“互联网 教育”领域本体可视化构建与结构分析.docx

“互联网+教育”领域本体可视化构建与结构分析鲍婷婷陈丽郑勤华王怀波摘要“互联网+教育”是一个不断发展的创新领域，是教育高质量发展的必然选择。本体涵盖了某个领域语义网络的关键概念，可以客观反映特定领域的发展重点。研究以构建“互联网+教育”领域本体为主线，以剖析“互联网+教育”领域结构为重点，实现了 “互联网+教育”领域本体可视化与结构系统化。研究发现，“互联网+教育”领域具有“两级宏观一两级微观”的体系结构，宏观层面分为基础支撑、发展任务、动力引擎、保障体系四个维度，微观层面包括26个一级结构和53个二级结构。并进一步从夯实基础支撑、一、引言随着以互联网为代表的新兴技术与教育的深度融合，“互联网+教育”已成为一个备受关注、快速发展的创新领域，为推动教育变革、解决教育主要矛盾等提供了新的思路与手段。近年来，政府部门陆续出台了 “互联网+教育”相关政策文件，大量“互联网+教育”理论与实践也不断涌现，在社会范围内形成了一股“互联网+教育”热潮。与此同时，“互联网+教育”的蓬勃发展带来了海量信息资源的迅速产生与积累，不仅加剧了信息爆炸与价值利用间的矛盾，也使得“互联网+教育”领域边界与结构愈发模糊不清，为深入认识“互联网+教育”内涵与特征带来了现实挑战。因此，对育”领域冒息的高效组织显实践者正确熬识与践行“互联网+教育"，促进“互联网+教育”的持续健康发展。二、“互联网+教育”的内涵在国家“互联网+”行动计划背景下，“互联网+教育”应时而生，成为教育改革创新的热点话题。2022年2月，教育部发布2022年教育信息化和网络安全工作要点，提出要发展”互联网+教育"，实现教育信息化的转段升级3；2022年4月，教育部发布教育信息化2.0行动计划，提出到2022年建成“互联网+教育"大平台4；2022年3月，李克强总理在政府工作报告中强调发展“互联网+教育"，促进优质资源共享5；2022年，中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要首次肯创新的教育新生态9；三是教育变革的历史进程,“互联网+教育”是教育信息化的一个发展阶段，强调以学习者为中心，借助各类社会资源满足学习者多样化与个性化学习需求,具有战略性变革意义10T1。综上所述，本文认为，“互联网+教育”通过新兴技术与教育的深度融合，推动新型教学模式、服务模式、组织模式、管理模式等深层次的体制机制变革，最终目标是重塑一个集基础研究、创新实践、政策规划于一体的开放、创新、动态的教育生态系统。三、“互联网+教育”领域本体构建“互联网+教育”领域本体的可视化构建过程共包含领域语料收集、领域概念识别、本体结构划分、本体关系识别、领会的项目申请书、2022年国际人工智能与教育大会发布的智能教育案例集、“互联网+教育''创新沙龙的实践案例等为主要数据来源，筛选得到148个创新案例；在政策层“中华人民共和国中央人民政府” “中国教育信息化网” “中华人民共和国教育部”三个网站发布的政策文本为准，以“互联网+教育”“互联网+” “教育信息化”“教育现代化”为关键词进行检索（检索日期为2022年12月26日），筛选得到 201 份政策文本。B2F0871F-9F1C-4AD2-8ED0-ACADAFE6F5B0（二）领域概念识别获取恰当的领域概念是构建领域本体的一项关键任务。胡华认为，不同领域、不同主题存在不同的构词规律，并建立了UGC信息领域的构词规则12。周浪等发现，科技领域中99. 7%关键词的基本算法之一，其主要作用是评估一个关键词在语料库某一文档中的重要程度，可计算得到互联网教学（0. 10）等抽取概念的重要性排序。其次，探究自定义词表的词性组合规律，形成“互联网+教育”领域的概念词性规则，如第一个词与第二个词均为名词（n）,进而通过语法规则（n+n）获取双词概念如“数字教育资源”的词性标注结果为（'数字，X）,（'教育资源，'n）。两次概念抽取存在大量“噪音”词，建立人工剔除规则过滤后最终得到1001个概念。（三）本体结构划分抽取得到的领域概念集合是无序的、离散的，难以清晰地表征本体内部结构。因此，进一步通过聚类处理将领域概念划分为具有相似特征的子集，以从宏观视角挖掘“互联网+教育''体系结构。研究采用经典的聚类算法一一K-Means,其具有操作简单、计算速度快、可解释度较强等优点。K-Means算法的原理是把所有对象划分为K个子集，研究发现当K值等于9时，各个子集概念之间的差异性最明显，且每个子集内的概念相似度最高，故最终将领域概念划分为9个主题（见表1）。（四）本体关系识别领域概念间的关系主要用以表征概念之间的各类关联，从而建立起领域本体内部的组织结构。概念间的关系主要包括层次关系和非层次关系。其中，层次关系即上下位关系(Kind-of),而非层次关系表示层次结构以外的关系。研究依据“互联网+教育”领域语料文本的特点共定义了五种非层次关系：同义关系(Same-of)、属性关系(Attribute-of )>整体与部分关系(Part-of)、并列关系(Equal-of)、实例关系(Instance-of)o层次关系获取结合了相似度与细化度策略。首先，通过相似度计算获得具有相关关系的概念对；其次，通过细化度计算判断概念的深浅层次。通常情况下，上位概念包含的信息较少，细化程度较低，而下位概念包含的信息更多，细化程度也更高。经过细化度计算得到了 1868个概念对，进一步设置合适的阈值进行过滤，最终得到了 1121个上下位关系。与获取层次关系相比，非分类关系更加复杂和隐蔽，现有获取非分类关系的技术尚不成熟，因此，采用人工襟注的方法获取非分类关系，具体思路为：通过相似度计算获取相关概念对，过滤掉已通过细化度计算的分类关系概念对，进而将剩余符合条件的概念对依据实际关系命名。在人工标注非分类关系之前，先对两名研究者进行编码训练，并对其编码结果进行一致性检验，得到Kappa系数为0. 905 (p