CourseKG: образовательный граф знаний на основе информации о курсах для прецизионного обучения
CourseKG: An Educational Knowledge Graph Based on Course Information for Precision Teaching
2024-03-23
SCID: 54.1/nezpe85q
Discuss with AI
BERT-BiGRU-CRFCourseKGобразовательный граф знанийточное обучениеизвлечение отношений
Figures from the paper
Abstract (AI)
С быстрым развитием передовых технологий, таких как искусственный интеллект и глубокое обучение, информатизация образования вступила в новую эру. Однако стремительный рост объема информации создал множество проблем. Графы знаний, являясь важнейшим компонентом искусственного интеллекта, могут способствовать повышению качества обучения. В настоящем исследовании предлагается образовательный граф знаний на основе информации о курсах, названный CourseKG, для прецизионного обучения. Прецизионное обучение направлено на индивидуализацию учебной программы для каждого обучающегося и повышение эффективности обучения. CourseKG предназначен для формирования корректной и всеобъемлющей системы знаний об учебной программе и содействия построению персонализированных образовательных траекторий. CourseKG позволяет решить проблему непригодности современных универсальных графов знаний для сферы образования. В частности, в исследовании предлагается модель распознавания образовательных сущностей на основе предварительно обученной модели BERT. Эта модель извлекает релевантную информацию из образовательной предметной области с помощью BERT и объединяет ее с двунаправленной GRU (BiGRU) и механизмом многоголового самовнимания для выделения глобальных зависимостей различных масштабов и уровней. Кроме того, для декодирования последовательности меток символов используется условное случайное поле (CRF). Далее предлагается метод извлечения отношений на основе модели BERT, который объединяет признаки предложений и образовательные сущности и оценивает сходство между парами знаний с использованием косинусного сходства. Предложенный CourseKG проверен в экспериментах на данных реального курса программирования на языке C. Экспериментальные результаты демонстрируют эффективность CourseKG. Наконец, результаты показывают, что предложенный CourseKG может значительно повысить качество прецизионного обучения и обеспечить многостороннюю адаптацию между преподавателями, курсами и студентами.
Key Findings
1
Предложен метод извлечения отношений на основе BERT, объединяющий признаки предложений и образовательные сущности и оценивающий связи между парами знаний с помощью косинусного сходства.
2
Предложен CourseKG — образовательный граф знаний, построенный на основе информации о курсах для поддержки точного обучения и персонализированных образовательных траекторий.
3
Согласно результатам, CourseKG повышает качество точного обучения и обеспечивает адаптацию между преподавателями, курсами и студентами.
4
Эксперименты на реальных данных курса программирования на C подтверждают эффективность CourseKG.
5
Метод использует BERT, BiGRU, многоголовое самовнимание и декодирование CRF для распознавания образовательных сущностей и извлечения многоуровневых зависимостей.
Research Object
CourseKG — образовательный граф знаний, построенный на основе информации о курсе программирования на языке C
Research Subject
Построение и эффективность предметно-ориентированной системы знаний для точного обучения, включая адаптацию персонализированных траекторий обучения между преподавателями, курсами и студентами
Publication Details
Publication Date
2024-03-23
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest