普通高中生物学知识图谱驱动的学科教学智能化改造*

张 治 闫白洋 贾林芝 秦红斌 刘 瞻

一、 问题提出

(一) 教师精准备课缺乏“常态”的数据支持

传统班级授课制背景下,教师多是按照班级的“平均水平”进行授课,缺乏个性化和差异化,薄弱的学生“跟不上”,优秀的学生“吃不饱”,导致教师课堂教学中低效操练,学生学习积极性大幅度下降。即使有些通过区域统考或月考获得的数据反馈,但是“颗粒”较大,往往针对的是一个主题或单元,对精准教学意义较小,因此需要“常态化”数据支持教师的精准备课。在教育智能化改造的大背景下,数据赋能为教师精准备课提供了有效支持。[1]

(二) 学生面临“信息过载”和“信息迷航”问题

在学科学习中,学生遇到薄弱的学习内容多是求助于教师,缺乏即时性和有效性。线上的学习资源虽然很多,但面对海量的在线学习资源,学生往往面临“信息过载”和“信息迷航”等问题,在学习过程中需要花费大量的时间去寻找资源,为学生推荐个性化的学习资源来提升学习效果,已成为当前研究的重要方向[2]。基于知识图谱和图嵌入的个性化学习资源推荐方法能显著提升计算效率和个性化学习资源推荐的准确度[3]。将学习资源与知识图谱相关联,对学生进行个性化的推送,实现“资源找人”,将大大提高学科学习的效率。

(三) 大规模的因材施教难以落实于实际教学

“有教无类”“因材施教”是中国教育的千年古训。不同的学生在性格、喜好、兴趣和行为上都存在较大差异,通过因材施教可以满足不同学生的个性化发展需求[4]。当前对因材施教的“解决方案”多是让有的学生做基础题,有的学生做拓展题,不仅难以实现因材施教,更有可能给部分学生造成心理伤害。在教育智能化改造的大背景下,人工智能赋能教育为促进因材施教提供了全新的思考方式和解决路径。

(四) 静态的知识体系难以被机器识别和处理

为了便于教学,现有的教材是将章节按照知识逻辑和学科逻辑构成了一个完整的学习体系,但是这种知识的编排方式是静态的、固定的,计算机很难进行识别和处理,而且知识和知识之间的关联因为受到教材编排顺序的限制,并没有做到有效的关联。而人工智能时代,计算机架构的立体性、动态性、多维性等,不能简单地把教材中平面、静态的知识直接搬到计算机中,而是需要重构新的知识系统和学习体系,而重构这些体系的底层逻辑就是知识图谱,通过知识图谱将知识变成动态的、多维的、计算机能够识别的语言,才能实现线上教学的智能评判、智能推送。[5]

二、 问题解决的过程与方法

项目组解决问题的基本思路是以高中生物学为例,开发指向素养提升的智适应学习系统,并将智适应学习系统应用到传统课堂教学中,探索智适应学习系统的人机协同教学新模式,提升学生的核心素养。2014年至今,先后经过了3个重要版本的迭代(如表1)。研究构建了基于知识图谱的个性化学习模型(如图1),模型分为知识图谱层、智适应学习层和系统应用层,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,将其与知识图谱中的实体属性进行关联。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、自主学习、监控评价、反馈调节等学习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,学习者会结合个人的时间、学习需求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。[6][7][8][9]

表1 基于知识图谱智适应学习系统的3个版本迭代

(一) 高中生物学知识图谱建设

2014年,项目组开始探索高中生物学知识树结构的建设,建立了高中《生命科学》知识树的结构,这成为知识图谱建设的雏形。2016年,着手在建立高中生物学知识图谱时,先通过专家打标的形式将生物学知识系统进行切分,将每个学科知识作为一个“实体”,进行“实体”和“实体”之间的关联(例如“叶绿体”是“光反应”的前置关系),并标注了“实体”的“属性”和“属性值”(例如“叶绿体”的“位置”属性的属性值是“叶肉细胞”),用类似方式将生物学核心知识按照“实体”“关系”“属性”和“属性值”系统建立了庞大的语义网络。2018年,新课程标准颁布,以学科核心素养导向的教学改革拉开帷幕,在知识图谱迭代中,基于《普通高中生物学课程标准(2017年版2020年修订)》核心知识与核心素养,共梳理出覆盖高中生物学课程标准的1109个学科知识点(如主动运输、自由扩散、协助扩散、细胞膜等)和16个核心素养要求(如结构与功能观、进化与适应观、稳态与平衡观、物质与能量观、归纳与概括、演绎与推理、模型与建模、批判性思维等),把生物学核心素养的“素养”融入到知识图谱中,并与其他“实体”建立了有效关联,将聚焦于知识表达的知识图谱转向着眼于核心素养导向的知识图谱。随着基于知识图谱的智适应学习系统的建立,学生在系统中学习产生的大数据反馈修正知识图谱中“实体”与“实体”的关系数值。例如,专家认为知识1和知识2之间的关联系数是0.3,可是通过学生学习的大数据发现两者之间的关联系数是0.5,从而以机器学习不断地对知识图谱进行迭代优化。

(二) 匹配知识图谱的资源图谱建设

虽然已有学者对学科知识图谱展开研究,但多是解决知识的切分、呈现、表达、关联和搜索,没有聚焦知识图谱的教育属性,教育价值不大。为实现知识图谱的教育价值,项目组组织了上海市教育名师300多名,建设了与知识图谱相匹配的资源图谱,为知识图谱中的“实体”匹配了15305个微课、动画、文本和测评试题,深入研究了指向核心素养的命题技术,开发了核心素养进阶测评模型,以及指向生物学核心素养的测评试题开发路径和技术。资源图谱中的微课建设以“情境任务→概念建构→问题解决”为逻辑,时间大概2—3分钟,试图通过微课系统开发理念的改变,发展学生核心素养,确保核心素养价值导向融入资源图谱建设中。[10]

(三) 智适应学习系统开发所依据的教学策略模型

教学策略模型是开发智适应学习系统的规范和引导。主流教学策略模型有三种:讲解辅助的建构、任务驱动的探究、评价驱动的补救。三种模型彼此交叉,生成多种路径,加上学习空间的支持,智能系统的打开过程将是一场多源、异步的对话。本研究提出在建设基于知识图谱的智适应学习系统中遵循的三个教学策略模型:一是“微课+评价+资源推送”,为偏好听讲的学习者提供智能型数字教材系统里的微课视频,匹配以知识点相关的测试题,根据测试结果得出其知识点学习的反馈结果与评价。其学习过程是“学习内化—学习评价—评价反馈”无限循环的螺旋上升。二是“设计问题链”,通过加入启发性议题、引导性议题和探究性议题,设计出具有沉浸感的学习模式,用问题链驱动学习者不断深入地开展探究与学习。三是“测试评价+资源推送”,主要提供试题测试,然后给出评价,再开展有针对性的学习。通过完成试题的结果,系统反馈给教师和学习者知识点的掌握程度,据此开展验证性评价,然后根据评价结果决定推送给学习者的视频、动画等学习资源,并给予针对性辅导,把教学策略模型作为智适应学习系统的建设维度。

(四) 智适应学习系统开发所依据的学习者画像模型

在智适应学习系统中,学习者的学习会留下许多数据,这些数据经过分析形成学习者画像(如图2)。学习者画像描绘了学习者第1次学习的行为数据与第2次、第3次的区别及变化,包括学习行为路径、测试的正确率、学习时长,甚至包括学习者哪类题目一做就对,哪类题目耗时很久还是做错等。这些行为数据全面呈现学习者的学习情况,可以帮助学习者建立错题数据库,学习者可通过账号登录智适应学习系统查阅自己的错题本。[11]

图2 学习者画像

学习者画像是一份详尽的学情报告,有助于教师了解每位学习者,知晓其起点在哪里、怎么给予帮助。例如,学习者A一登录智能学习系统,系统就会自动识别,并显示其某个知识点始终没有掌握。学生群体的学习情况也可以通过群体画像展现。教师可以清晰地了解学生哪些知识点出现了共性的错误,据此调整授课计划,例如下一节课该讲什么内容,是否需要增加训练量,哪些方面必须增加讲解的精细度等,从而改进教学。

(五) 知识路径矩阵(KPM)资源推荐算法的研究

在香港科技大学首席副校长、英国皇家工程院院士郭毅可指导下,项目组开发了基于知识图谱的知识路径矩阵(KPM)算法与平台。构建流程主要包含三个部分:一是使用专家经验初始化矩阵;二是利用标签化题库提升矩阵的度量精度;三是通过不断累积的学习样本数据持续进化更新矩阵中的度量值。如图3为KPM核心数据结构图,如图4为基于KPM的平台架构。这为智适应学习系统建设提供了算法和平台框架。[12][13]

图3 KPM核心数据结构图

图4 基于KPM的平台架构

(六) 基于知识图谱的智适应学习系统建设

以知识图谱为基础,以资源图谱为支撑,以学习者画像为起点,以教学策略模型为核心,以KPM为推荐算法,以学习数据为反馈,以提升学生生物学核心素养为根本导向,项目组与技术公司合作,开发了指向素养提升的智适应学习系统。智适应学习系统的学生学习端是APP和网页,教师教学端是电脑软件,学生班级和任课教师进行绑定。在此过程中,项目组组织团队教师,从技术与内容方面,对导入学习平台的资源包括试题、微课、文本等,与知识图谱中的“实体”进行了关联,对试题的难度初始值进行了设置,前后共进行了6轮核对与打标,确保平台资源的正确性及其与知识点匹配的科学性。还组织教师对平台内容与技术进行了全面测试,并根据测试结果对平台进行了修订与完善。

(七) 探索人机协同的智适应学习系统教学模式

智适应学习系统对接了上海市平台,已经升级为上海市教育数字化转型“三大助手”深化应用项目,在全市各类型学校150多所高中的4万余名学生中进行多轮实践,并通过研讨课、同课异构、主题论坛等教研方式进行展示,归类提炼了嵌入式、翻转式、补偿式等人机协同教学新模式。通过计算机记录的学生学习路径、学习数据,推送的个性化资源,为教师精准备课、精准互动提供了数据和资源支撑。计算机处理简单个性的问题,教师则在课堂上引导学生合作解决真实情境的问题,建构复杂的核心概念,提升生物学核心素养[14],从而建立了课前、课中、课后及超越课堂的智能教与个性学模型,为学科教学与学生素养发展提供新的模式。

三、 成果主要内容

(一) 构建了多维的、动态的、计算机识别与计算的高中生物学知识图谱

通过专家模型和学生测试的大数据建立了高中生物学的知识图谱(如图5)。每个圆表示一个实体,圆的从大到小表示知识等级由高到低;圆和圆之间的联系表示两个实体之间的关系,从实线到虚线表示两个知识之间关系从亲密到疏远;圆的颜色由绿色到红色表示学生对该知识掌握程度由高到低。学生通过基于知识图谱的智适应学习系统学习产生的大数据可以修正知识图谱中知识与知识之间的关系数值,而这个关系数值则是智适应学习系统智能推送的重要依据,于是知识图谱和智适应学习系统在大数据驱动下处于动态变化的“协同进化”状态。从图5可以看出,相比于早期的知识图谱,大数据“滋养”的知识图谱中知识关联更加丰富。表2列举了一部分实体和实体之间的定量关联系数,例如如果学生掌握了“分泌蛋白的合成和运输”这个知识点,可以认为学生对“流动镶嵌模型”“高尔基体”“内质网”“核糖体”等知识点的掌握分别是0.02、0.72、0.54和0.43。

表2 实体与实体之间的定量关联系数举例

(二) 形成了利用基于知识图谱智适应系统提升学生生物学核心素养的路径

以提升学生生物学核心素养为导向,提出了核心素养融入知识图谱的方法、智能推送的逻辑算法、指向核心素养的微课开发方法、生物学核心素养进阶测评的技术等,得到学科专家和技术专家认可。主要有三个:一是将核心素养的要求融入到知识图谱中。例如,推理与演绎是科学思维素养的组成之一,微课中讲述了如何进行推理与演绎,相应测评试题的开发侧重推理与演绎的方法,而弱化知识载体。二是基于核心素养要求建设微课、动画、文本等资源。例如,微课的开发模式是“情境任务→概念建构→问题解决”,通过资源开发理念的创新提升学生的核心素养[15][16]。三是深入研究生物学核心素养进阶测评技术,构建了生物学核心素养进阶测评模型和侧重不同核心素养试题的开发路径,使测评试题系统靶向核心素养,有利于智适应学习系统的精准评判和推荐。[17][18]

(三) 建设了基于知识图谱的、指向素养提升的智适应学习系统

基于知识图谱的智适应学习系统包括学生的学习端(APP或网页)和教师的教学端(电脑软件)。学生的学习端包括“AI学伴”“班级”“发现”“个人中心”四个模块(如图6)。“AI学伴”模块主要是学生自主学习,应用场景包括三个: 一是自主预习,基本逻辑是“选择章节→通过微课等学习→试题测评→推送个性化资源→……”。二是同步巩固,基本逻辑是“选择章节→试题测评→学习结果诊断→推送个性化资源→试题再推送→……”。三是精准复习,基本逻辑是“选择章节→设计目标→试题推送→学习结果诊断→个性化推送学习资源→个性化试题推送→学习结果诊断→……”。“班级”模块主要是教师引导下的课堂教学或作业,包括“智能讲义”和“课后作业”。“发现”模块主要是学生的学习画像,包括“错题本”“收藏夹”“我的数据”,让学生能够反思学习过程。“个人中心”模块主要是一些教材版本、姓名修改等功能。教师的教学端主要提供课前备课、讲义发布、课堂讲课、作业发布、学情分析等功能,并提供微课、交互系统、图文、试题等资源,帮助教师了解学生学情,实现课堂师生之间的即时互动和个性化作业的发布等。

图6 基于知识图谱、指向素养提升的智适应学习系统

(四) 构建了基于智适应学习系统的人机协同教学模式

在利用基于知识图谱的智适应学习系统进行教学实践中,探索了四种人机协同的教学模式,分别是嵌入式、沙龙式、翻转式、诊断补偿式,并构建了每一种学习形态的学习流程(如图7),相关研究在全国处于领先。个性化问题和简单问题由平台来完成,从而争取到课上师生合作探究解决真实情境问题的宝贵时间,使课堂更加精准和高效。

图7 基于智适应学习系统的人机协同教学模式

1. 实现了学习路径的可视化,为精准教学提供依据

教师可以通过平台查看学生学习路径,通过分析学习路径为精准教学提供依据。例如,在“温度对光合速率影响”的教学中,教师根据经验认为此内容和“光合作用中酶的活性”关联,学生没学好可能是酶特性没有学好导致的,但是讲下来的效果甚微。学习路径表明,很多学生在学习这个内容时都要经过“蛋白质的结构”,基于此教师再进行教学时强化了蛋白质结构的讲解,效果很明显。

2. 实现了学生诊断精准化,提高课堂教学效率

在现有的学生诊断数据中,反馈给学生的诊断结果“颗粒”较大,多是以模块或章节的形式反馈。例如,数据反馈细胞代谢模块较为薄弱,而细胞代谢模块包含了30多个知识点,学生并不知道具体哪些知识点出现了问题,可能会把30多个知识点一起复习,花费大量的时间和精力。知识图谱智适应学习系统以知识点为单位对学生的学情进行诊断反馈,“颗粒”较小,可以清晰地呈现每个学生对每个知识点的掌握程度。由此,学生更加精准地知道哪些内容学习学得比较好,哪些比较薄弱,从而大幅度减少学习负担,实现精准教学。

(五) 通过KPM算法为学生自主学习进行智能推送

破除“打标签”的资源推送方式,创造性地以KPM算法进行学习资源的个性化推送,综合学生的学习状况推送适合的学习资源,并能依据学生的学习状况即时改变推送路径,例如根据上一道试题解答情况决定下一道试题的推送内容。同时,基于知识图谱的智适应学习系统建立了各个知识点之间的关联,并经过大数据和算法将这些关联进行量化处理,例如知识1与知识2、3、4的关联系数分别为0.6、0.9和0.4,当学生在知识1出现问题后,系统除了优先推荐知识1的相关资源外,还会推送关联系数最大的知识3的学习资源。当然这种关联系数会随着使用学生人数的增加不断地进行修正,从而实现资源和作业推送的精准化和个性化,促进学生课外高效、自主、个性化学习,减负增效。相关推荐算法也为其他学科智适应推荐提供了参考。此外,智适应学习系统会根据学生的整体学习数据,推送个性化的作业,在实践中可以据此设计个性化作业和整体作业的数目。

四、 效果与反思

(一) 取得的效果

1. 构建了基于知识图谱的智适应学习系统,以及人机协同的教学模式

高中生物学智适应学习系统是基于知识图谱,指向学生核心素养提升,作为新形态智慧型教学资源,支持学生个性化学习和多样化的教学样态。基于该系统,项目组探索了人机协同教学模式,推动教学流程再造,形成了以学定教、先学后教、少教多学、个性发展的高效课堂模式。在智适应学习系统构建中,创新了科学教育领域的知识图谱建设技术、个性化精准推送算法、指向素养提升的智适应学习系统开发技术等,让合适的资源或任务在合适的时间通过合适的方式推送给合适的学习者,该技术和人机协同教学模式为2021年国家教育数字化战略行动枢纽工程之“知识图谱的新型教材建设”提供了先行实践,也为其他学科知识图谱和智适应学习系统的研究提供了重要参考。

2. 显著提升学生的生物学核心素养和学业成绩

基于知识图谱的生物学智适应学习系统已经在上海市多所学校进行广泛使用,为了研究智适应学习系统对学生学习的有效性,项目组在上海市实验性示范高中、区实验性示范性高中、区普通高中共6所中学进行实验研究,参与班级12个班,共计学生492名。学生进入实验前进行前测,并利用SPSS进行统计,所有学校对照班和实验班的学生前测成绩无显著性差异。实验结束后,对实验班和对照班级学业成绩进行后测分析,并对教师、学生和家长进行问卷调查和访谈。后测显示,所有学校实验班学生成绩均高于对照班级,且有显著性差异。可以认为,智适应学习系统对促进学生学业成绩提升具有一定的促进作用,除了学业成绩外,实验班学生进行了多次实践活动,践行健康生活、环境保护、责任担当,完成的“某区城乡居民对城市湿地生态服务功能及保护现状的调查与研究”“南汇东滩盐沼湿地大型底栖动物潮周期变化特征及影响因子”等十多项课题获得上海市青少年科技创新大赛一二等奖。

除此之外,项目组对594名学生、56名教师和258名家长进行问卷调查,多数学生、教师和家长支持适当利用智适应学习系统赋能课堂教学。在教师调研中,82.15%教师认为智适应学习系统可以减轻教学负担;94.64%认为智适应学习系统产生的数据促进教师的精准备课;91.07%教师认为智适应学习系统可以实现即时互动,尤其是布置课后作业智能方便;80.36%教师认为智适应学习系统能够提高班级的教学成绩,对薄弱学生补救学习有很大帮助,在教学中发挥了重要作用。在学生调研中,82.15%的学生认为系统能判断自己的薄弱点,并推送相关的学习资料,系统中的课程资源利于学生的自主学习;82.82%的学生利用智适应学习系统实现了薄弱知识的补救学习;72.39%的学生认为智适应学习系统的使用提高了自己的学习兴趣、学习动力和学习效率;69.53%的学生学业成绩得到了明显提升。在家长调研中,76.74%的家长认为孩子使用智适应学习系统学习时的状态认真,智适应学习系统对孩子学习有帮助;97.73%的家长支持适当利用智适应学习系统布置生物学作业。

3. 为全国教育数字化转型提供可推广实践案例

智适应学习系统是上海市第四期“双名工程”高峰计划孵化推广项目,并于2022年升级为上海市教育数字化转型“三个助手”深化应用项目,实践学校扩增到各类型学校150多所,服务4万余名学生,江苏、安徽、湖南、新疆、黑龙江等地十多所高中在积极引进实践。该项目为全国教育数字化转型提供实践案例,在“全国科学教育暑期学校”2022中小学教师培训中,直播收听教师达38万人次。其探索的科学教育领域的知识图谱构建方法,已广泛应用于物理、数学等学科,在2022年世界人工智能大会教育论坛中作为人工智能赋能教育的典型案例推广。其研究成果获得2022年上海市基础教育优秀成果特等奖和2022年基础教育国家级教学成果奖二等奖。

4. 教师在教育数字化转型领域中取得了研究成果

在智适应学习系统开发和实践中,教师专业素养和教学技能明显提升。该项目被评为2022年教育部人工智能赋能教师队伍建设典型案例,参与教师共发表全国核心期刊论文26篇,出版3本专著,20多个案例在省级期刊发表,开发了智能系统开发与实践的“知行融合,多维并进”的校本教研工作模式(如图8),核心成员入选教育部“新时代中小学名师名校长计划(2022—2025)”名师培养对象。

图8 新型智能系统开发与实践的教研工作模式

(二) 反思与展望

项目组在智适应学习系统研发和实践中也发现了技术的边界性。对于健康生活方式、环境保护行为、责任担当行为等很难通过纸笔进行评价,仅能通过纸笔测试测评学生具备相关的学科知识和能力来推测其行为。但是知道健康的生活方式,未必会在生活中践行健康的生活方式,因此,智适应学习系统在对此类如价值观念、行为担当等核心素养的评判和推送方面遇到瓶颈,不过项目组已在探索增值性评价和表现性评价[19]。除此之外,论述题的机器批阅也是系统的技术边界。现在选择题和填空题都由计算机自主批阅,大大提高了教师效率,但是论述题还需要教师手工批阅,必然增加教师的工作量,使测评系统的反馈具有滞后性。此外,理科知识有很强的关联性,可以开发知识图谱和智适应学习系统,但文科知识之间的关联不强,如何开发知识图谱和智适应学习系统也是未来思考的方向。还有,随着ChatGPT、讯飞星火等生成式人工智能(AI-Generated Content,简称AIGC)的相继出现,如何基于知识图谱开发生物学智能问答系统也将成为未来研究的方向。