Apertura. Revista de innovación educativa‏

Grafo de conocimiento para determinar el dominio del aprendizaje en la educación superior

Jorge Arturo Hernández Almazán, Juan Diego Lumbreras Vega, Arturo Amaya Amaya, Rubén Machucho Cadena

Resumen


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.


Palabras clave


Estructuras de conocimiento; sistemas de clasificación; estudiantes; educación superior

Texto completo:

XML HTML PDF EPUB

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




DOI: http://dx.doi.org/10.32870/Ap.v13n1.1937

Métricas de artículo

Cargando métricas ...

Metrics powered by PLOS ALM

Enlaces refback

  • No hay ningún enlace refback.




Indizaciones


  

Otros índices


Apertura vol. 13, núm. 2, octubre 2021 - marzo 2022, es una revista científica especializada en innovación educativa en ambientes virtuales que se publica de manera semestral por la Universidad de Guadalajara, a través de la Coordinación de Recursos Informativos del Sistema de Universidad Virtual. Oficinas en Av. La Paz 2453, colonia Arcos Sur, CP 44140, Guadalajara, Jalisco, México. Tel.: 333268-8888 ext. 18775, www.udgvirtual.udg.mx/apertura, apertura@udgvirtual.udg.mx. Editor responsable: Alicia Zúñiga Llamas. Número de Reserva de Derechos al Uso Exclusivo del Título de la versión electrónica: 04-2009-080712102200-203, e-ISSN: 2007–1094; número de Reserva de Derechos al Uso Exclusivo del Título de la versión impresa: 04-2009-121512273300-102, ISSN: 1665–6180, otorgados por el Instituto Nacional del Derecho de Autor. Número de Licitud de Título: 13449 y número de Licitud de contenido: 11022 de la versión impresa, ambos otorgados por la Comisión Calificadora de Publicaciones y Revistas Ilustradas de la Secretaría de Gobernación. Responsable de la última actualización de este número: Sergio Alberto Mendoza Hernández. Fecha de última actualización: 30 de septiembre de 2021.