通过建模和利用分类学知识来开发移动设备学习系统来提高儿童的结构和功能分类-CSDN博客

本文链接：https://blog.csdn.net/shaoshaoyr/article/details/133324820

通过建模和利用分类学知识来开发移动设备学习系统来提高儿童的结构和功能分类

（Modelling and exploiting taxonomic knowledge for developing mobile learning systems to enhance children’s structural and functional categorization）

1.摘要：

近十年来，人们越来越关注理解类别的形成——一种学龄前儿童的认知能力。孩子们通过将它们分类为一些共同的属性或功能来组织他们关于真实世界对象的知识。带有触摸屏的移动设备的进步和普及为年幼的孩子们提供了一个很好的学习和实践的机会。在本研究中，提出了一种基于动态分类知识的方法，用动态分类样本开发结构和功能分类知识的移动学习系统。基于提出的学龄前儿童（3-6岁）模型实现了移动应用程序。此外，我们还采用了准实验的前测和后测方法来评价所提出的基于知识的应用在分类能力学习方面的有效性。结果表明，与使用书籍和工作表进行传统教学的儿童相比，体验过从模型知识中动态创建的分类范例的儿童取得了更高的分数。

关键词:分类学知识；本体；移动学习；学前教育；结构与功能分类

2.本体/本体论/认知本体论

本文提出了一种半自动建模领域本体的方法（称为认知本体cagnotology）。从现有的数据库、概念网、自由库和文字网络等知识来源中系统地提取了本体的概念和它们之间的关系。通过使用概念之间的层次关系（子类），对单一和多个结构分类进行建模。概念之间的关联性是通过概念之间的属性来建模的。提出的本体构建方法采用自顶向下和自底向上的知识构建方法进行领域建模。提出的本体的主要层次结构是通过英语单词的词汇组织来构建的，称为WordNet。

3.介绍：

对真实世界的物体进行分类是儿童认知的一个基本方面，它可以帮助他们理解周围的世界。此外，一些研究人员报告的词汇习得与分类技能密切相关。分类能力的工作原理是通过在类别成员的专业和广义水平上寻找共性。表面水平的分类（一般）主要需要明显的知觉线索，如颜色和形状。然而，当一个成员对象的功能信息呈现给儿童时，就会出现更深层次的理性分类。继儿童心理学之后，教育工作者也包括了将技能作为学前课程认知教学大纲的一部分。正式地说，幼儿园(i。e., age3-6岁)认知教学大纲包括分类、相关关系、空间概念、数学、科学过程、推理和问题解决。据报道，通过将儿童暴露于具有感知可变结构和功能共性的多个样本中，可以增强对象分类。儿童心理学家和研究人员通过科学实验，使用精心选择但数量有限的样本，提出了他们的主张。同样，用于教学和学习分类技能的教科书和工作表在本质上是静态的；也就是说，它们提供了有限数量的预先编写的学习内容，从不改变，并为每个人重复使用。这种传统的以教师为中心的学习教学方法被命名为“教学模式”，限制了学生的创造性学习。这些策略仅仅关注于通过预先编写的学习内容来传递事实。此外，创作这样的学习内容不仅需要专业的技能、思考和奉献精神，而且还需要大量的时间。教育教学法违反了动态，阻碍了认知教学大纲，特别是对象分类学习。为真实世界的知识建模是一项具有挑战性的任务；然而，本体——一种知识管理方法——已经为以正式表示（主要是分类关系）建模世界的实体做出了充分的贡献。可用的大型本体论知识来源的分类表示，提供了表层分类的建模；但是，它们缺乏建模对象之间的功能信息，因为它们主要关注于命名实体（NE）的建模，而对常识知识建模的关注较少。目前的工作构建了一个智能学习环境(Chen et al., 2020; Hwang et al., 2020)以提高儿童的个性化学习。本文提出了一种交互式移动应用程序，利用真实对象之间的分类知识进行动态创建范例（学习内容），以增强对象分类。它用函数信息丰富了被建模的实体，并执行查询，以创建动态的和多样化的分类范例（学习内容）。采用准实验方法来评价所提出的应用在分类能力学习方面的有效性。

4.文献综述：

人类（包括成人和儿童）自然地将他们的知识分类，识别共性和歧视(日常生活中发生的成员实例。即使婴儿根据他/她的喜好来区分食物，也会发生分类。同样地，成年人也会对他们的日常生活问题进行有效的分类。研究人员报告了对儿童和成人进行分类的两个主要目的。首先，分类提供了一种存储信息的方法，即在需要时无需单独跟踪单个成员项。其次，对建模为分类的知识支持推理。在过去的几十年里，与分类相关的问题已经被语言学习、定性儿童发展、知觉和基于知识的分类、文化知识和人类智力等领域的研究人员广泛讨论。一些研究人员进一步指出，儿童进行的分类可以代表他们在不同领域下的信念，如自然和人造事物（生物学）、种族和性别歧视（社会科学）、主食和加工食品（健康）、贫穷和富裕（经济）等等。

儿童发展领域的心理学家将分类为结构和功能分类。结构分类与物体的可见属性（称为知觉）有关，如形状、颜色和大小。这种结构性分类可以被认为是一种通用知识获取的形式。一般的知识是关于各种事物的知识。一般知识的获取是通过建立某一类特定事物的显式属性来实现的。然而，一个全面的哲学讨论，我们如何获得一般的知识与有限的样本提供。相比之下，本研究研究了多个样本在获取这些知识方面的影响。另一方面，在经历物质文化时，一般知识和结构分类的用途较少。物质文化代表人工制品，例如，具有特定功能信息的工具和工具。学习诸如工具和仪器等对象需要有功能理解或功能分类能力报道了学龄前儿童对动物食物链的生态学理解中功能分类的类似方面。采用多维尺度（MDS）技术对34种动物进行了自发分类评估。一项对105名英国青少年（平均年龄14.5岁）进行的实验显示，功能信息占主导地位。研究人员报告说，孩子们根据他们以前的经历对新物体进行在线分类。本研究的工作通过在类似游戏的环境中练习多样化的多个范例来增强儿童的体验来研究同样的现象。儿童分类的研究主要集中在实验性儿童心理学、认知、儿童发展和认知科学相关领域（Hwang et al.，2020）。与儿童分类相关的知识体系是巨大的，因此需要一个彻底的调查(Chen等。, 2020).就目前的工作而言，一个简短的回顾表明，很少有使用技术进行的实验（Hwang和Fu，2020）。使用触屏计算机进行了多个固定数量的项目（6个已知，3个小说和3个支持）的上下文重复试验。语境重复已经通过快速映射来评估单词学习。有一些教育游戏声称可以促进儿童的认知学习。然而，几乎所有的本质都是静态的；也就是说，它们只向用户显示存储在内存中的预先编写的学习内容。在移动平台上提供的教育游戏涉及运动活动、单词发音、记忆构建、着色对象、基础数学等等。

在这些活动中，只有记忆属于认知教学大纲；然而，游戏中可用的短期记忆构建并不是对长期结构和功能信息的记忆。当前的应用程序从未关注过一个对象的相关知识，因为它们不是为它而设计的；相反，它们为孩子们提供了一个有趣的平台。通过从巨大的知识来源中检索概念及其相关关系来建模领域知识是目前工作中的一项具有挑战性的任务。真实世界的对象通过结构和功能属性与其他对象相关联；然而，这些属性在当前的知识源中缺失。手动插入这些属性是不可行的，因为在当前的知识源中存在数百万个实体。目前的工作从现有的知识源中提取概念及其相关关系，以开发生成分类范例的领域模型。

5.分类知识建模算法

图1.分类知识建模算法

分类知识建模算法从WordNet中提取名词意义，并将其表示为本体结构。并不是所有WordNet的名词都对我们有用，因为有几个名词对学龄前儿童来说是不理解的。从课程调查中，列出了书籍和工作表中出现的所有概念的列表，称为概念堆栈(CS)(图1)。该算法首先从概念堆栈中提取一个称为选定概念(SC)的概念。然后从WordNet本地文件中提取SC的所有感官。在所有检索到的感官中，只有名词感官被选中进行进一步的程序。WordNet对每个名词单词包含不止一个意义，因此制定了一个名词意义列表，然后对其执行循环操作。从WordNet中提取名词词的每个名词意义，并筛选出其上义信息。根据缩略词信息，将带有subClassOf属性的断言添加到CagOntology中。例如，添加到CagOntology中的断言是Chicken subClassOf Poultry。在添加断言之后，超类概念如果还没有出现，就会被推回CS。

6.建模功能分类：

目前的工作扩展了基本概念来支持复杂实体的建模。这些实体被命名为抽象概念（功能信息分类）。在学前课程中，功能分类概念的一些例子是食肉动物、食草动物、野生动物和驯养动物。食肉动物的概念可以有鸟类、爬行动物或哺乳动物，但它们都有一个共同的功能特征，即它们以肉为食。用于表示功能分类的形式主义是语义web规则语言（SWRL）。SWRL是本体web语言（OWL）的扩展，与描述语言（DL）相结合，支持类、子类关系、等价类、不相交和对称关系以及个体和数据属性。这使SWRL是本研究中选择的一个原因。目前的工作为抽象概念的表示提供了一些新的规则，同时也支持一种推理或推理机制。

7.分类样本的制定：

推理引擎是专家系统的一个组件，它利用逻辑规则、概念和属性来推断新的知识，即本例中的分类范例。推理执行规则，并在知识库上执行称为推理的冲突解决方案。目前的工作使用前向推理（数据驱动推理）方法来创建分类范例。推理引擎利用了建模的规则和概念之间的关系，如继承、逆、传递、对称、不同、所有不同和不相交。

图2.认知本体论推断关系图

8.原型实现：

通过建模的领域知识实现动态分类范例的生成移动应用程序名为认知技能（认知技能）。所提出的应用程序被用作实验过程中的一种仪器。这个该应用程序创建了这个学习内容(如图3)通过本体的使用概念和属性。该应用程序的测试模块提供了同时测试单个分类和多个分类的能力。单一分类测试要求儿童从一组选择方案中识别目标分类的项目。这些测试示例是使用领域本体在线生成的。单个分类测试(图3)中提出的应用程序遵循学前课程中消除歧义的认知教学大纲。这样的结构分类范例主要是使用领域本体中概念的层次信息创建的。

图3.原型截图。a)学习模块b)练习模块c)测试模块的结构分类d)测试模块的功能分类。

9.实验与结果

（1）实验：

为了评价该方法的有效性，我们进行了一个实验，比较了使用该移动应用的儿童的分类技能学习与传统的工作表和教科书教学方法。

采用准实验前和试验后设计方法进行评价。采用随机抽样的方法，从当

地幼儿园抽取79名儿童（3-6岁，男女）。孩子们是从遵循统一课程的学校中挑选出来的。在实验期间，通过选择学校不同班级的儿童，避免他们的知识共享，形成完整的对照组和实验组。对照组和实验组分别为34名和45名儿童。对照组的儿童通过课堂教学、工作表和教科书继续他们的日常学习练习。教师主要遵循教科书，但他们也定期提供根据正在进行的教科书内容计划的印刷工作表。实验小组除了进行日常学习实践外，还使用了安装在所提供的平板电脑上的移动应用程序。实验组的参与者在放学后被给予大约30 min的药片。该实验是在学年年中对所有儿童进行。实验持续了22天。

前测试和后测试都是由一位资深儿童心理学家设计的，他是一位实践者和研究者。这些测试与Kimura等人(2018)实验的类别集非常一致。

根据分类水平将前测和后测分为结构和功能两部分(如表1所示)。前测和后测的结构和功能部分各包含5个样例。每个范例都包含属于单一类别的结构项目，并具有相似的感知属性。功能分类的项目可以根据一个共同的功能进行分类。每个范例都作为内容，其中包含要求分类的项目和混合在一起的选择选项项目。选择替代是指在物理上或功能上与被要求的类别相似，但不属于目标类别的项目。

克朗巴赫阿尔法系数（Cronbach’s alpha coefficient）是用于衡量测量工具（如问卷调查）内部一致性的常用方法之一。它是由心理学家克朗巴赫（Cronbach）在1951年提出的。

克朗巴赫阿尔法系数的取值范围为0到1之间。通常认为，如果克朗巴赫阿尔法系数大于等于0.7，则可以认为测量工具具有较好的内部一致性；而如果小于0.7，则需要考虑修订或重新设计测量工具。

克朗巴哈系数（Cronbach's alpha或Cronbach's α）是一个统计量，是指量表所有可能的项目划分方法的得到的折半信度系数的平均值，是最常用的信度测量方法。

表1.前后测试情况；前后测试设计

分类	前测	克朗巴赫的阿尔法分数	后测	克朗巴赫的阿尔法分数
结构	生物	0.07	非生物	0.62
	物品		物品
	鸟		鱼
	固定		运动
	项目		设备
	水果		蔬菜
	占领		运载工具
功能	食草动物	0.06	杂食动物	0.69
	鞋类		头饰
	野生的		水
	动物		车辆
	来源		牛奶
	牛奶		产品
	浮动		法律
	对象		占用

采用成人评分方法对前后测试进行了验证。心理学、计算机科学和教育领域的35名研究生和本科生参与了对范例、每个范例相关项目和选择的评估。评估是为了评估学龄前儿童测试前、后内容的接受程度和适宜性。每个评估者使用李克特5分量表对所有样本进行评分。评估人员被要求进行评分.

在“基于结构和功能信息”的分类方面，这个范例有多合适。所有评价者的克伦巴赫alpha得分如下：测试前结构分类（p¼0.70）、测试前功能分类（p¼0.60）、测试后结构分类（p¼0.62）和测试后功能分类（p¼0.69）。采用alpha >.60的可接受值进行分析。所有测试对象都用清晰的图片表示，并用适当的文本标记。这些项目和类别的图片表示由两名可用性专家进行了验证，特别是手机游戏设计专家。

结果

对照组原始数据：

对照组平均得分：

实验组原始数据：

实验组平均值：

表2显示了测试前分数的描述性结果。可以对测试前的分数进行评估参与者在应用治疗（使用动态分类样本）之前，具有同等和基本的知识，即分类能力。对照组和实验组的结构分类的总体平均得分均高于功能分类。年龄较大的孩子比年龄较小的孩子表现得更好，因为年龄较小的孩子大多是学习记忆（计数、字母表、颜色识别等）和电机（图纸、着色等）技能，而不是分类和其他认知教学大纲。然而，前测设计得很好，即使是年龄较小的孩子也在结构和功能分类方面都有得分。所有参与者在年龄方面的得分成绩都呈线性模式。目前，本研究只考虑了参与者在分类能力方面的集体改善，但可以进行深入的研究来验证年龄和分类能力之间的关系。

表2的结果显示，两组儿童得分相似，即对照组平均得分为7.87（1.584 std div），实验组平均得分为7.76（1.541 std div）。

表3：各组前测得分的t检验

分组	数量	平均数	SD	平均差	t
对照组	45	7.836	0.597	0.089	0.568
实验组	34	7.760	0.576

*p > 0.05.

结果：对照组和实验组的前测成绩配对样本t检验结果见表3。由结果可知，对照组45名受试者(M =7.87, SD=1.584)与实验组34名受试者(M=7.76, SD =1.541)的前测成绩无显著差异;T(79)¼0.537,p¼0.868。这些结果表明，两组儿童在治疗前具有相同水平的分类能力

对照组和实验组的测试后得分的描述性分析见表4。两组中所有儿童的测试后分数都有所增加。此外，在功能分类方面，实验组的得分相对高于对照组。甚至在实验组中，更年轻的儿童的功能分类水平也表现出了显著的增加。在实验组的测试后分数中可见一种聚集模式，即年龄较小的儿童而年龄较大的儿童（5岁和6岁）的得分相同。两组总体平均值的差异为实验组使用动态范例应用的对照组比遵循传统教学方法的对照组提高了分类技能。

对照组原始数据：

对照组平均值：

实验组原始数据：

实验组平均值：

表5：各组学生后测得分的检验结果

分组	数量	平均数	SD	平均差	t
对照组	45	10.422	1.660	0.247	-7.043
实验组	34	12.83	1.232

对两组学生所获得的后测得分的t检验的分析见表5。可以看出，动态范例学习方法存在显著效应，这表明由于基于知识的学习模型，儿童的测试后得分存在显著差异。因此，结果显示，在类游戏方法中经历动态创建分类范例的儿童在提高分类能力方面优于使用传统教学学习方法的儿童。

结论：

目前的工作提出了一种基于知识的方法来建模现实世界对象的结构和功能分类知识。所建模的知识用于分类范例的动态创建。它是通过使用移动应用程序的实验证明的，暴露于不同和多个分类范例提供了增强的分类能力的学习。与使用书籍和工作表进行传统教学的孩子相比，从建模知识中体验到动态创建的分类范例的孩子获得了更高的分数。这种增强的分类学习的原因是，所提出的技术遵循了建设性的教学法，从而补救了传统教学教学法的局限性。按照以学生为中心的建设性教学法，学生们暴露在一个学习环境中，允许他们构建新的知识，他们的行为提供了对他们对这些概念的理解的评估。

原文章链接：https://www.sciencedirect.com/science/article/pii/S2666920X21000011

问题：