Граф знань

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Граф знань — структуроване уявлення понять і їхніх відношень, що використовується для моделювання знань предметної галузі, розуміння студента та навчальних залежностей у системах AI in education. Графи знань дають системам ШІ змогу міркувати про те, що студенти знають, що їм потрібно вивчити далі і як поняття пов'язані одне з одним.

Питання для роздумів

• Граф знань уловлює не лише поняття, але й їхні відношення — передумови, схожість, ієрархію. Чому знання того, як поняття пов'язані, могло б бути кориснішим для адаптивної системи, ніж плаский список навичок?
• Якими є відношення передумов у такій галузі, як ваша? Чи можете ви назвати тему, з якою студенти регулярно борються, бо їм бракує фундаментального поняття, яке розкрив би граф?
• Сторінка описує використання графів знань для виявлення прогалин у знаннях — місць, де здобувачам бракує фундаментальних понять. Як виведення на поверхню цієї прогалини могло б змінити те, що ШІ-тьютор вирішить викладати далі?
• Графи знань можуть будуватися вручну або автоматично засобами LLM з освітнього тексту. Які ризики несє дозвіл ШІ конструювати структуру понять, над якою тьютор потім міркуватиме?
• Якщо графи знань дають структурний каркас галузі, над яким міркують агенти ШІ, що відбувається з довірою та точністю, коли сам граф містить помилку або упереджене відношення?
• Граф знань описується як структурний хребет, що уможливлює детальну діагностику та персоналізовані шляхи. У вашому власному teaching чи проєктуванні що вам знадобилося б, щоб граф знань вашого предмета уловлював — і що він лишив би поза увагою?

Вступ

Графи знань дають структурний хребет для багатьох інтелектуальних освітніх систем. На відміну від пласких списків навичок чи понять, графи знань уловлюють відношення передумов, схожість та ієрархічну організацію — необхідні для Адаптивне навчання, Відстеження знань і Моделювання здобувача та адаптивне навчання.

Як графи знань використовуються в AIED

Графи знань є повторюваним структурним механізмом у research AIED бази знань, виконуючи кілька відмінних ролей:

• Моделі Відстеження знань використовують графи понять для поширення оцінок досвідченості студента на споріднені навички, покращуючи точність передбачення, коли дані розріджені.
• Системи Моделювання здобувача та адаптивне навчання використовують графи знань, щоб уявлено семантично значущим способом показати, що знають здобувачі, уможливлюючи детальну діагностику.
• Платформи Адаптивне навчання використовують графи передумов для впорядкування матеріалу й рекомендації personalized learning шляхів.
• Вибір алгоритму над графом змінює результати. У G4L поширення оволодіння через Evolving Knowledge Space Graph із байєсівським поширенням знань дало +24% виміряних знань (0,717 → 0,887), проти +5% для Knowledge Space Theory і +1% для Weighted Distance Dependent Induction (Csépányi-Fürjes & Kovács, 2026).
• Рамки Когнітивна діагностика, такі як HiLLM-CD, конструюють дерева понять з освітнього тексту засобами LLM, усуваючи ручну анотацію.
• Тьюторинг, доповнений графом знань: ITAS використовує граф знань квантових понять (із явними відношеннями передумов), щоб керувати багатоагентною системою тьюторингу, перетинаючи граф для відбору наступних тем для контрінтуїтивного матеріалу.
• Моделювання навчальної програми й курсів: CourseGraph порівнює структури курсів CS між установами засобами графових уявлень; Learnity graphs моделюють шляхи lifelong learning.
• Навчання відношень передумов: ProPrL навчає відношення передумов між поняттями, формалізуючи ребра, які кодують графи знань.
• Виявлення прогалин у знаннях: Knowledge gap detection використовує міркування на основі графів у асистентах викладання зі ШІ, щоб визначати, де здобувачам бракує фундаментальних понять.
• Мультимодальний ШІ та пояснюване міркування: multimodal knowledge graphs розширюють структуру графів на модальності матеріалу; fair and explainable recommendations поєднують вкладання графів знань із послідовним моделюванням (гібридна рамка HKG-GRU).
• Інструкційно структуровані графи для рекомендації ресурсів: Liu, Sun & Song (2026) розкладають кожну сутність навчального ресурсу на чотири інструкційні виміри (контекст викладання, когнітивний рівень, технологічна риса, культурна адаптованість), обчислюють залежну від користувача семантичну схожість за цими вимірами й поєднують її з колаборативним фільтруванням через здатністю та прогресом обізнаний коефіцієнт — кодуючи педагогічну структуру безпосередньо в сигнал рекомендації, а не розглядаючи ресурси як предмети споживання.
• Бази знань на основі онтологій: Ivanova (2026) пропонує шарувату, гібридну архітектуру бази знань, засновану на логіці опису, яка заміщує класичні одно-онтологічні моделі ITS системами відображених онтологій — додаючи процедурні (на основі правил), ймовірнісні/нечіткі та витягнуті ML неявні знання, — плюс рамку метаданих для описання, виявлення та повторного використання освітніх онтологій.
• Scaffolding і письмо: Veriforge і visual query tracing застосовують структуру на основі графів до наративного чернеткування та навчання декларативній логіці.
• Куровані людиною літературні графи, і що розкриває аудит: Incipit будує граф літературних передумов — 1 455 записів аксіом, 1 464 відображення на 149 творів і 472 типізованих відношення, — причому language models пропонували формулювання-кандидати, які людські куратори відбирали й заземлювали. Його переобчислений аудит настільки ж повчальний, як і його структура: кожна кінцева точка резолвиться, і жодного дублікату або самопосилання не залишається, проте 1 448 із 1 455 аксіом відображаються рівно на один твір (тому повторне використання між творами розріджене), таксономія контексту не може відокремити свої два типи контексту, і жодного запису походження не зберігається, залишаючи знімок нездатним реконструювати власний конвеєр. Структурна валідність не є інтерпретаційною якістю, і курований граф без походження не може бути ні аудитований, ні освіжений.

Побудова графів знань під керуванням LLM

Нещодавні дослідження вивчають використання LLMs для автоматичного конструювання графів знань з освітнього матеріалу. Рамка HiLLM-CD використовує багатоагентні конвеєри LLM для генерації зв'язків вправа–поняття та ієрархічних дерев понять, зменшуючи спертість на експертну анотацію. Це пов'язується з ширшими застосуваннями Генеративний ШІ в проєктуванні навчальної програми та автоматизованій організації матеріалу, і з RAG (генерація з доповненням пошуком) (генерацією, доповненою витяганням), де структуровані графами знання можуть покращувати якість витягання порівняно з пласким пошуком за схожістю.

Відношення до інших понять

Графи знань пов'язуються з Проєктування навчання (визначенням того, чого навчати), Конструювання навчальної програми (тим, як це впорядкувати) та Аналітика навчання (витяганням ідей із даних взаємодії студента). Вони є фундаментальними для систем Інтелектуальний тьюторінг, яким потрібні структуровані уявлення освітніх галузей. У міру того як агенти ШІ стають звичнішими в освіті, графи знань дають структуру галузі, над якою міркують agentic systems — патерн, бачений у ITAS та асистентах викладання з виявленням прогалин у знаннях.

Пов’язані поняття

• Адаптивне навчання
• Відстеження знань
• Інтелектуальний тьюторінг
• Когнітивна діагностика
• Моделювання здобувача та адаптивне навчання
• Аналітика навчання
• Конструювання навчальної програми
• Проєктування навчання
• Генеративний ШІ
• Великі мовні моделі (LLM)
• RAG (генерація з доповненням пошуком)
• Агентний ШІ
• Технології — Зонтичне: технології та методи ШІ (моделі, навчання LLM, робототехніка, RAG, агентність)
• Системи рекомендацій і навчальні траєкторії

Пов’язані статті

• Literary Axioms: A Conceptual Framework for Literary Creation, Interpretation, and Evaluation — Побудований куратором граф із 1 455 літературних аксіом зі структурним аудитом і жодного запису походження (Liu та Zhao 2026)
• Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning — Модель знань на основі онтологій для персоналізованого електронного навчання
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Графи Learnity для довічного навчання
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Veriforge: скаффолди наративного чернеткування
• From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education — Інтелектуальний тьюторинг квантової освіти (ITAS)
• Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning — Мультимодальні графи знань для освітнього міркування
• CourseGraph: Finding overlaps and differences in Computer Science courses across universities — CourseGraph: порівняння курсів CS
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — ProPrL: навчання відношень передумов
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — Виявлення прогалин у знаннях в асистентах викладання зі ШІ
• Evaluating a Visual Query Tracer and Builder for Learning Declarative Logic Programming — Візуальний трасувальник запитів для навчання декларативній логіці
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — Справедливі та пояснювані освітні рекомендації
• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — Гібридна рекомендація CF–KG через домени для мультимодальних навчальних ресурсів
• HiLLM-CD: LLM-Enhanced Hierarchical Cognitive Diagnosis — HiLLM-CD: когнітивна діагностика під керуванням LLM
• 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: генерація навчального середовища