基于知识图谱的个性化学习模型与支持机制研究

刘凤娟 赵蔚 姜强 王磊

摘要：近年来以人工智能为代表的产业技术为学习方式变革提供了契机，如何促进个性化学习已然成为教育领域关注的重要话题之一。知识图谱作为知识可视化发展的最新技术，拥有较强的表达能力，不仅能在不同知识点之间建立非线性的语义联系，还能解决在线学习中推荐、监控、评价、反馈等个性化学习支持问题，可以助力学习者系统高效地建构知识体系、优化学习决策，为个性化学习支持研究提供了新的视角。因此，该研究在分析个性化学习及相关研究现状基础上，立足学习者导向视角，在自我决定理论等指导下，构建了基于知识图谱的个性化学习模型，并从动机激发、知识建构、意志提升、能力增强四个维度出发，构建了基于知识图谱的个性化学习“四位一体”协同支持机制，设计了基于知识图谱的个性化学习系统原型，以期为给个性化学习研究提供一定参考。

关键词：知识图谱；个性化学习；模型；支持机制

中图分类号：G434 文献标志码：A

* 本文系国家社会科学基金教育学一般课题“基于知识图谱扩展模型的个性化学习支持与实现机理研究”（课题编号：BCA200083）阶段性成果。

随着“互联网+教育”的普及，大规模线上学习已经成为学习新常态，个性化学习作为破解规模化个性教育难题的关键措施而备受关注，人工智能技术的发展和应用为大规模个性化学习的实现提供了可能。《中国教育现代化2035》将“利用现代技术加快推动人才培养模式改革，实现规模化教育与个性化培养有机结合”作为重要战略任务[1]。国家《新一代人工智能发展规划》提出：要重点突破知识加工等核心技术，形成涵盖数十亿实体规模的多源、多学科和多数据类型的跨媒体知识图谱，并利用智能技术加快推动人才培养模式、教学方法改革[2]。但目前的个性化学习更多侧重知识技能的习得，学习者学习过程中存在过分依赖智能系统的判断与帮扶等误区[3]，忽略了自身个性发展以及学习能力的培养。因此，个性化学习应以培养掌握学习技能而胜任未来的人为目标，在技术支持下充分发挥学习者主体对自身需求的感知能力和对自身知识能力水平的判断能力，帮助学习者实现个性发展。而知识图谱作为人工智能新技术可增强知识表达，为个性化学习研究带来新契机。在知识图谱支持下构建学习者导向的个性化学习模型，探索如何为学习者提供更适切的个性化学习，对促进智能时代学习方式变革、探索智能教育新生态环境下学习者“学会学习”综合素养的培养以及促进人工智能“育人”本质的发挥具有重要的现实意义。

个性化学习思想，可追溯到我国著名教育家孔子提出的“因材施教”，对不同的学习者采取不同的途径、措施和方法进行个别教学[4]。通过查阅文献发现，个性化学习相关研究主要集中在学习模式/框架/系统/平台构建以及个性化推荐等方面。其中，当下流行的智能导学系统、自适应学习系统等研究更偏向于技术导向的个性化学习。比如：Brusilovsky P等指出使用计算机系统或工具来为学习者提供定制的学习材料或活动，以满足个性化的学习需求[5]。但现实表明，技术提供的学习支架虽然可以根据学习者的个性需求提供定制的学习，但是当学习者遇到情感态度等特定的学习困难或缺乏目标动机时，技术则显得无能为力。而随着学习分析和大数据的推广应用，借助学习分析工具精准识别学习者的学习状态为教师教学决策提供数据支持成为个性化学习关注的重点。比如：iLearn学院利用数字学习工具和相关的、基于项目的教学方法，为学习者提供个性化教育[6]。彭红超等构建了面向精准教学的个性化适性学习框架[7]。该类研究虽然一定程度上体现了学习者主体性，但更注重技术控制与教师决策，偏向数据分析及其教学决策应用，没有发挥学习者主体行为对知识深度建构的重要作用。因此，个别学者从促进学习者的自主学习视角出发，构建了个性化自适应学习模式[8]，或提出一种具有自我调节学习辅助机制的个性化网络学习系统，帮助学习能力差的被动学习者转变为具有自我调节学习能力的主动学习者[9]。由此，学习者导向的个性化学习成为研究的新范式。

在学习者导向的个性化学习研究中，个性化推荐为学习者科学规划和决策等提供了有益参考，但传统个性化推荐多集中在基于本体、概念图等的个性化学习路径模型[10]以及认知诊断[11]等研究，但現实表明该类机器推荐与学习者学习需求匹配度并不高，原因在于本体或概念图方法只建立了知识点之间最基本的关系，忽略了学习对象之间的潜在依赖关系，缺乏更复杂语义关系的建立，通常会在推荐中出现冗余或不相关的知识概念，不利于学习者知识建构。而知识图谱这种语义关系更丰富、推理能力更强、可视化方式更直观的智能新技术能够为个性化学习研究赋能，但基于知识图谱的个性化学习研究目前尚处于起步状态，以知识图谱构建和学习路径推荐方法为主，且常被用作诊断性教育方法[12]，为学习者个性化学习提供的支持力度有限。而对学习者来说，系统推荐的不一定是学习者所需要的，且最优路径推荐对学习者个体来说不一定是最适合的，与真正意义上的个性化学习还有较大差距。因此，个性化学习不仅要需要个性化推荐等技术的辅助支持，更要注重学习者主观能动性的发挥，从而促进学习者在个性化学习过程中从主体“我”向本体“我”的转变。此外，Knewton平台、智慧学伴、百度云智学院、谷歌AltSchool、松鼠AI、高木学习、智学网等个性化学习实践探索中也存在学习者主观能动性发挥不足等问题[13]。

综上，已有研究对个性化学习发展做出了巨大贡献，但研究主要集中在如何通过系统判断与推荐为学习者提供学习，多侧重技术导向或教师导向的差异化教学研究，忽视了对学习者自我反思、调节等思维能力[14]，学习者主观调控不足、学习体验不理想，从而导致学习不够成功[15]，个性化学习研究还需进一步展开深入探索[16]。因此，本研究从学习者导向的个性化学习视角出发，试图探索基于知识图谱的个性化学习模型构建及个性化学习支持机制，学习者在学习过程中有意识地选择或主动探索自身学习情况，从而有效地进行个性化学习。

模型构建的前提是对个性化学习的认识。本研究认为个性化学习是以学习者的个性差异和目标需求为基础，学习者在系统支持下通过自主确定学习目标并决策学习过程，自觉完成学习任务并在监控评价与反馈调节中不断优化学习体验、提高学习绩效，从而促进个体全面发展的一种学习范式。因此，本研究在此认识基础上，基于个性化学习过程设计，构建了基于知识图谱的个性化学习模型。

（一）设计理念

1.设计视角：学习者导向

个性化学习主体是学习者，学习者个体是积极向上的、具有自我实现和自我成长的内在需求，在个性化学习模型中为了更好地促进学习者个性发展，有必要通过动机激发与维持加强学习者的主观能动性、促进自主决策等具体做法，促进学习者准确把握自身基本心理需求与外部学习环境之间的辩证关系。只有当学习者积极参与决定要学的内容、计划如何发展新的知识和技能以及如何展示他们的新技能时，学习才是个性化的。因此，个性化学习模型的设计视角是学习者导向，旨在促进学习者主观能动性的发挥和个性化学习系统增强学习者学习能力 “育人”功能的体现。

2.理论指导：自我决定与自我调节

自我决定理论认为尽管个体具有积极向上、自我实现和自我成长的天性，但外部的社会环境可能会支持也可能会阻碍个体自我成长[17]。该理论为个性化学习模型构建中如何激发学习动机、在自主决策中促进知识建构提供了指导作用。自我调节学习旨在帮助学习者对自身学习进行合理规划并对学习效果进行自我监控和自我評价，Zimmerman自我调节学习循环（SREP）模式[18]为个性化学习过程中为学习者创设自主规划、操作监控与反馈调节的个性化学习情境，优化个性化学习体验，促进学习者个性化学习能力和学习意志的培养带来了重要启示。因此，依据设计视角，本研究从学习过程整体出发，主要在自我决定理论和自我调节学习理论指导下探索构建满足学习者个性化需求的学习模型。

3.技术基础：知识图谱

模型构建的目的是为学习者创设自我规划、自我监控与自我反馈的个性化学习情境，其技术基础是知识图谱。作为人工智能技术在知识可视化发展中的最新技术，知识图谱是由一系列的知识元组成，每个知识元不仅仅包括知识的内容，还包括与之有关的学习资源、学习活动等，其细粒度的构成可以满足学习者的个性化学习需求。且知识图谱在众多知识表示方式中，拥有较强的表达能力和建模灵活性，不仅能在不同知识元之间建立非线性的语义关联，帮助学习者高效地完成知识建构，还能通过一定机制与学习者个性化学习过程建立关联，提高个性化学习系统的认知智能，并通过可视化方式解决学习过程中的监控、评价和反馈问题，帮助学习者优化决策、提升体验，从而有效促进个性化学习。

4.运行机制：人机协同

人才培养的目标是在知识技能获取过程中完成对学习者思维能力的培养，使其具备独立思考、判断、决策以及调控能力。学习者的自主参与性和主观能动性显然是影响个性发展的关键因素。模型的运行机制是在学习者主体参与和知识图谱辅助支持相结合的人机协同交互机制，即学习者主体在知识图谱的支持辅助下，制定符合自己的学习目标，选择适合自己的学习内容与方法，并对自身的学习过程与结果进行监控、评价、反馈与调节。在整个过程中学习者的主观能动性得到充分发挥，技术为学习者学习决策提供参考依据，提高了学习绩效，学习者在技术引导下，自身的思维能力得到提升。

（二）模型构建

基于上述设计理念，本研究构建了基于知识图谱的个性化学习模型，具体如图1所示。

模型体现了知识图谱作为学习支持工具与学习者的个性化学习过程的深度融合，在记录与追踪学习者的基本信息、认知水平、能力水平、情感态度等个性特征基础上，将学习者个性特征与知识图谱中实体属性进行关联。知识图谱在学习者学习过程中一方面通过关系推理从路径推荐、资源推荐、同伴推荐、试题推荐、系统引导等方面提供个性化支持，另一方面则发挥其图示优势为学习者动态展示个人图谱建构情况。学习者在知识图谱的支持下，在目标设定、路径选择、资源选择、知识建构、监控评价、反馈调节等学习过程环节中发挥个人感知、决策判断与修正等主体作用，积极主导并完成学习活动。在此过程中，学习者在个人图谱建构基础上，会结合个人的时间、学习需求（新知学习或旧知复习）等学习规划进行目标设定，也会结合个人知识状态进行路径选择，还会结合个人偏好进行资源选择，并在个人学习状态感知基础上进行监控评价，从而满足自身个性发展需求。基于知识图谱的个性化学习将学习者个体的脑力和体力充分调动起来参与学习，促使自身的动机、认知、技能和情感水平发生变化，进而增强自身思维能力，彰显在个性化学习中的主体作用。

当学习者对自主控制和能力展现的基本需求得到满足时，他们会表现出更大的学习动力、学习绩效和满足感，个性也会得到充分发展。个性化学习支持是为了帮助学习者寻求适合自身学习的一种服务范式。因此，个性化学习意味着学习者自身应对学习承担更多的责任，是在学习活动中赋予学习者一定的控制权，并使之能进行自主判断、决策和体验学习过程以及评估学业成就[19]，从而帮助其成为具备良好学习技能和策略的独立学习者。而除了知识习得，学习动力、能力和毅力的培养可以使学习者对社会的快速发展具有更高的适应性[20]。因此，在个性化学习模型指导下，本研究立足为不同学习者提供适合的个性化学习，从学习者主体作用发挥与学习系统个性支持协同交互的角度出发，基于学习者动机激发、知识建构、意志增强、能力养成四个维度构建了基于知识图谱的个性化学习“四位一体”协同支持机制，具体如图2所示。

（一）多维度体验的个人图谱与自定规划协同提高动机水平

增强学习体验以激发学习动机是个性化学习支持首要考虑的因素。动态环境创设能有效激发并保持学习者的兴趣和态度，在记录学习者历史经验和表现过程中，根据学习者个性需求匹配特定的内容与活动。个性化的目的是创设一个能对学习者的学习动机、目的和需求做出回应的学习环境，学习者在有意识地规划学习并主动选择适应学习的过程中产生更高水平的内在动机，从而更好地发挥学习者的主体作用。因此，研究主要通过动态个人图谱和学习者自定规划相结合的方式多维度支持学习者具体经验的获得与学习动机的激发。

一方面，通过将学习者的学习表现与知识图谱建立关联，记录更新学习者知识点完成情况，并为学习者可视化动态展示个人图谱建构情况（包括近邻尚未完成的知识点分布以及个人历史学习表现等情况），吸引学习者感官注意，学习者通过查看目前学习在整个知识图谱中所处的相对位置，增强对学习规划和目标更直观的感觉、知觉，进而激发学习者积极参与和深入探究的内在意愿，为学习者后续学习规划与目标的制定与修正提供直接参考依据。另一方面，为学习者提供制定个人学习规划的机会。学习者可以根据自身能力水平情况从目标设定、时间规划和预期绩效等维度动手设计学习规划。如此，学习者会更明确自己的学习目标，增强了多维度体验下的学习责任感和紧迫感，增强了动机水平。

此外，满意度是学习者主体对其学习或学习经历的一种快乐或积极的情绪状态，高满意度必然会促进学习者的学习积极性。在目标设定过程中，允许学习者通过阶段目标（月/周目标）和日/次目标结合的方式，通过日/次目标的完成逐步达成阶段目标，在每一次学习结束时，都会让学习者记录个人在达成预设目标时产生的直观学习体验感，使学习者在体验学习成就感的同时提高了学习兴趣，增强内部动机，为顺利完成学习任务奠定基础。

（二）多目标优化的个性化推荐与自主决策协同促进知识建构

知识建构是个性化学习支持的重要目的，而知识建构的绩效取决于学习者主体学习参与情况。其中，决策控制在学习者个性化学习中起着关键作用，只有允许学习者依据自身的需求去探索实现自己的目标，并主动承担起知识建构的责任，才能为个性化学习成功提供保障。传统自适应学习系统的领域本体结构通常是按章、节、知识点的逻辑顺序构成，且推荐对象多是知识单元序列组成的粗粒度内容路径，难以满足学习者的个性化学习需求。而知识图谱不仅采用三元组方式描述知识体系，通过知识元之间的属性标识和关联关系建立更丰富知识表达，更在于其动态的图结构方式，在知识元序列组成的细粒度学习路径基础上，可以允许搜索等大规模图算法的运行，能更好地契合学习者学习水平的动态变化，使个性化学习系统具有更强的认知能力，从而帮助学习者提高个性化学习绩效，优化个性化学习。因此，研究主要在知识图谱支持下通过学习系统个性化推荐和学习者自主决策协同支持方式，学习者在动态生成性路径中完成知识的系统建构，促进个体具身学习的发生。

一方面，知识图谱可视化展示了知识体系，利用知识图谱学习有助于学习者对知识产生系统感知、记忆、思维和想象。同时，学习系统基于学习者初始能力、经验基础以及学习动机等个性特征，结合对学习时间、目标、绩效等多目标需求，在多模多目标优化算法支持下，通过知识图谱的图结构方式，动态为学习者提供适合的推荐结果，为其学习决策提供参考，助力学习者减负增效。另一方面，对决策过程和结果的体验能够有效促进学习者个体的元认知发展，帮助学习者在人机交互过程中掌握独立解决问题的有效方法和技巧。学习者在知识元路径推荐基础上，围绕目标与情境，在充分考虑自身知识掌握的实际情况基础上，主动形成内在判断和决策意识，进而自主选取适合的知识元路径和资源类型进行学习，增强其判断和决策能力，从而更好地建构和内化知识。

（三）多模态感知的个性化评价与自我反思协同提升意志品质

学习者的意志驱动着其个性化学习探究活动，只有学习者学会管理和使用学习活动信息，才能真正体现个性化的价值和意义。实践证明，传统的在线学习数据信息主要用于学习评价和教师决策参考，而现实中学习者对自身学习数据信息的使用重视程度不够，助力个人决策更是在实践中鲜有发生。因此，研究通过学习系统提供的个性化评价与学习者自我反思相结合的方式协同支持学习者从感知多模态数据到应用数据，进而提高自身反思性观察能力、增强学习意志品质。

学习仪表盘通过可视化方式反馈学习者状态，能增强内部动机和自我价值观[21]。因此，研究一方面在借鉴学习仪表盘的成功经验基础上，将实时追踪、記录学习者学习过程表现与学习状态嵌入到知识图谱的知识元属性中，并在图谱上将知识点解锁、活动点完成、任务度达成以及学习满意度描述等个性化学习评价情况通过符号、颜色、形状等多模态可视化表征方式为学习者提供直观反馈，学习者在个人知识图谱支持下对照目标达成情况加强对个人学习状态的判断，帮助学习者在自我评价与自我反馈中加强学习自律性，养成良好的学习习惯，从而在提高学习效能过程中建立并增强个性化学习信念。另一方面，自我反思和自我激励为个性化学习成功提供重要保障。学习者利用图谱表征的个性化学习表现以及学习绩效表现进行实时监控与评价，在建立对个人学习状态系统认知的同时积极反思个人学习过程中所采用的策略与方法以及所取得的学习绩效等情况，加强对个人学习过程问题的正视与探析，促进学习者在客观掌握自身能力水平基础上科学修正个人目标，历练更坚韧的个性化学习意志品质，进而促进自我剖析、自我改进和自我发展，确保个性化学习活动的有效性和可持续性。

（四）多境脉融合的个性化引导与自主建构协同增强思维能力

学习者的思维能力水平决定着其个性化学习绩效，思维能力不仅包括对知识的感知、记忆等基本能力，还包括监控、反思、评价、自我指导以及自我调节等与学习体悟有关的思维技能。实践发现，过度依赖系统决策与控制不利于学习者高阶思维能力的发展。而个性化学习的最终目的是在学习过程中培养学习者具有良好的行为习惯和较强的思维能力，为其后续学习与个人发展奠定基础。因此，研究采用个性化学习引导与自主建构相结合的方式协同支持学习者思维能力的养成。

一方面，在知识图谱中嵌入个性化引导引擎，系统会融合学习、测试、会话等不同学习境脉下学习者决策情况和测试结果提供适当的个性化引导策略与辅导资源，并针对学习绩效情况提供相应的提示与激励机制，在不断优化的多境脉反馈中优化学习体验，帮助学习者在适切的人文关怀中增强思维能力，实现从“学”到“学会”的本质转变。另一方面，自主探究可以增强自主感，当学习者有意识地探索自身个性化学习的过程时，思维能力将得到有效训练与提升，有利于促进学习者由“主体”向“本我”作用发挥的跃进。学習者在自身目标需求驱动下，利用知识图谱的提示引导展开自主建构，并积极对自己的学习过程持续进行反思与调控，如此，由交互式学习活动出发不断增强学习者对学习情境的感知，从而帮助学习者在激活思维能力、加大学习投入过程中不断提升学习绩效。同时，在个性化学习系统中，适当为学习者赋权，鼓励学习者在某一知识的学习过程中将其自身的创新见解、问题解决策略方法、优质资源（典型试题和学习资料等）等与系统共享，允许学习者作为答疑解惑人员参与其他学习者的问题答疑过程以共同探索问题解决方案，如果在此过程中，学习者的见解和方法被采纳和应用，无疑会增强学习者的自我效能感，亲历知识产生的过程将有效促进其思维能力的提升与发展。同时，相关生成性资源也为丰富和扩展知识图谱中知识元的属性表征提供了有益参考，从而推动动态知识图谱的迭代升级，促进人机双向反馈[22]。

KG-LDPLS（Knowledge Graph-Learner Dominant Personalized Learning System）是一个基于知识图谱的个性化学习系统，系统在自我决定理论和自我调节理论的指导下为学习者授权，在学习过程中使得每一位学习者的学习能够根据自身的个人需求，在个人规划、自主决策、自主监控与反馈以及自我调节等环节中得到个性发展。具体如图3所示。KGLDPLS主要通过基于外在知识图谱的个性化支持与基于内在自我决定的个性化调节之间的相互作用促进个性化学习发生。一方面，知识图谱通过图谱构建层、学习推荐层和个人图谱层为学习者提供显性或隐性个性化学习支持；另一方面，学习者则基于个人需求在个性化学习过程中通过个人表现促进个性发展目标的实现。

（一）学习者的个性化学习

个性化学习以个人需求为基础，主要体现在学习者的个性特征和个人规划两方面。个性特征主要考虑了学习者的经验背景、学习动机、学习目标、情感态度以及学习偏好等方面，相关信息主要通过问卷量表等方式获得；个人规划包括学习时间规划、学习需求等信息，具体由学习者自主设定。个人表现主要包括学习者学习过程中的行为表现、学业成绩、状态表现以及意志水平等方面。其中行为表现主要由学习路径调整、与推荐同伴的互动次数、学习资源点击与下载收藏次数、错题收藏数量、错题解析查看次数、学习提示使用次数、提问次数等情况构成，学业成绩主要由学习者阶段考试成绩构成，状态表现通过学习者自我报告对本次学习的主观体验情况获取，意志水平则由学习者在系统中的登录频次、学习时长、知识点完成数量以及错题重做次数等情况构成。学习表现不仅会影响学习者个人特征变化和个人规划调整，也通过对个人表现的全面评价支撑学习者个性的全面发展。个性发展促进是个性化学习的目标，是在学习表现基础上促进知识体系、情感态度、意志品质、行为习惯的形成，核心是学习者思维能力的提升。

（二）知识图谱的个性化支持

知识图谱的个性化支持以知识图谱构建层为基础。其中，实体是知识图谱构建的最基本元素，研究抽取内容、资源、活动、评价等属性并关联至实体形成知识元，然后抽取并建立知识元之间的关联关系进而形成通用知识图谱。学习推荐层主要在通用知识图谱基础上结合学习者个人需求进行关系推理，进而为学习者提供路径、同伴、资源、试题等方面的系统推荐。学习者则在自我决定和自我调节影响下通过自主决策个人路径、帮扶同伴、资源和试题等方式开展个性化学习。系统从学习者个人学习表现的四个方面对个性化学习进行实时监控评价，同时，学习者根据反馈结果积极对个性化学习环节进行调节，从而在提高学习绩效同时寻求更适切的个性化学习体验。个人图谱层则在实时追踪学习者的个人表现基础上动态展示学习者个人知识建构的整体情况。个人图谱是通用知识图谱的子图，目的是帮助学习者准确掌握自身知识建构情况的同时激发、维持学习动机，从而更有效地促进学习者个性发展。

人工智能是推动规模化个性教育实现的重要技术基础，但目前的人工智能技术只是实现了人类的部分智能[23]，对学习者学习需求等的识别精准度还不够。因此，现实中仍需要学习者发挥其主观能动性，才能确保学习者获得满意的学习体验。知识图谱不仅能够通过属性扩展和关系推理提高学习推荐的精准度，其图示形式也能为学习者建构知识体系、反馈调节提供直观依据，从而助力学习者学习潜能的激发，促进学习者个性全面发展。本研究中个性化学习模型的构建旨在融合知识图谱与学习者自身智能优势，探索知识图谱支持下个性化学习的实现机理，为加快推进教育从“产品生产模式”向以学习者为中心的量身定制模式的转变提供理论与现实参考，推进在线学习向大规模个性化学习变革发展进程。

参考文献：

[1] 中共中央、国务院.中国教育现代化2035[EB/OL].http：//www.gov.cn/ xinwen/2019-02/23/content_5367987.htm.2019-02-23.

[2] 国发[2017]35号，国务院关于印发《新一代人工智能发展规划》的通知[Z].

[3] 汪琼，李文超.人工智能助力因材施教：实践误区与对策[J].现代远程教育研究，2021，33（3）：12-17+43.

[4] 梁秋英，孙刚成.孔子因材施教的理论基础及启示[J].教育研究，2009，30（11）：87-91.

[5] Brusilovsky P，Peylo C.Adaptive and Intelligent Web-based Educational Systems [J].International Journal of Artificial Intelligence in Education，2003.13：15-172.

[6] Streeter，Dan.Personalized Learning Impacts on Student Achievement：A Quantitative Approach [D].Flagstaff：Northern Arizona University，2019.

[7] 彭红超，祝智庭.人机协同决策支持的个性化适性学习策略探析[J].电化教育研究，2019，40（2）：12-20.

[8] 姜强，赵蔚等.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育，2016，（2）：25-32.

[9] Chen C M.Personalized E-Learning System with Self-Regulated Learning Assisted Mechanisms for Promoting Learning Performance [J].Expert Systems with Applications，2009，36（5）：8816-8829.

[10] 鄭永和，王杨春晓等.智能时代的教育科学研究：内涵、逻辑框架与实践进路[J].中国远程教育，2021，（6）：1-10+17+76.

[11] 王超，刘淇等.面向大规模认知诊断的DINA模型快速计算方法研究[J].电子学报，2018，46（5）：1047-1055.

[12] Zhang L，Yang S，et al.Personalized learning and ESSA：What we know and where we go [J].Journal of Research on Technology in Education，2020，52（3）：253-274.

[13] 唐雯谦，覃成海等.智慧教育与个性化学习理论与实践研究[J].中国电化教育，2021，（5）：124-137.

[14] Ouf S，Ellatif M A，et al.A proposed paradigm for smart learning environment based on semantic web [J].Computers in Human Behavior，2017，72：796-818.

[15] Jun‐Ming Su.A rule‐based self‐regulated learning assistance scheme to facilitate personalized learning with adaptive scaffoldings：A case study for learning computer software [J].Computer Applications in Engineering Education，2020，28（1）：536-555.

[16] 董玉琦，林琳等.学习技术（CTCL）范式下技术促进学习研究进展（2）：技术支持的基于认知发展的个性化学习[J].中国电化教育，2021，（10）：17-23+42.

[17] Netcoh S.Students’ Experiences with Personalized Learning：An Examination Using Self-Determination Theory [D].Burlington：University of Vermont.2017.

[18] Cleary T J，Zimmerman B J.Self‐regulation empowerment program：A school‐based program to enhance self‐regulated and self‐motivated cycles of student learning [J].Psychology in the Schools，2004，41（5）：537-550.

[19] Jung E，Kim D，et al.The influence of instructional design on learner control，sense of achievement，and perceived effectiveness in a supersize MOOC course [J].Computers & education，2019，128（1）：377-388.

[20] 关成华，陈超凡等.智能时代的教育创新趋势与未来教育启示[J].中国电化教育，2021，（7）：13-21.

[21] 姜强，赵蔚等.基于大数据的学习分析仪表盘研究[J].中国电化教育，2017，（1）：112-120.

[22] 董艳，李心怡等.智能教育应用的人机双向反馈：机理、模型与实施原则[J].开放教育研究，2021，27（2）：26-33.

[23] 宋灵青，许林.人工智能教育应用的逻辑起点与边界——以知识学习为例[J].中国电化教育，2019，（6）：14-20.

作者简介：

刘凤娟：教授，在读博士，研究方向为数字化学习。

赵蔚：教授，博士，博士生导师，研究方向为数字化学习、个性化教育。

姜强：教授，博士，博士生导师，研究方向为教育大数据、个性化自适应学习。

王磊：教授，博士，博士生导师，研究方向为智能计算、机器学习。

Research on Personalized Learning Model and Support Mechanism Based on Knowledge Graph

Liu Fengjuan1，2， Zhao Wei1， Jiang Qiang1， Wang Lei3（1.School of Information Science and Technology， Northeast Normal University， Changchun 130117， Jilin； 2.School of Educational Sciences， Shaanxi University of Technology， Hanzhong 723001， Shaanxi； 3.School of Mathematics and Computer Science， Shaanxi University of Technology， Hanzhong 723001， Shaanxi）

Abstract： In recent years， industrial technology represented by artificial intelligence has provided an opportunity for the reform of learning methods. How to promote personalized learning has become one of the important topics in the field of education. As the latest technology in the development of knowledge visualization， knowledge graph has strong expression ability. It can not only establish nonlinear semantic links between different knowledge points， but also solve personalized learning support problems such as recommendation， monitoring， evaluation and feedback in online learning. It can help learners systematically and efficiently construct knowledge system and optimize learning decisions， it provides a new perspective for the research of personalized learning support. Therefore， based on the analysis of personalized learning and related research status， based on the learner oriented perspective， under the guidance of self-determination theory and self-regulated learning theory， the research constructs a personalized learning model based on knowledge graph， and starts from the four dimensions of motivation stimulation， knowledge construction， intention improvement and ability enhancement， The “four in one” collaborative support mechanism of personalized learning based on knowledge graph is constructed， a prototype of personalized learning system based on knowledge map is designed， in order to provide some reference for personalized learning research.

Keywords： knowledge graph； personalized learning； model； support mechanism

責任编辑：邢西深