谱对学习者查询的关键字进行解析和推理，将其映射到图谱中的概念上，然后根据图谱概念、层次结构，告知用户答案。后者属于深度問答，需要基于语义分析，在知识图谱的帮助下对自然语言的问题进行语义分析和语法分析，进而将其转化成结构化形式的查询语句，然后在知识图谱中查询答案［8-9］。

结语

基于知识图谱的社区课程个性化学习未来还有很长的路要走。因此，要克服底层技术关，要有新一代的学习平台，学习平台要在教师、学生的大量应用中不断完善。教师要理解人工智能技术才能挖掘人工智能技术在教育中的应用场景，理解知识图谱的基本原理，更好地设计、构建本学科知识图谱进而开展教学活动，人工智能技术终将助力社区教育。

参考文献

［1］罗殷.供给侧改革背景下社区教育资源整合优化路径研究［J］.当代职业教育，2020（5）：83-89.

［2］王秋林.学习者个性化需求导向的社区教育及其实现路径：基于慕课的视角［J］.中国成人教育，2018（9）：124-128.

［3］潘晓瑜.面向社区教育的个性化学习系统的研究与实现［D］.苏州：苏州大学，2011.

［4］宋其辉.社区教育数字化资源建构的生态学思考［J］.中国成人教育，2017（2）：148-151.

［5］沈悦.社区教育智能化学习平台支持服务体系构建：以“江苏学习在线”为例［J］.继续教育研究，2021（1）：54-57.

［6］沈光辉，蔡亮光.社区教育：从任务驱动到需求推动的转变：福州市居民社区教育认知度和学习需求调查研究分析报告［J］.现代远距离教育，2012（2）：22-27.

［7］周卫峰.论个体化社会中社区教育服务居民个体性学习的策略和途径［J］.江苏开放大學学报，2014，25（6）：73-77.

［8］刘峤，李杨，段宏，等.知识图谱构建技术综述［J］.计算机研究与发展，2016，53（3）：582-600.

［9］徐增林，盛泳潘，贺丽荣，等.知识图谱技术综述［J］.电子科技大学学报，2016，45（4）：589-606.

Research on Personalized Learning for Community Courses Based on Knowledge Graph

ZHANG Lei， CHEN Fang， SHI Xiu-li

（Computer Department， Shanghai Baoshan Sparetime University， Shanghai 200431， China）

Abstract： With the further development of the information society， traditional online teaching cannot meet the deeper personalized learning needs of community residents. This paper analyzes the current situation of online teaching of community education， summarizes the significance， possibilities and difficulties of personalized learning implementation， and then proposes the design and application of personalized learning based on subject knowledge graph based on community information technology courses as cases. The research results can provide reference for teachers in community schools to optimize online teaching design， improve the learning interest and creativity of community residents， and design teaching environments that meet the personalized learning needs of community residents.

Key words： personalized learning; knowledge graph; community education