Ein Wissen graph und BiLSTM-CRF-unterstütztes intelligentes adaptives Lernmodell und seine potenzielle Anwendung

Der signifikante Fortschritt in der Technologie der Künstlichen Intelligenz (KI) hat das allmähliche Auftreten von intelligentem adaptivem Lernen als eine zentrale Methode zur Wissensaneignung zur Folge gehabt. Der Wissensgraph, als entscheidende Komponente des intelligenten adaptiven Lernmodells, trägt die wesentliche Verantwortung, den Lernprozess zu leiten und zu erleichtern sowie dessen Ergebnisse zu bewerten. Der derzeitige Wissensgraph weist jedoch mehrere Herausforderungen auf, darunter fragmentierte Wissensinhalte, unzureichende Fähigkeitcharakterisierungen und eingeschränkte automatische Konstruktionsmöglichkeiten, die seine Effektivität bei der Unterstützung von Lernenden, ihre Lernziele zu erreichen, beeinträchtigen. Die Arbeit schlägt das Wissen-Ressourcen-Ziele (KRO)-Modell des Wissensgraphs vor, basierend auf einer robusten Korrelation zwischen Wissen, Lernressourcen und Lernzielen. Im KRO-Modell werden Bidirektionale Kodierer-Darstellungen von Transformatoren (BERT) zur Datenvorverarbeitung eingesetzt. Protége wird für den Ontologieaufbau verwendet. Entitäten und Relationen werden synchron unter Verwendung des Main-Entity+ Relation +Begin-Inside-End-Single-Other (ME+R+BIESO) Korpus-Labeling-Modells annotiert, um den Tripelaufbau abzuschließen. Darüber hinaus werden Entitäten und Relationen synchron unter Verwendung eines Bi-direktionalen Lang-Kurzzeitgedächtnis-Conditional Random Field (BiLSTM-CRF)-Modells extrahiert. Wissensvisualisierung und -schlussfolgerung werden durch die Neo4j-Graphdatenbank erreicht. Die Studie verwendet das Dokument eines Kredits als Fallstudie, um die Anwendung des KRO-Modells zu untersuchen, und bewertet dessen Wirksamkeit anhand von Metriken wie Genauigkeit, Präzision, Rückruf und F1-Score. Die Forschung zeigt, dass das KRO-Modell effektiv auf Lernziele abzielt, Wissen und Ressourcen umstrukturieren, Lernwege optimieren, Empfehlungen für Lernressourcen geben und die kognitiven Zustände der Lernenden visualisieren kann. Dies verbessert die Effektivität des intelligenten adaptiven Lernens. Die nachfolgende Forschung wird weiterhin den visuellen Ausdruck des Lernfortschritts der Lernenden in den Fokus rücken und die praktische Anwendung der Lernendenprofile in verschiedenen Disziplinen erforschen, um die Verwirklichung von personalisiertem Lernen für Individuen zu fördern.