Граф знаний

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Граф знаний — структурированное представление понятий и их связей, используемое для моделирования знаний предметной области, понимания студентом материала и зависимостей в обучении в системах ИИ в образовании. Графы знаний позволяют системам ИИ рассуждать о том, что знают студенты, что им нужно изучить дальше и как понятия связаны между собой.

Вопросы для размышления

• Граф знаний фиксирует не только понятия, но и их связи — предварительные требования, сходство, иерархию. Почему знание того, как связаны понятия, может быть полезнее для адаптивной системы, чем плоский список навыков?
• Как выглядят связи предварительных требований в такой области, как ваша? Можете ли вы придумать тему, в которой студенты регулярно испытывают трудности из-за отсутствия базового понятия, которое раскрыл бы граф?
• Страница описывает использование графов знаний для обнаружения пробелов в знаниях — случаев, когда учащиеся не освоили базовые понятия. Как выявление этого пробела может изменить решение ИИ-репетитора о том, чему учить дальше?
• Графы знаний могут создаваться вручную или автоматически LLM из образовательного текста. Каковы риски того, чтобы ИИ строил структуру понятий, над которой затем будет рассуждать репетитор?
• Если графы знаний обеспечивают доменную структуру, над которой рассуждают агенты ИИ, что происходит с доверием и точностью, когда сам граф содержит ошибку или смещённую связь?
• Граф знаний описан как структурная основа, обеспечивающая тонкую диагностику и персонализированные пути. В вашем собственном преподавании или проектировании — что должен был бы фиксировать граф знаний вашего предмета, и что он оставил бы в стороне?

Введение

Графы знаний обеспечивают структурную основу для многих интеллектуальных образовательных систем. В отличие от плоских списков навыков или понятий, графы знаний фиксируют связи предварительных требований, сходство и иерархическую организацию — существенные для Адаптивное обучение, Трассирование знаний и Моделирование учащегося и адаптивное обучение.

Как графы знаний используются в AIED

Графы знаний являются повторяющимся структурным механизмом в исследованиях AIED по всей базе знаний, выполняя несколько различных ролей:

• Модели Трассирование знаний используют графы понятий для распространения оценок владения студента между связанными навыками, повышая точность предсказания, когда данные разрежены.
• Системы Моделирование учащегося и адаптивное обучение используют графы знаний для представления того, что знают учащиеся, в семантически осмысленном виде, что обеспечивает тонкую диагностику.
• Платформы Адаптивное обучение используют графы предварительных требований для упорядочивания контента и рекомендации персонализированных путей обучения.
• Выбор алгоритма над графом меняет результаты. В G4L распространение освоения через развивающийся граф пространства знаний с байесовским распространением знаний дало +24% измеренных знаний (0,717 → 0,887) против +5% для теории пространства знаний и +1% для взвешенной индукции с зависимостью от расстояния (Csépányi-Fürjes и Kovács, 2026).
• Рамки Когнитивная диагностика, такие как HiLLM-CD, строят деревья понятий из образовательного текста с помощью LLM, устраняя ручную аннотацию.
• Репетиторство с дополненным графом знаний: ITAS использует граф знаний квантовых понятий (с явными связями предварительных требований) для управления многоагентной репетиторской системой, обходя граф для выбора следующих тем по контрфактическому материалу.
• Моделирование учебных программ и курсов: CourseGraph сравнивает структуры курсов по информатике между учебными заведениями с помощью графовых представлений; графы Learnity моделируют пути обучения на протяжении всей жизни.
• Обучение связям предварительных требований: ProPrL учится связям предварительных требований между понятиями, формализуя рёбра, которые кодируют графы знаний.
• Обнаружение пробелов в знаниях: Обнаружение пробелов в знаниях использует рассуждения на основе графов в ИИ-ассистентах преподавания для определения того, где учащиеся не освоили базовые понятия.
• Мультимодальный ИИ и объяснимое рассуждение: мультимодальные графы знаний расширяют графовую структуру на различные модальности контента; справедливые и объяснимые рекомендации объединяют встраивания графов знаний с последовательным моделированием (гибридная рамка HKG-GRU).
• Инструкционно структурированные графы для рекомендации ресурсов: Liu, Sun и Song (2026) разлагают каждую сущность обучающего ресурса на четыре инструкционных измерения (контекст преподавания, когнитивный уровень, технологическая особенность, культурная адаптируемость), вычисляют семантическое сходство, зависящее от пользователя, по этим измерениям и объединяют его с коллаборативной фильтрацией через коэффициент, учитывающий способности и прогресс, — кодируя педагогическую структуру непосредственно в сигнале рекомендации, а не рассматривая ресурсы как предметы потребления.
• Базы знаний на основе онтологий: Ivanova (2026) предлагает слоистую гибридную архитектуру базы знаний, основанную на логике описаний, которая заменяет классические одно-онтологические модели ITS системами отображённых онтологий — добавляя процедурные (основанные на правилах), вероятностные/нечёткие и извлечённые машинным обучением неявные знания, — а также рамки метаданных для описания, обнаружения и повторного использования образовательных онтологий.
• Скаффолдинг и письмо: Veriforge и визуальная трассировка запросов применяют основанную на графах структуру к составлению нарратива и обучению декларативной логике.
• Созданные людьми графы литературных произведений и то, что раскрывает аудит: Incipit графует литературные предпосылки — 1455 аксиомных записей, 1464 отображения на 149 произведений и 472 типизированные связи, — причём языковые модели предлагают формулировки-кандидаты, которые отбирают и обосновывают человеческие кураторы. Его пересчитанный аудит так же поучителен, как и его структура: каждая конечная точка разрешается, дубликатов и ссылок на себя не остаётся, но 1448 из 1455 аксиом отображаются ровно на одно произведение (поэтому повторное использование между произведениями разрежено), таксономия контекста не может разделить свои два типа контекста, и ни одна запись о происхождении не сохранилась, из-за чего снимок не может реконструировать собственный конвейер. Структурная валидность — не то же самое, что качество интерпретации, а курируемый граф без данных о происхождении не может быть ни проверен аудитом, ни обновлён.

Построение графов знаний под управлением LLM

Недавние исследования изучают использование LLM для автоматического построения графов знаний из образовательного контента. Рамки HiLLM-CD используют многоагентные конвейеры LLM для генерации связей «упражнение–понятие» и иерархических деревьев понятий, снижая зависимость от экспертной аннотации. Это связано с более широкими применениями Генеративный ИИ в проектировании учебных программ и автоматизированной организации контента, а также с RAG (генерация с дополненным поиском) (генерация с дополненным извлечением), где структурированные графом знания могут повышать качество извлечения по сравнению с плоским поиском по сходству.

Связь с другими понятиями

Графы знаний связаны с Дизайн обучения (определение того, чему учить), Проектирование учебного плана (как это упорядочить) и Аналитика обучения (извлечение выводов из данных о взаимодействии студента). Они являются основой для систем Интеллектуальное тьюторство, которым нужны структурированные представления образовательных доменов. По мере того как агенты ИИ становятся всё более распространёнными в образовании, графы знаний обеспечивают доменную структуру, над которой рассуждают агентные системы — паттерн, наблюдаемый в ITAS и ИИ-ассистентах преподавания с обнаружением пробелов в знаниях.

Связанные концепции

• Адаптивное обучение
• Трассирование знаний
• Интеллектуальное тьюторство
• Когнитивная диагностика
• Моделирование учащегося и адаптивное обучение
• Аналитика обучения
• Проектирование учебного плана
• Дизайн обучения
• Генеративный ИИ
• Большие языковые модели (LLM)
• RAG (генерация с дополненным поиском)
• Агентный ИИ
• Технологии — Зонтичное понятие: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентные системы)
• Рекомендательные системы и учебные траектории

Связанные статьи

• Literary Axioms: A Conceptual Framework for Literary Creation, Interpretation, and Evaluation — Созданный кураторами граф из 1455 литературных аксиом со структурным аудитом и без записи о происхождении (Liu и Zhao 2026)
• Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning — Слоистая гибридная модель знаний на основе онтологий для персонализированного электронного обучения
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Графы Learnity для обучения на протяжении всей жизни
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Veriforge: скаффолдинг составления нарратива
• From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education — Интеллектуальное репетиторство по квантовому образованию (ITAS)
• Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning — Мультимодальные графы знаний для образовательных рассуждений
• CourseGraph: Finding overlaps and differences in Computer Science courses across universities — CourseGraph: сравнение курсов по информатике
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — ProPrL: обучение связям предварительных требований
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — Обнаружение пробелов в знаниях в ИИ-ассистентах преподавания
• Evaluating a Visual Query Tracer and Builder for Learning Declarative Logic Programming — Визуальная трассировка запросов для обучения декларативной логике
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — Справедливые и объяснимые образовательные рекомендации
• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — Гибридная кросс-доменная рекомендация CF–KG для мультимодальных обучающих ресурсов
• HiLLM-CD: LLM-Enhanced Hierarchical Cognitive Diagnosis — HiLLM-CD: управляемая LLM когнитивная диагностика
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• CogEvol: Towards Efficient and Reliable Learning Environment Generation — CogEvol: генерация обучающей среды