Grafo de conocimiento para determinar el dominio del aprendizaje en la educación superior
DOI:
https://doi.org/10.32870/Ap.v13n1.1937Palabras clave:
Estructuras de conocimiento, sistemas de clasificación, estudiantes, educación superiorResumen
La representación del conocimiento de un estudiante en un área disciplinar juega un rol importante para impulsar sus habilidades. Para apoyar a los involucrados en el ámbito educativo es necesario proporcionarles estrategias de evaluación robustas que faciliten el proceso de enseñanza-aprendizaje. El dominio de un estudiante es determinado por el grado de conocimiento que demuestra, de forma objetiva, sobre los temas incluidos en las diferentes áreas que componen un campo disciplinar. Aunque existe una amplia variedad de técnicas, el grafo de conocimiento en particular está adquiriendo relevancia por el enfoque estructurado y los beneficios que ofrece. Este trabajo propone un método que clasifica y pondera los nodos (temas) de un grafo de conocimiento de un área disciplinar, el cual es analizado mediante un estudio de caso. El método tiene dos enfoques: evitar la evaluación exhaustiva de los nodos y ponderar los nodos con precisión adecuada. Como resultado se obtiene un grafo de conocimiento con sus nodos clasificados y ponderados mediante la aplicación del método propuesto, en el cual 100% de los temas ha sido impactado mediante la evaluación objetiva de 20.8% que representa 10 nodos. Se concluye que el método propuesto tiene potencial para ser utilizado en la representación y la gestión del conocimiento, por lo que es necesario mejorar la iteración de sus fases para condicionar la cantidad de nodos objetivos.
Referencias
Bellomarini, L.; Benedetto, D.; Gottlob, G. & Sallinger, E. (2020). Vadalog: A modern architecture for automated reasoning with large knowledge graphs. Information Systems. https://doi.org/10.1016/j.is.2020.101528
Bloodgood, J. M. (2019). Knowledge acquisition and firm competitiveness: the role of complements and knowledge source. Journal of Knowledge Management, 23(1), 46-66. https://doi.org/10.1108/jkm-09-2017-0430
Chen, P.; Lu, Y.; Zheng, V. W.; Chen, X. & Yang, B. (2018). Knowedu: A system to construct knowledge graph for education. IEEE Access, 6, 31553-31563. https://doi.org/10.1109/access.2018.2839607
Chen, W.; Jiang, M.; Jiang, C. & Zhang, J. (2020). Critical node detection problem for complex network in undirected weighted networks. Physica A: Statistical Mechanics and its Applications, 538. https://doi.org/10.1016/j.physa.2019.122862
Chen, X.; Jia, S. & Xiang, Y. (2020). A review: Knowledge reasoning over knowledge graph. Expert Systems with Applications, 141. https://doi.org/10.1016/j.eswa.2019.112948
Cope, B.; Kalantzis, M. & Searsmith, D. (2020). Artificial intelligence for education: Knowledge and its assessment in AI-enabled learning ecologies. Educational Philosophy and Theory, 1-17. https://doi.org/10.1080/00131857.2020.1728732
Guan, N.; Song, D. & Liao, L. (2019). Knowledge graph embedding with concepts. Knowledge-Based Systems,164, 38-44. https://doi.org/10.1016/j.knosys.2018.10.008
Han, F. & Ellis, R. (2020). Redes de aprendizaje personalizadas en contextos universitarios de aprendizaje semipresencial. Comunicar, 28(62), 19-30. https://doi.org/10.3916/c62-2020-02
He, M.; Du, X. & Wang, B. (2019). Representation learning of Knowledge Graphs via fine-grained relation description combinations. IEEE Access, 7, 26466-26473. https://doi.org/10.1109/access.2019.2901544
Ivinson, G. (2020). The power of living knowledge: re-imagining horizontal knowledge. Asia-Pacific Journal of Teacher Education, 48(1), 15-29. https://doi.org/10.1080/1359866x.2019.1696453
Jia, Y.; Wang, Y.; Jin, X.; Lin, H. & Cheng, X. (2017). Knowledge graph embedding: A locally and temporally adaptive translation-based approach. ACM Transactions on the Web, 12(2), 1-33. https://doi.org/10.1145/3132733
Krenn, M. & Zeilinger, A. (2020). Predicting research trends with semantic and neural networks with an application in quantum physics. Proceedings of the National Academy of Sciences of the United States of America, 117(4), 1910-1916. https://doi.org/10.1073/pnas.1914370116
Lei, Y.; Yucong, D. & Yonghao, Z. (2019). Knowledge graph provision for heterogeneous service network. 2019 IEEE World Congress on Services (SERVICES), Milan, Italy.
Li, D. & Madden, A. (2019). Cascade embedding model for knowledge graph inference and retrieval. Information Processing and Management, 56(6). https://doi.org/10.1016/j.ipm.2019.102093
Li, Y.; Cao, J. & Wang, Y. (2019). Implementation of intelligent question answering system based on basketball knowledge graph. 2019 IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chengdu, China.
Liang, Y.; Xu, F.; Zhang, S.-H.; Lai, Y.-K. & Mu, T. (2018). Knowledge graph construction with structure and parameter learning for indoor scene design. Computational Visual Media, 4(2), 123-137. https://doi.org/10.1007/s41095-018-0110-3
Lin, Z.-Q.; Xie, B.; Zou, Y.-Z.; Zhao, J.-F.; Li, X.-D.; Wei, J.; Sun, H.-L. & Yin, G. (2017). Intelligent development environment and software knowledge graph. Journal of Computer Science and Technology, 32(2), 242-249. https://doi.org/10.1007/s11390-017-1718-y
Liu, S.; Ding, C.; Ma, Y.; Li, Z. & Xiang, J. (2020). Redundancy reduction based node classification with attribute augmentation. Knowledge-Based Systems, 188. https://doi.org/10.1016/j.knosys.2019.105080
Long, J.; Chen, Z.; He, W.; Wu, T. & Ren, J. (2020). An integrated framework of deep learning and knowledge graph for prediction of stock price trend: An application in Chinese stock exchange market. Applied Soft Computing, 91. https://doi.org/10.1016/j.asoc.2020.106205
Lu, R.; Fei, C.; Wang, C.; Gao, S.; Qiu, H.; Zhang, S. & Cao, C. (2020). HAPE: A programmable big knowledge graph platform. Information Sciences, 509, 87-103. https://doi.org/10.1016/j.ins.2019.08.051
Lv, P.; Wang, X.; Xu, J. & Wang, J. (2018). Utilizing knowledge graph and student testing behavior data for personalized exercise recommendation. TURC 2018: ACM Turing Celebration Conference, China.
Meneses Ortegón, J. P.; Jové, T.; Puiggalí, J. & Fabregat, R. (2020). Representación del conocimiento de un proceso de co-creación de material educativo. TecnoLógicas, 23(47), 159-177. https://doi.org/10.22430/22565337.1493
Mosquera, J. & Piedra, N. (2018). Use of graph database for the integration of heterogeneous data about ecuadorian historical personages. 2018 7th International Conference On Software Process Improvement (CIMPS), Guadalajara, Mexico.
Nie, F.; Shi, S. & Li, X. (2020). Semi-Supervised Learning with Auto-Weighting Feature and Adaptive Graph. IEEE Transactions on Knowledge and Data Engineering, 32(6), 1167-1178. https://doi.org/10.1109/tkde.2019.2901853
Oramas, S.; Ostuni, V. C.; Noia, T. D.; Serra, X. & Sciascio, E. D. (2017). Sound and music recommendation with knowledge graphs. ACM Transactions on Intelligent Systems and Technology, 8(2), 1-21. https://doi.org/10.1145/2926718
Paulius, D. & Sun, Y. (2019). A survey of knowledge representation in service robotics. Robotics and Autonomous Systems, 118, 13-30. https://doi.org/10.1016/j.robot.2019.03.005
Puustinen, M. & Khawaja, A. (2020). Envisaging the alternatives: from knowledge of the powerful to powerful knowledge in history classrooms. Journal of Curriculum Studies, 1-16. https://doi.org/10.1080/00220272.2019.1703273
Qiao, C. & Hu, X. (2020). A neural knowledge graph evaluator: Combining structural and semantic evidence of knowledge graphs for predicting supportive knowledge in scientific QA. Information Processing & Management, 57(6). https://doi.org/10.1016/j.ipm.2020.102309
Rantanen, K.; Hyttinen, A. & Järvisalo, M. (2020). Discovering causal graphs with cycles and latent confounders: An exact branch-and-bound approach. International Journal of Approximate Reasoning, 117, 29-49. https://doi.org/10.1016/j.ijar.2019.10.009
Ramírez-Montoya, M.-S. & García-Peñalvo, F.-J. (2018). Cocreación e innovación abierta: Revisión sistemática de literatura. Comunicar, 26(54), 09-18. https://doi.org/10.3916/c54-2018-01
Seo, S.; Oh, B. & Lee, K.-H. (2020). Reliable knowledge graph path representation learning. IEEE Access, 8, 32816-32825. https://doi.org/10.1109/access.2020.2973923
Shi, D.; Wang, T.; Xing, H. & Xu, H. (2020). A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning. Knowledge-Based Systems. https://doi.org/10.1016/j.knosys.2020.105618
Shin, H. S. & Jeong, A. (2021). Modeling the relationship between students’ prior knowledge, causal reasoning processes, and quality of causal maps. Computers & Education, 163. https://doi.org/10.1016/j.compedu.2020.104113
Wang, C.; Ma, X.; Chen, J. & Chen, J. (2018). Information extraction and knowledge graph construction from geoscience literature. Computers & Geosciences, 112, 112-120. https://doi.org/10.1016/j.cageo.2017.12.007
Wang, H.; Zhang, F.; Wang, J.; Zhao, M.; Li, W.; Xie, X. & Guo, M. (2019). Exploring high-order user preference on the knowledge graph for recommender systems. ACM Transactions on Information Systems, 37(3), 1-26. https://doi.org/10.1145/3312738
Wang, Q.; Ding, G. & Yu, S. (2019). Crowdsourcing mode-based learning activity flow approach to promote subject ontology generation and evolution in learning. Interactive Learning Environments, 27(7), 965-983. https://doi.org/10.1080/10494820.2018.1509875
Wang, X.; He, X.; Cao, Y.; Liu, M. & Chua, T.-S. (2019). KGAT: Knowledge graph attention network for recommendation. KDD ‘19: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining.
Wang, Z.; Li, L.; Li, Q. & Zeng, D. (2019). Multimodal data enhanced representation learning for knowledge graphs. 2019 International Joint Conference on Neural Networks (IJCNN), Budapest, Hungary.
Yang, J.; Wang, G.; Zhang, Q. & Wang, H. (2020). Knowledge distance measure for the multigranularity rough approximations of a fuzzy concept. IEEE Transactions on Fuzzy Systems, 28(4), 706-717. https://doi.org/10.1109/tfuzz.2019.2914622
Yoo, S. & Jeong, O. (2020). Automating the expansion of a knowledge graph. Expert Systems with Applications, 141. https://doi.org/10.1016/j.eswa.2019.112965
Yu, T.; Li, J.; Yu, Q.; Tian, Y.; Shun, X.; Xu, L.; Zhu, L. & Gao, H. (2017). Knowledge graph for TCM health preservation: Design, construction, and applications. Artificial Intelligence in Medicine, 77, 48-52. https://doi.org/10.1016/j.artmed.2017.04.001
Zárate, M.; Rosales, P.; Braun, G.; Lewis, M.; Fillottrani, P. R. & Delrieux, C. (2019). OceanGraph: some initial steps toward a oceanographic knowledge graph. Communications in Computer and Information Science. KGSWC: Iberoamerican Knowledge Graphs and Semantic Web Conference, Villa Clara, Cuba.
Zhang, R.; Mao, Y. & Zhao, W. (2020). Knowledge graphs completion via probabilistic reasoning. Information Sciences, 521, 144-159. https://doi.org/10.1016/j.ins.2020.02.016
Zhao, M.; Wang, H.; Guo, J.; Liu, D.; Xie, C.; Liu, Q. & Cheng, Z. (2019). Construction of an industrial knowledge graph for unstructured chinese text learning. Applied Sciences, 9(13). https://doi.org/10.3390/app9132720
Zhu, Q.; Zhou, X.; Zhang, P. & Shi, Y. (2019). A neural translating general hyperplane for knowledge graph embedding. Journal of Computational Science, 30, 108-117. https://doi.org/10.1016/j.jocs.2018.11.004
Descargas
Publicado
Número
Sección
Licencia
Los derechos de autor (copyright) pertenecen a los autores del texto. En caso de que el manuscrito sea aceptado para la publicación, se autoriza al Sistema de Universidad Virtual de la Universidad de Guadalajara (UDGVirtual) que modifique el texto en la corrección de estilo, traduzca, fije, divulgue, reproduzca, publique y comercialice con este. Asimismo, se autoriza que la Universidad de Guadalajara realice lo antes descrito en conjunto o a través de posibles terceros. (Consulte la autorización a detalle en la carta de derechos de autor.)
Los autores garantizan a la revista Apertura el derecho de ser el primer medio de publicación del trabajo. Se autoriza la reproducción de los textos publicados en la revista Apertura, en forma total o parcial, siempre y cuando sea sin fines de lucro, se cite la fuente y no se modifique el contenido o diseño. Los autores podrán distribuir exclusivamente la versión final editorial o postimpresión (postprint) en cualquier medio y en cualquier momento.
Apertura, sus editores y UDGVirtual se deslindan de la información proporcionada por colaboradores o anunciantes. Los artículos de los colaboradores no representan necesariamente el punto de vista del editor o de UDGVirtual y el contenido de los anuncios publicitarios son responsabilidad exclusiva de los contratantes.
Apertura está registrada en el Instituto Nacional del Derecho de Autor con el número ISSN: 1665-6180 (versión impresa) y e-ISSN 2007-1094 (versión electrónica), y con el Certificado de Reserva de Derechos al Uso Exclusivo del Título: 04-2005-120212472000-102.
También está certificada por la Comisión Calificadora de Publicaciones y Revistas Ilustradas de la Secretaría de Gobernación con los Certificados de Licitud de Título número: 13449; y de Licitud de Contenido: 11022.
