结构分析的事实、概念、程序和元认知知识在一个多维的知识网络

文摘

发现最合适的网络结构的学习领域代表的一个主要挑战知识的交付和收购。我们提出一个多维知识网络(MKN)组成的三个组件:多层网络和它的两个预测。每个网络层构成的事实、概念、程序或域内的元认知知识数据库作为一个标准的计算机科学研究。MKN层中,节点的概念或知识单元和边加权对布鲁姆的认知学习水平。预计网络层与单层网络通过比较特征的中心措施:学位中心,接近中心,中间性中心和偏心。研究显示指标的概念,支持与先前介绍的更多的概念,知识获取的主导作用,从一个视图的知识结构和内容。分析社区,assortativity系数,和MKN重叠层有助于更好地构建知识。MKN使系统的见解在元认知知识集成层的效率,以及检测重要的认知概念,学习期间减少或增加认知负荷。

1。介绍

知识的组织影响教学成果和教育,在已投入开发的教学策略帮助学生创建和组织知识结构(1]。知识的表示影响学习过程和激励教学材料的设计,特别是在电子学习系统(1- - - - - -4]。知识可以在地图的显式形式(图),格子,或网络,概念元素相互连接,形成一个有凝聚力和应急系统5,6]。然后,学习的过程包括理解和他们是如何相关的关键概念,连接,集成到一个更广泛的系统。概念之间的这种联系有一个重要的角色在建立其意义和影响的概念介绍了教学和如何获得在正式的教学和学习2]。认知负荷理论认为,学习者可以有效吸收和保留信息只有在这样一种方式,它不提供“超负荷”他们的心智能力7]。萧等人在8)审查网络科学的手段提供一致的和强大的方法来表示结构和动力学在认知系统中,特别是在语义记忆和心理词典,因此揭示人的内部(或学生)表示。在这项工作中,我们调查的外部表示知识的可能性选择域,因此外部系统中表示,即:电子学习系统(9]。

在教育环境中,使用图形化知识表示工具如概念地图的主要支撑技术的形成有组织的知识模型。因此,各级应用了概念图的教学,以及在教科书1]。因为知识的数量以前所未有的速度增加,映射和知识获取的过程活动一致他们关注集成现有的和新的概念10]。因此,通过分析概念图学习遇到困难,有一个学习的机会,提供的凝聚力和应急知识的关系结构,提高长期的学习成果,保留和转移。映射到一个相互关联的概念结构是非常高效,相比其他表示技术如描述或定义思想,学习思想之间的关系(5]。概念图知识集成工具引起思想如节点(概念)11]。因此,全球的结构相互关联的关键概念的分析可以进行复杂网络的分析。

研究[6]提出的想法应用复杂网络理论和措施的描述概念地图以识别关键概念,提供整体的凝聚力和应急网络的概念。出于研究挑战解决(6,8),在这项研究中,我们介绍了多维知识网络(MKN)基于域的关键概念的学习成果。而代表结构的研究在认知系统中主要负责高效的内部表示的心智模型8,12- - - - - -14),这里我们的目标是为外部知识的建模可以纳入电子学习系统的域或可以用来评估学生的进步收购主体,这是建立在布鲁姆的分类(7,15,16]。

学习的结果源于不同知识水平从布鲁姆的分类修订16- - - - - -18]。修订布鲁姆的分类区分事实、概念、程序,和元认知知识维度。事实性知识捕捉离散,孤立的内容元素(具体细节和元素的术语和知识)。概念性知识包括分类和类别,原则和概括,和理论、模型和结构的概念。程序性知识包括技能和算法、技术和方法,以及知识的标准用来确定和证明“当去做”在特定的领域和学科。元认知知识包括战略知识;认知任务的有关知识,包括上下文和条件知识;和自我认识7]。

在这项工作中,我们研究代表的原则和分析如何建模领域知识(概念)在四个知识水平在一个复杂的网络框架针对知识建模的便利化,采集和传输性能。

我们提出一个多维知识网络(MKN),基于多层网络。多维知识网络由三部分组成:(i)和加权多层网络,(2)层间的多层网络,(3)单层多层网络的投影。层间构造投影的投影边缘层间层的层次更高,而单层构造投影,将所有节点和边投射在一层。这种方式定义的模型支持系统的见解的知识维度和效率在元认知知识集成层,以及关键认知概念,减少或增加的检测处理信息的认知负荷。MKN的结果分析可以揭示认知需求增加的原因,指出知识的漏洞(更具体和识别知识单元教学策略的需要修改),从而指导设计和优化的学习结果。实验目的,我们评估提出MKN计算机science-specifically领域的数据库,包括标准主题数据库的设计和实现。域的“数据库”,我们构建多维的知识网络,后组数据库课程的学习成果的关键概念,并提供一个详细的分析提出MKN模型。

在第二部分中,我们描述了网络科学的理论背景和认知复杂网络。此外,我们概述网络理论应用在认知科学和知识表示和他们的贡献。第三部分提供了多层网络分析的方法,定性和定量措施的定义。第四部分介绍了收集的实验数据和数据库域网络建设原则的学习成果。第五部分是致力于MKN模型的报告和讨论。本文在第六部分总结和未来的研究计划。

2。背景

出现新的paradigm-complexity是信息时代的核心,反映的一切内在的复杂行为,不能全面描述(19]。推理能力和理解这些属性找到它的根源在图论和社会学当保罗Erdős和阿尔弗雷德Renyi研究画一个新的多学科兴趣的研究复杂网络(19- - - - - -21]。兴趣的崛起理解复杂系统的一般性质影响了大幅上升在许多学科和互连结构的研究,一般来说,网络科学的发展(8,21- - - - - -33]。分析大量的数据,由于它的指数增长,导致小说的分析方法对于复杂网络分析考虑全球和本地网络结构以及时变和多层性质。多层网络的显式地将多个通道的连接和构成自然环境来描述系统互联通过不同类别的关系:一层代表每个通道(关系、活动和类别)和相同的节点或实体可能有不同类型的相互作用(在每一层不同的邻居)(31日,34,35]。我们的研究方向多层次的分析是出于这一事实多层网络结构从根本上是比个人更表达层(36]。他们使用多路复用网络预测单词的顺序的任务。然而,类似的论证和动机在学习过程中。此外,多层分析允许量化不同的学习阶段和多层网络。

2.1。概念和认知复杂网络相关工作

个体差异在他们从经验中学习的能力,适应新形势,克服挑战,理解简单或复杂的想法,解决现实的或抽象的问题,并参与不同形式的推理和思考[5,8,17,37,38]。知识获取和集成活动旨在帮助学习者构建一个更连贯的理解通过开发标准他们遇到的想法。概念地图作为知识集成工具引起知识元素节点(概念)5,11),它们作为边缘之间的关系。因此,概念地图的组织概念的网络表达。这样的优势表示强调知识的关系结构,概念和原则是紧密联系在一起,使连接的原则可以说清楚39]。概念图学习非常有效率,相比其他技术,如描述或定义知识元素(5]。

Schwendimann (11]表明概念图可以支持知识集成流程引出核心理念和连接,使集群或层次结构清晰可见。相似,作者在5)报告,图形组织者,如概念地图,可以培养的整合支离破碎的思想对一个有组织的互联网络的想法。此外,最近的研究关注概念图的结构表明,更好地理解和高品质反映在学生的知识相互联系和网络式结构(40]。作者在41)强调认知和连接的作用原理,人类语言复杂网络的性能可以与网络相关的属性,进一步表明网络属性提供的证据或可能会影响人类认知与语言的习得。Gurevych (42)提出了一种方法来生成人工定义的概念从一个概念网络的话,发现语义相关度的单词补偿缺乏定义的概念层次结构的自动生成一个文本的定义概念知识库。关联的语义相似度度量生成的注释与人类判断语义关系很好。在[39),作者认为,在实践中,成功的教学和学习,使其目标的整体理解,需要更深入地理解知识的连贯和连接结构。因此,连贯性和连通性的知识表示,密切相关的知识生产、收购、加工。

描述了知识处理和收购在复杂网络理论的框架22,27,43]。复杂网络方法非常适合关系在概念知识的描述和检索过程的动力学知识(8]。网络的动机方法能很好地适应知识建模的相关问题,检索和收购。研究报道,一般来说,是表明单词之间建立连接的重要性对于他们的意义,语义关系,语音相似性,或语法2,8,13,27,44]。因此,很多知识相关的研究是交织在一起的复杂网络语言的研究(12,35,45- - - - - -48]。例如,作者在49)考虑在课程主题的词法结构单层的术语词汇网络。研究表明,扩展到更深层次的上下文的水平,通过包含更多的远程连接之间的条款(尽管在同一层),促进了知识的表示和得出结论,方法有足够的敏感词汇或文本的语义特征。

传统上,研究者们1- - - - - -4,6,34,35,39,42,49- - - - - -53]分析网络结构的孤立的方面如链接的数量概念,(程度)51),组件的数量(无关的部分内容结构),子图措施,传染性中间性中心措施获得排名基于每个节点的重要性的不同节点提供凝聚力和应急6]。的一项研究[51)是基于程度、集群、交通效率、中间性和亲密的中心措施分析的视频课程的内容结构和识别关键的方面内容结构有关学生学习效果。萧(50]分析了单层概念网络的概念地图生成的学生心理学和证实概念网络的不同在学生和预期学习成果。简而言之,这项研究得出结论,概念网络更大的平均最短路径长度与更高的分数有关,因此建议网络科学可以用来量化一个学习者的知识的概念结构。上市工作的共同缺点的粒度检测信息因为只有单一的、孤立的方面的知识研究在一个单层的设置。

认知复杂网络建立的基础理解原则概念网络的研究更加全面。的目的理解背后的认知过程的知识建设和收购导致积分计算模型的发展学习的认知过程(2]。因此,他们超越单层网络多层或多路复用结构。研究认知网络利用多路复用的框架词汇网络调查从记忆词汇检索(13]。它使用多路复用网络研究的布局如何word-word相似的心理词典会导致启动效应在多个组合语义和语音水平。多路复用词汇网络已被证明在调查过程中从根本上更强大的早期词的习得(13,36,46)和检测心理词典的核心结构,表明集成多个word-word关系的重要性的意义(14]。的概念网络的英语54也被审查通过认知科学的方式,从那从联想记忆检索信息的角度来看,网络的小世界特性代表了检索效率的最大化。

在这项工作中,我们的目标是来填补这一缺口的结构表示的知识组织根据布鲁姆的分类修订成事实,概念、程序,和元认知知识运用层多层复杂的网络。

3所示。为多层网络分析方法

复杂系统的研究促使研究人员从简单的图形表示更抽象的分析包括多个子系统和层的连接(42]。不同观念的多层网络可以获得关于各种约束,这导致网络的网络(26],多维网络[28,55),多层网络(29日,32),多路网络(13,24,36,45,46,56,57,网络互动25),相互依存的网络(58),和许多其他的介绍(34]。从文学理论框架的多层网络结构一般形式的多层网络地址(31日,34]。

3.1。多维知识网络模型

在这个研究中,我们提出一个新颖的,综合知识表示模型,使多维分析。该模型是基于多层网络有两个扩展。第一个扩展的定义层间投影最初的多层网络,由层间边缘情绪投射到一层根据预定义的规则。第二个扩展定义为单层投影最初的多层网络,构建的所有节点和边都投射到一个层。

在本节中,我们给所有这些正式的模型的定义,并在下一节中,我们提供了一个上下文定义和解释模型。

根据(34),一个多层网络被定义为一对: 在哪里是一个家庭网络(图) 被称为网络层的和是的互联节点之间不同的层和在哪里。

层带注释的一组数字 ,在哪里米层数。网络、多层,可以直接的或间接的和加权或无关紧要的;然而,所选择的网络模型是一致的所有层的多层网络(35]。因此,整个多层网络可以被定义为直接的或间接的和加权或无关紧要的。在这个研究中,我们建立一个加权和导演的多层网络。

网络层的节点的集合用 ,和每一层的邻接矩阵用 ,在哪里为 ,和。相对应的层间邻接矩阵是矩阵定义为

注意,在加权的情况下多层网络邻接矩阵包含相应的权重,而不是1,表示的情况和intralayer连接在层间连接。此外,我们定义和考虑一种特殊类型的多层网络,它可以来源于最初的多层网络,将层间边投射在一个单层根据目标节点。

对于一个给定的多层网络米,我们定义一个层间的投影米表示为的方式,每组层间连接的边缘, 我们将开始节点的层 ;因此,它成为节点。因此,现有的优势预计到层,它变成了一个新的边缘: 。投影的结果是一个家庭网络没有夹层边缘。投影规则确保所有夹层边投射到目标层,包括一个起始节点的投影来。在论文的继续,我们将参考层间的投影的投影在短或多层投影(MKN投影)。

接下来,我们定义最初的多层网络的单层投影 ,表示为 ,在我们项目中所有节点和链接米层一层。在论文的继续,我们将网络作为单层(投影)网络简而言之。在补充材料,我们列出所有网络的定义的量化措施用于多层网络,多层网络投影和单层网络。

最后,多维知识网络被定义为一个三:

3.2。网络建模的概念

考虑到网络的概念,在其最简单的定义,是一个系统的连接部分,我们假设任何领域的知识体系(主题)可以建模为一个复杂网络的知识。在选定的领域(课程),节点的概念,以及它们之间的关系可以表示为边缘连接知识单元。边缘定向,反映的依赖导航路径的层次排序,学习一个单元的知识介绍(收购)之前。课程设计反映出一个有效的教学计划,旨在优化学习目标之间的一致性,评估和教学活动组织在一个特定的主题(例如排序关键的概念域)。因此,假设网络的概念是有效获取知识通过学习过程的排序(1- - - - - -4,6,39,49]。

确定学习的结果从一个更高的水平,首先,决定了学习成果研究项目,然后模块,然后组被试的,其次是单个对象的结果最终分解为知识单元(17,59]。计划的结果(学习目标)可以表达的内容(表示为名词)和(表示为动词)所需的认知过程。在这个意义上(7),最初的布鲁姆的分类是一维的,因为类只包含名词(对象)和行为(操作)。动词一般指相关的行动意图的认知过程。对象通常描述了知识学生预计收购或构造。的认知过程维度代表一个连续增加认知复杂性从记得创建(16]。每个节点都是一个概念或知识单元,它是一个语义学习目标的一部分。两个节点之间的关系建立了(两个知识单元)如果这两个知识单元出现在相同的(共同)学习目标(结果),反之亦然;学习目标是两个概念之间的关系(节点)关于认知过程和知识维度根据修改后的布鲁姆的分类。修订布鲁姆的分类区分四个维度的知识:事实,概念、过程、元认知知识16]。根据这一分类,每个级别对应的认知过程的知识(负载),所以学生可以记住事实或程序性知识,理解概念或元认知知识、元认知分析或事实性知识(15- - - - - -18]。此外,根据修改后的版本的布鲁姆的分类,有六个维度的认知过程:记忆、理解、应用、分析、评价和创造。

因此,修改后的布鲁姆的分类可以表示成一个多层网络,其中每个层模型一维的知识。为此,我们提出一个多维知识网络(MKN),正式在前一节中定义的。

首先,我们定义了一个多层网络 ,由四层。每一层代表一个维度(知识水平)布鲁姆的分类:事实、概念、程序和元认知知识。在每一层,节点代表的知识单元,根据定义的学习结果。重要的是要注意,一个节点可能属于不同的层次,因为它可以关联到不同的学习outcomes-hence不同程度的布鲁姆的分类。不过,这并不是要求所有节点(知识单元)存在在所有层;即。,some concepts are, for instance, present at factual and conceptual layers and not at procedural and metacognitive ones. Therefore, we opt for modeling of the multilayer and not for the multiplex network.

彼此之间的节点连接一层(intralayer边缘)和跨层(层间边缘)。两个节点之间的边构造(知识单元)如果有学习结果的第一个知识单元连接到第二个知识单元的序列(根据之前订单中的知识获取域)。边加权对布鲁姆的认知过程维度,和相应的边权重取决于认知学习水平是通过学习过程包括两个节点(知识单元)。因此,记得收到的重量1,理解,应用3,分析,评估,并创建6。

最后,我们还构建单层多层网络的投影。因此,单层网络包含所有节点和边,加权对认知过程维度和分析作为一个经典的复杂网络提供全球网络属性的信息。单层网络分析的结果表示“最初的原始数据,可以用来确定哪些顶级节点(单层),根据不同的单层和多层分析的结果,应该检查关于知识维度的身份在多层和预计MKN的组件。例如,高入度节点在一个单层网络应该在事实性知识维度,因为它表明节点指的是孤立的事实和细节的概念在早期阶段的学习。在延续,预计相比单层网络层以量化每一层的具体属性。这是建立在学习的理论。当正在处理的任务的单位同时或当内容高度互动的元素,高认知负荷将强加给学生,即使interreacting元素的数量相对较小。的内在认知负荷对特定学习目标的实现至关重要(对问题的理解,建设更高的知识结构,及其灵活性),它必须在工作记忆的容量(即。内内在认知负荷的限制)。

图1(改编自16])说明了优势结构规则的学习结果。“学生区分数据库和数据库管理系统。“这学习结果结果与两个节点(知识单元):与动词区分数据库和数据库管理系统,并建立了intralayer边缘在第四(分析)认知过程维度的层。同样,结果:“学生将解释4 nf和多值依赖之间的相关性。“我们定义层间优势:(1)node-4NF程序层和(2)node-multivalued依赖在概念层重量2(动词:理解)。值得注意的是,知识单位认为躺在连续从具体的(事实)抽象(元认知)。概念和程序类别重叠的抽象性。动词通常描述了预期的认知过程,和一般概念描述了知识的学生预计收购(16]。

过程的多维知识网络的建设MKN三个组件 ,和分析的过程可以归纳为以下十个步骤。形式化的过程在十步骤可以作为秘方提议的方法转移到一个新的领域。

步骤1。选择的知识领域和定义一个分层的概念(知识单元教学计划的域)。例如,如果我们决定构造的MKN数据库域,我们将定义的概念表,关系,标准形式,指数。

步骤2。设计概念和相关学习成果关系调整他们对布鲁姆的分类认知。例如,从学习的结果。”学生将解释使用数据库规范化的系统方法分解表我们可以推出一个关系:分解(表和数据库规范化)。

步骤3。构建MKN的第一个组件,一个多层网络 :再次从域节点的概念,一个节点可以属于一个或多个层根据学习成果,包括这一概念。

步骤4。建设的第二个组件MKN,层间的投影米,我们项目层间边缘到目标层、中定义的部分3所示。1。作为结果,我们 ,由四个网络层,层间连接。

第5步。建设的第三个组件MKN,单层的投影米: ,我们所有节点和边投射到一个层。作为结果,我们获得 ,由一个网络层所有的节点和边。

步骤6。分析和比较所有网络层中定义和在全球水平。

步骤7。分析和比较所有网络层中定义和在地方层面上而言,识别关键概念在每个层。

步骤8。确定社区的目标知识组织的理由和分层分区的教学内容分为相干组的概念。

第9步。分析四层assortativity混合。

第10步。分析四个预测层节点和边缘重叠。

4所示。多维知识网络建设的学习成果数据库域

知识单元的概念和它们之间的关系是建立在数据库中定义大纲标准包含在计算机科学本科学习(步骤1,请注意,两位作者在教学关系数据库对象和背景作为域)的专家。这个过程继续建设多层知识网络数据库域(步骤3)。首先,我们构造的多层网络米。多层网络的事实、概念、程序,和元认知层。每个节点都是一个单位的知识,这是一个语义学习目标的一部分。两个节点连接如果有学习的结果,包括单位。多层网络构造成定向和加权网络的概念。

接下来,我们构造一个投影的多层网络(步骤4)。预测网络定向加权和事实,概念、程序,和元认知层。事实层包含19个边缘/ 25节点,概念层57/43,过程层50/42,和元认知层20/25 /边缘节点。图2提出了四个预测层的多层网络米的学习成果数据库域。层与事实的认知知识是在左边,其次是层的概念和过程性知识,而元认知层在最右边的位置。然后,我们构建单层投影(步骤5),再次执导,147 59节点和边加权网络。

接下来,我们分析预测网络在全球层面上(步骤6)。标准网络的分析是基于量化措施作为补充材料中定义。预计多层和预测单层网络,我们计算平均学历,平均加权程度、网络直径、平均路径长度,聚类系数、平均密度图,连接组件的数量。

全球层面量化是紧随其后的是地方量化的网络属性(步骤7)。分析的第一个目的是确定哪些概念的关键刺激的认知过程,有效获取知识的重要性。根据获得的结果在我们先前的研究关键字提取(34,35),最初,我们使用程度、入度和出度与加权变异(也)和推进中心措施的亲密,中间性和偏心。

然后,我们分析社区(步骤8理由),目标的知识组织和分层分区的教学内容分为相干组的概念。

接下来,我们比较多层特征assortativity混合的皮尔森和斯皮尔曼层之间的相关性评估之间的相似性和一致性维度(步骤布鲁姆的知识9)。

最后,我们执行重叠分析(步骤10),使更好的洞察亲缘四投影层的节点和边缘重叠。

所有的可视化和网络措施得到Gephi [60]和MuxViz [30.)工具。Gephi图和网络分析开源软件,它也带来了一系列的布局算法(60]。MuxViz是一个免费和开源包分析和可视化的多层网络(61年]。

5。结果与讨论

在本节中,我们代表的结果系统分析在全球的网络层,当地,细观水平和提供测量结果的相关性和MKN层之间的重叠。措施选择披露重要结构特性:识别MKN的核心概念,检测一个连贯的集群的概念,量化不同层次之间的关系的抽象域。此外,中央开放问题是理解层次依赖沿着知识维度和知识单元之间的依赖关系。

5.1。分析MKN全球网络层,当地,细观水平

起初,我们现在全球结构性能的表征的结果预计多层和单层的多维知识网络(MKN)表1。全球所有措施(平均学历,平均加权程度、网络直径、平均路径长度、平均聚类系数、和网络密度)计算最大连接组件。注意,方程和解释所有这些网络的措施给出了补充材料。


层	平均度	平均加权程度	网络直径	平均路径长度	平均聚类系数	网络密度	连接组件W / S

事实	0.322	0.881	3	1.32	0.014	0.006	41/59
概念上的	0.966	3.068	8	2.608	0.017	0.017	17/59
程序上的	0.847	3.119	6	2.769	0.015	0.015	20/56
元认知	0.339	1.220	3	1.433	- - - - - -	0.006	39/59
单层	2.441	8.288	10	4.051	0.096	0.042	1/23

全球网络的措施使只有粗层之间的分化。不过,我们可以注意到的概念和过程层表现出类似properties-higher值的平均程度,平均加权程度,直径、平均路径长度和密度图相比,事实和元认知层。此外,概念和过程层展览属性更接近比其他两层单层网络。平均聚类系数值较低四层(元认知层,聚类系数是如此之低,计算是不可能的)。单层网络聚类系数更高,可能表明在学习新的更高的认知负荷,然而强烈的相互交织的概念,它支持最初的前提平衡在学习认知负荷,盯着从具体到抽象,better-interconnected知识领域的单位。

此外,事实和元认知层组件的数量增加一倍以上概念和过程层相比,这反映了全球网络的高价值的措施。连接组件的数量是最高的事实层,和在一起网络直径较小的反射高分散的知识获取所需的基本成分。

中心的主要目的的排名是衡量生产有序列表的节点结构中的节点根据其相关性(19,21,47,48,52]。固有的高水平中心枢纽节点:在学习的情况下,反映出影响程度(中央)是一个概念知识获取(表的过程2)。


	节点	直流_我	节点		节点

单层	表	14	Primary_key	10	Relational_algebra	9
	Database_normalization	12	属性	9	Database_normalization	8
	Database_scheme	11	表	8	Database_scheme	7
	Relational_algebra	11	关系	7	实体	7
	Primary_key	10	行	7	表	6

事实	Database_scheme	3	Database_scheme	3	Business_organisation	3
	表	3	表	3	数据	2
	数据	3	信息	2	约束	1
	Business_organisation	3	Relational_database	2	数据库	1
	数据库	2	数据	1	Referential_integrity	1

概念上的	属性	7	属性	6	数据库	5
	数据库	6	行	5	表	3
	表	6	Primary_key	5	Foreign_key	3
	列	6	列	4	SQL	3
	Foreign_key	5	Data_domain	3	Referential_integrity	3

程序上的	Database_normalization	11	关系	5	Database_normalization	7
	Relational_algebra	7	Database_normalization	4	Relational_algebra	7
	3 nf	6	Primary_key	3	3 nf	5
	关系	6	实体	2	实体	2
	实体	4	表	2	表	2

元认知	Database_scheme	3	Foreign_key	3	Database_scheme	2
	Foreign_key	3	属性	2	2 nf	2
	2 nf	2	Primary_key	2	实体	2
	属性	2	行	2	选择	2
	约束	2	Database_scheme	1	约束	1

单层,根据未加权和加权变异,我们获得一个共享表的概念,在过程层,数据库标准化的概念,即核心过程在数据库的设计和施工,在元认知层,我们获得的概念database_scheme(无关紧要的)和查询(加权变异)。这使某种意义上说,知道查询的主要编程抽象关系数据库,和database_scheme使数据库建设的蓝图。

然而,尽管不同的排名最高的概念,我们已经收到有价值的概念,以丰富的内容。这些概念获得的知识更广泛范围的概念(由先前的许多节点),导致更高的认知过程维度。较低的节点入度表示的概念,可以通过内容导航路径的起始点,反之亦然;节点出度高的对应概念学习成果的一个更高层次的认知维度。例如,它可以注意到概念表和数据库标准化检测中心和直接与交互式学习的认知负荷水平设置,可新手学习者的认知具有挑战性,因为高水平的知识维度之间的传递性。因此,它将是明智的计划早些时候收购这些概念,而不是后来的指令(导航)计划。

接下来,我们执行一个分析程度值排名前20名的节点在MKN报道在图3。很明显,各层节点度衡量行为类似,持有类似入度,学位,和力量。节点学位MKN层表现出类似的结果在单层网络。概念(节点)贴上表、数据库规范化属性,数据库方案有高的学位中心值,表明这些节点需要额外的努力在一定程度的认知过程的知识(如上面已经注意到)。和几个低级节点,这些节点支持表明一个更复杂的知识结构和学生的先验知识的存在的必要性。考虑网络结构的作用和不同的知识维度关系类型,程度可以显著的影响之间的相互作用的形式认知过程维度、知识类型和指令。然而,由于在多层网络中节点度是一个矢量,聚合节点更有影响力的措施可能表明以及不同层之间的相关。

图4可视化的节点单层网络用不同的颜色根据其程度值。类似的可视化亲密中心、中间性和偏心率在单层网络报告补充材料。图表明,单层网络展览一些层次属性,可能在细观层次分析。

分析加权程度(加权入度和出度)不显示跨层的顶级节点之间存在巨大差异。这意味着,虽然相同的节点出现在不同的知识水平,他们的认知复杂性可以改变由于知识维度重叠。在实践中,这些重叠的梯子认知领域和知识维度有限制,需要解释。说明性的例子是“它是更好的学生取得了事实性知识创造而不是元认知知识的记忆?“没有单一的答案,因为它取决于不同的教学风格和主题领域。

不过,前度列表(概念)显著不同,这意味着最基本的识别(高排名的)概念高度依赖程度的变异中心测量与权重,out-variants和使用。这是一个迹象表明,更好地识别最有影响力的概念,我们应该选择更复杂的见解;首先,我们进行量化的中心措施(表3)。


	节点	o_ij	节点		节点

单层	表	62年	表	34	Database_normalization	41
	Database_normalization	57	Primary_key	32	表	28
	关系	41	关系	31日	实体	25
	Foreign_key	38	属性	27	Database_scheme	23
	实体	38	列	24	数据库	23

事实	Database_scheme	12	Database_scheme	12	数据	6
	表	10	表	10	Business_organisation	6
	数据	8	信息	6	数据库	4
	Business_organisation	6	Database_ManagementSystem	4	Candidate_key	4
	数据库	6	的关系	4	基数	4

概念上的	表	29日	列	18	数据库	19
	列	24	Primary_key	18	表	14
	数据库	23	属性	16	Referential_integrity	12
	Foreign_key	20.	表	15	1 nf	12
	属性	18	行	12	Database_scheme	11

程序上的	数据库_归一化	52	关系	22	Database_normalization	36
	关系	26	Database_normalization	16	Relational_algebra	14
	3 nf	17	表	9	3 nf	11
	表	17	2 nf	8	投影	11
	实体	16	加入	8	实体	9

元认知	Foreign_key	12	Foreign_key	12	2 nf	7
	查询	11	查询	6	Business_organisation	6
	Relational_algebra	10	系统	6	实体	6
	Functional_dependency	9	属性	6	表	6
	约束	8	Primary_key	6	查询	5

表4礼物的价值接近中心,中间性中心,偏心单层网络。亲密中心量化多近一个节点到其他所有节点的网络:从一个节点总距离越小所有其他节点,节点更重要(21]。根据亲密中心值,实体完整性是一个顶级节点之后,四个节点值相同的范围。这意味着这四个概念应该被视为可能的起点在学习导航路径,因为他们的亲密值与高度值。节点需要一个起点作用学习导航路径是有效的知识获取的关键。的研究报道46)也强调亲密中心的重要性,因为它运作在知识表示结构的相关性。请注意,所有节点与亲密中心等于1参考节点属于小断开连接的组件通常由两个节点组成的,这也表明知识的碎片。


	节点	cc_我	节点	公元前_我	节点	C_{经济共同体}

单层	实体完整性	1。0	数据库规范化	806.546	选择	10.0
	数据库方案	0.362	表	624.485	属性	9.0
	数据库规范化	0.359	约束	588.1	Derived_relation	9.0
	表	0.354	Relational_algebra	507.413	系统	8.0
	关系代数	0.336	查询	490.413	Business_organisation	8.0

事实	数据库	1。0	数据库	2.0	Business_organisation	3所示。0
	Referential_integrity	1。0	Referential_integrity	2.0	Functional_dependency	3所示。0
	Candidate_key	1。0	数据	2.0	数据	2.0
	基数	1。0	约束	2.0	约束	2.0
	Cardinality_Ratio	1。0	Candidate_key	0.0	数据库	1。0

概念上的	视图	1。0	Data_domain	64.0	Information_System	8.0
	Entity_integrity	1。0	约束	55.0	数据库	7.0
	Cartesian_product	1。0	属性	39.5	Relational_model	6.0
	Relational_algebra	1。0	列	28.5	Database_scheme	6.0
	SQL	0.8	实体	25.0	实体	5。0

程序上的	Database_scheme	1。0	Database_normalization	156.0	Relational_algebra	6.0
	的关系	1。0	3 nf	49.5	3 nf	5。0
	Fundamental_relation	1。0	表	46.0	Cartesian_product	5。0
	2 nf	1。0	实体	43.0	投影	5。0
	BCBF	1。0	Relational_database	36.0	Database_index	5。0

元认知	实体	1。0	Database_scheme	4.0	表	3所示。0
	Relational_algebra	1。0	约束	3所示。0	Database_normalization	3所示。0
	Functional_dependency	1。0	Relational_algebra	2.0	约束	2.0
	Referential_integrity	1。0	查询	2.0	查询	2.0
	Database_scheme	1。0	Functional_dependency	1。0	2 nf	2.0

高的节点中间状态表4是数据库规范化和表,紧随其后的是约束和关系代数。众所周知,这些节点在网络桥接作用;即。,they are in charge of the information flow—either for describing other knowledge units (the incoming edges) or for influencing other knowledge units (the outgoing edges). These nodes are of high importance and serve as the glue in the knowledge representation model.

最小化的偏心旨在确定一个节点最大距离中的其他节点图。换句话说,偏心度量化概念之间的距离。顶级选择、属性派生关系,系统代表获得更复杂的知识所需的核心概念。离心率的高价值表明,概念可能在减少必要的学习努力而获得更复杂的概念。除了最基本的概念数据库事实层,中心分析未能揭示更好的结构排序或排序的概念在学习。

检测复杂网络社区是特别感兴趣的,当确定节点共享属性和动力学(21]。在这个研究中,我们应用鲁汶算法(62年社区检测,和图5显示了在单层MKN网络社区检测的结果。

在单层网络有六个社区,而整个MKN分散到22个社区。根据单层网络中的社区结构(图5),我们假设密切相关的学习概念属于同一个社区,形成一个连贯的知识单元。例如,概念数据库,数据库管理系统,逻辑模型,和物理模型而关系代数,查询,和联盟属于另一个社区。不过,群落结构不理想情况下发现,数据库规范化2 nf、3 nf和4 nf在同一个社区,虽然1 nf,虽然属于同一语义。然而,似乎群落结构提供了一个很好的了解概念是聚集成更复杂的单位和检测的好处相干组的概念,可以组织在同一学习的单位(讲座)。

5.2。分析MKN层之间的相关性和重叠

一种量化的标准方法的存在层间相关性程度计算皮尔逊和枪兵的层间相关系数供参考度序列的两层是如何相关的(10]。网络选型或度非选型信息内容高于网络学位nonassortative [61年]。得到的值assortativity皮尔森和斯皮尔曼两两相关系数多层网络,如表所示5和6,分别。这两个系数暴露略微不同的行为。更准确地说,皮尔逊相关系数的值表明disassortativity事实、概念、和程序性知识。原因源于他们知识表示和分化的类型:事实性知识代表特定的信息;概念性知识包括更复杂的有组织的知识(模式、模型和理论)和程序性知识反映了知识”过程。“为了获得更高水平的知识,“深入了解”(高级认知过程维度)的低级单位是至关重要的,因此,disassortativity层之间。


层	事实	概念上的	程序上的	元认知

事实	1	0.096	−0.175	0.111
概念上的	0.096	1	−0.033	0.281
程序上的	−0.175	−0.033	1	0.155
元认知	0.111	0.281	0.155	1


层	事实	概念上的	程序上的	元认知

事实	1	0.096	−0.241	0.085
概念上的	0.042	1	0.023	0.226
程序上的	−0.241	0.023	1	0.16
元认知	0.085	0.226	0.16	1

层的多维知识网络(MKN)源于知识四个维度。他们是测序从事实的详细事实性知识层的抽象的元认知知识元认知层。在某些情况下,边缘层并不是相互排斥的,这可以通过节点重叠值量化的表示相同的节点的度之间的相关性在不同的层。另一方面,边缘重叠也表明,两个节点之间的关系可能是由多个层共享,这可能表明冗余的信息输入。在表中7和8,我们的百分比显示重叠节点和边,分别。结果确认的组织层根据布鲁姆的分类是非常明智的因为边缘重叠的概念和元认知之间最小(低于3.2%),而节点重叠可以去高52.5%。


层	事实	概念上的	程序上的	元认知

事实	One hundred.	30.5	23.7	20.3
概念上的		One hundred.	52.5	32.2
程序上的			One hundred.	30.5
元认知				One hundred.


层	事实	概念上的	程序上的	元认知

事实	One hundred.	0	0	0
概念上的		One hundred.	0	3所示。2
程序上的			One hundred.	1。6
元认知				One hundred.

表9显示了Frobenious距离用来量化层距离的路径。Frobenious距离的最高价值实现为元认知/事实层面的对,这是最遥远的层。这是一个从事实表明更高的认知努力而遍历元认知层更大的知识在学习“跳”。换句话说,学习“的碎片信息”(事实性知识)需要建立支离破碎的事实之间的联系和应用他们在新的情况下,需要更高层次的学生的认知(元认知知识)。减少的方向之一提出MKN模型的复杂性,特别是在遥远的层(事实、概念和程序),可以通过结构还原性提出(63年]。


层	事实	概念上的	程序上的	元认知

事实	- - - - - -	0	0.151	0.897
概念上的		- - - - - -	0.144	0.019
程序上的			- - - - - -	0.192
元认知				- - - - - -

尽管如此,这仍然是一个开放的挑战在未来的研究计划。MKN的结果分析可以揭示认知需求增加的原因,指出知识的漏洞(更具体和识别知识单元教学策略的需要修改),从而指导设计和优化的学习结果。因此,之间的关系的结构信息和外部表征的知识应该追求的识别概念发挥关键作用的“基本构建块”-入度节点单层网络和比较结果从投影MKN生成;检测高中间状态的概念,揭示了胶的概念域在MKN和高价值的偏心检测概念,可以在减少必要的学习努力而获得更复杂的概念;集群的识别concepts-communities可以导致更好的规划的讲座;和理解知识的认知差距层可以减少超载新手的负担。

一般来说,选择知识维度的水平可以影响外部表示采用的信息,包括认知过程的激活。表征模型不足,学习过程可以通过避免阻碍连贯的知识单元,进而可能导致结构域模型在知识获取上的弱点。

6。结论

由纪律的学习一般来说,最具挑战性的问题之一是知识结构的形成和表示的研究中学习。目标通常是通过表达专家(教师)的知识,这是假定组织良好,连贯的,由丰富的经验关于这个话题52]。最近面向认知的研究学习涉及知识结构之间有密切的关系和它的内容与认知结构和学习者的交互过程,信息的能力。因此,这支持的知识体系是一个相互交织的网络,根据一个人的心智模型不同,先验知识和偏好。了解科学知识的结构通常是指拓扑特性一致性和应急关键概念及其相互联系的高度相关。因此,Koponen和Nousiainen (1)强调连贯性一个清晰的和有用的概念和设计教育解决方案;必须有一个链连接一致性的操作措施用来描述知识网络。萧(50]用宏观的网络措施量化的结构单层网络心理学领域的概念,试图识别和优先考虑的“粘合剂”概念的网络和显示内部表示学生的知识地图可以预期的指标性能特别是固有的各种学习方式。因此,进步可以通过更好的个性化的内容。在这项研究中,我们已经达成了进一步提出了一种多层组织外部知识的表示模型的选择。为此,我们提出了建模根据修改后的布鲁姆的分类在多维知识网络(MKN)。

最近,一些进步向流更多的光在这个雄心勃勃的爪子的方式追求未来的研究任务。一些研究表明,多层或多路表示足够的认知表征模型的建模方法。斯特拉(45]表明,全球和多层次的心理词典获取词汇学习的早期语言能力更好的模型和量化的信息,尤其强调的重要性亲密中心扩散的激活模式。因此,研究动力学知识获取的电子学习系统可以是至关重要的。德阿鲁达等人在64年)已经表明了,真正的自已避免随机游走模型可以有效地获取知识的动力,是专门放置的核心网络。

的引导下,发现在概念和认知网络的研究1- - - - - -4,6,8,13,14,22,36,37,39,41,46,49,50,52,59,64年,65年),应用概念图学习法表示的知识体系数据库域复杂的网络。具体来说,我们提出一个多维知识网络(MKN)基于多层网络,每一层构成的事实,概念、过程、元认知知识。层的节点或知识单元的概念,和边加权对修改后的布鲁姆的认知学习水平。此外,我们引入两个的预测米:层间投影和单层预测。拟议中的层间预测与单层比较特征投影的中心措施:学位中心,接近中心,中间性中心和偏心。研究显示指标的概念,支持与先前介绍的更多的概念,知识获取的主导作用,从一个视图的知识结构和内容。这可以使用更好的规划和组织内容的在线学习系统,独特的装备在一起的连续评估学生的进步,从而导致系统的更好的适应。

此外,结果表明MKN是适当的模型来研究的重要性和分组的概念,目标向更高效的组织概念。我们的研究表明,知识组织的原则的概念使检测的候选入口点的导航路径或那些获得更高层次的认知域,因此是至关重要的减少或增加认知负荷在学习。这些特性也认可(51)的关键概念是中央从主题内容的丰富性的角度以及与学习效果。一个重要,但是的,解决问题是不完全的知识网络的建设如何直接影响导航路径的效率在学习,特别是对获取知识的最高水平的复杂性。

考虑的重要性研究复杂网络的理解和模拟认知过程,知识维度之间的相关性。虽然有很大相似性关于单层网络中的关键概念,assortativity和最短路径距离值可以显示元素的知识结构,学习者可以快速激活,适用于提高学生的知识。这当然取决于个人的心智模式,他们的先验知识,认知功能(工作记忆和长期记忆系统的交互),以及导航模式,学习风格和偏好。结果表明,小心建模带来不同的观点到建模的外部知识和结果在一个更全面的了解知识应该组织不同层次的认知负荷。这是符合报告的结果(36),作者强调了早期语言学习需要多路复用/单层表示因为它允许量化过程中不同的阶段。

事实的分析层提供了量化研究分裂问题(缺乏事实之间建立连接到一个更广泛的领域知识系统(15,38通过计算网络的措施)。这是一个一步缩小之间的差距分裂的事实性知识和更深入的水平或集成系统在自适应学习系统中领域知识的组织。除了不同的策略的知识和认知任务的知识,元认知知识还包括一个自我意识能力的领域。因此,没有自我意识的缺乏在任何事实,概念或程序层,它不太可能,学生将在收购取得任何进展或构建额外的知识。

在这项研究中,我们找一个更好的外部知识的表示,从而在更全面的见解的知识应该如何组织不同层次的认知负荷。为此,我们提出根据修改后的布鲁姆的分类建模。我们已经证实,小心建模流不同的观点到建模的外部知识表示。不过,还有开放的挑战我们应该如何建模和量化方法的内部学生的域模型。

尽管MKN的有前景的结果,仍有许多开放的研究问题,我们计划在未来的研究解决。具体而言,这包括向电子学习系统的应用结果,适应学生的现有的知识水平,并建议最好的导航路径通过的学习内容和量化学生的进步。此外,我们应该选择减少MKN提出模型的复杂性,在结构性还原性提出(63年可以作为起点。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作已经在部分支持大学的里耶卡项目数字uniri-drustv-18-20和uniri-drustv-18-38之下。

补充材料

补充文本1:网络结构分析全球和地方。补充图S1:单层网络在应用力的可视化图谱布局算法。补充图S2:亲密的可视化中心在一个单层网络。节点亲密值高的颜色深,而那些较低的值是轻的。补充图S3:可视化的中间性单层网络中心。节点中间性高值是深色,而那些较低的值是打火机。补充图S4:可视化的偏心单层网络。高的节点偏心值是深蓝色的,而那些较低的值是棕色的。(补充材料)

引用

i t Koponen和m . Pehkonen”一致的物理知识结构表示为概念在教师教育网络,”科学与教育,19卷,不。3、259 - 282年,2010页。视图:出版商的网站|谷歌学术搜索
i t Koponen和m . Nousiainen”造型学生知识组织:系谱概念网络,”自然史答:统计力学及其应用卷,495年,第417 - 405页,2018年。视图:出版商的网站|谷歌学术搜索
即Koponen和m . Nousiainen“职前物理教师的理解物理概念的关系结构:组织主题内容为目的的教学,“国际期刊的科学和数学教育,11卷,不。2、325 - 357年,2013页。视图:出版商的网站|谷歌学术搜索
i t Koponen、t . Kokkonen和m . Nousiainen“动态系统的学习一门三层理论物理学:强劲的学习结果,“复杂性,21卷,不。S2, 259 - 267年,2016页。视图:出版商的网站|谷歌学术搜索
卡纳斯,j .科菲·m·卡诺,p . j . Feltovich”相关的文献的摘要教育概念映射技术和技术的使用和性能的支持,“技术代表、海军教育和培训,彭萨科拉,FL,美国,2003年,技术报告。视图:谷歌学术搜索
i t . Koponen m . Nousiainen和m . Nousiainen”概念网络学习:在学习者找到关键概念表征科学知识的相互关联的结构。”复杂网络杂志,卷2,不。2、187 - 202年,2014页。视图:出版商的网站|谷歌学术搜索
b·布鲁姆m . Englehart e·福斯特et al .,分类教育的目的:教育目标的分类”。手册我:认知领域,郎曼书屋绿色& Co .,纽约,纽约,美国,1956年。
c . s .问:萧d·伍尔夫,n . m . Beckage和y . n . Kenett”认知网络科学:回顾研究认知网络表示通过镜头,流程,和动力,”复杂性卷,2019篇文章ID 2108423, 24页,2019。视图:出版商的网站|谷歌学术搜索
m . NadrljanskiĐ。Vukić,Đ。Nadrljanski,“电子学习,多代理系统”学报》第41届国际会议在信息和通信技术,电子和Microelectronics-MIPRO2018年5月,奥,克罗地亚,。视图:谷歌学术搜索
r . Noldus和p . Van Mieghem Assortativity复杂网络,”复杂网络杂志,3卷,不。4、507 - 542年,2015页。视图:出版商的网站|谷歌学术搜索
b . a . Schwendimann”概念地图作为通用的工具集成复杂的想法:从幼儿园到高等专业教育,“知识管理和电子学习:国际期刊,7卷,不。1,第99 - 73页,2015。视图:出版商的网站|谷歌学术搜索
c . s .问:萧和m . s . Vitevitch唱片语言网络:利用网络科学研究语言的语音和拼写相似结构,”实验心理学杂志》:一般,卷148,不。3、475 - 500年,2019页。视图:出版商的网站|谷歌学术搜索
m·斯特拉”,队列和押韵启动摆脱心理词典的多路网络结构,”复杂性ID 6438702条,卷。2018年,14页,2018。视图:出版商的网站|谷歌学术搜索
m·斯特拉·n·m·Beckage m .刺绣和m . De Domenico”心理词典多路复用模型,揭示了炸药学习人类,”科学报告,8卷,不。1,p。2259年,2018。视图:出版商的网站|谷歌学术搜索
c . Bereiter和m . Scardamalia“超越布鲁姆的分类:反思知识的知识时代,”国际教育手册的改变a·哈格里夫斯,a·利伯曼m: et al .,。,pp. 675–692, Kluwer Academic Publishers, London, UK, 1998.视图:谷歌学术搜索
l·w·安德森·d·r·Krathwohl p . w . Airasian et al。分类学习、教学和评估:修订布鲁姆的教育目标分类学皮尔森,纽约,纽约,美国,2001年。
a . Amer“反思布鲁姆的分类,修正”电子教育心理学的研究》杂志上,4卷,不。1,第230 - 213页,2006。视图:谷歌学术搜索
f . Radmehr m·德雷克,“修订布鲁姆的分类和积分:开箱的知识维度,“国际数学教育在科学和技术杂志》上,48卷,不。8,1206 - 1224年,2017页。视图:出版商的网站|谷歌学术搜索
A.-L。巴巴斯和m . Posfai网络科学英国剑桥,剑桥大学出版社,2016年。
f . Battiston诉尼科西亚,诉Latora”指标为分析多路网络”,物理评论E文章ID 032804卷,89年,2014年。视图:谷歌学术搜索
l . F da Costa F·a·罗德里格斯g . Travieso和p . r .别墅,“复杂网络的特征:调查测量,”物理学的进步卷,56号1,第242 - 167页,2007。视图:出版商的网站|谷歌学术搜索
a . Baronchelli r . Ferrer-I-Cancho r . Pastor-Satorras n .蔡特·m·h·克里斯琴森,“网络在认知科学,”认知科学趋势,17卷,不。7,348 - 360年,2013页。视图:出版商的网站|谷歌学术搜索
a .唯一的a .竞技场,戈麦斯,“多路网络的最短路径多样性对交通拥堵的影响,“新物理学杂志,21卷,不。第三条ID 035003, 2019。视图:出版商的网站|谷歌学术搜索
j·卡迪罗,m . Gomez-Gardenes m . Zanin et al .,“从multiplexity出现的网络特性,”科学报告,3卷,不。1,p。1344年,2013。视图:出版商的网站|谷歌学术搜索
j . f .董h·c·h·舒尔茨:马文,y邹,和j . Kurths”调查互动网络的拓扑结构,欧洲物理期刊B,卷84,不。4、635 - 651年,2011页。视图:出版商的网站|谷歌学术搜索
j .高d·李,美国Havlin”从一个网络的网络,网络”国家科学评论,1卷,不。3、346 - 356年,2014页。视图:出版商的网站|谷歌学术搜索
l·达丰托拉哥”,学习知识:复杂网络的方法,”物理评论E,卷74,不。2、文章ID 026103, 2006。视图:出版商的网站|谷歌学术搜索
m . Berlingerio m . Coscia f . Giannotti a . Monreale和d . Pedreschi“多维网络分析的基础,”《社交网络分析和挖掘的进步(ASONAM),485 - 489卷,高雄,台湾,2011年8月。视图:谷歌学术搜索
m·德·多梅尼科a .独家——Ribalta大肠Cozzo et al .,“多层网络的数学公式,”物理评论X,3卷,不。4、041022 - 041037年,2013页。视图:出版商的网站|谷歌学术搜索
m·德·多梅尼科·m·a·波特,a .竞技场”MuxViz:多层网络的分析和可视化工具,”复杂网络杂志,3卷,不。2、159 - 176年,2015页。视图:出版商的网站|谷歌学术搜索
m . Kivela竞技场,m·巴特尔米j·p·格里森y莫雷诺,和m·a·波特“多层网络,”复杂网络杂志,卷2,不。3、203 - 271年,2014页。视图:出版商的网站|谷歌学术搜索
m . Kurant和p . Thiran“分层复杂网络,”物理评论快报,卷96,不。13日,138701 - 138705年,2006页。视图:出版商的网站|谷歌学术搜索
s . o . Tergan”数字概念图来管理知识和信息知识和信息可视化施普林格,页185 - 204年,柏林,德国,2005年。视图:谷歌学术搜索
s . Boccaletti g . Bianconi r . Criado et al .,“多层网络的结构和动力学,物理的报告,卷544,不。1、1 - 122、2014页。视图:出版商的网站|谷歌学术搜索
s . Martinčić-Ipšićd Margan, a . Meštrović“多层网络的语言:一个统一的框架语言子系统的结构分析,“自然史答:统计力学及其应用卷,457年,第128 - 117页,2016年。视图:出版商的网站|谷歌学术搜索
m·斯特拉·n·m·Beckage和m .刺绣,“多路复用词汇网络揭示儿童早期词习得模式,”科学报告,7卷,不。1,p。46730年,2017。视图:出版商的网站|谷歌学术搜索
g . Rosell-Tarrago大肠Cozzo, A . Diaz-Guilera”一个复杂的网络框架模型认知:公布相关结构的连接,”复杂性卷,2018篇文章ID 1918753, 19页,2018。视图:出版商的网站|谷歌学术搜索
j·d·Branslord a·l·布朗和r . r .竖起人们如何学会:大脑,思想、经验和学校吗,国家科学院出版社。,Washington, DC, USA, 1999.
i t Koponen和m . Pehkonen熵和能量特征的组织概念图学习科学,”熵,12卷,不。7,1653 - 1672年,2010页。视图:出版商的网站|谷歌学术搜索
f . Safayeni: Derbentseva, A . j .卡纳斯”理论在概念和需要注意循环概念地图,”研究在科学教学杂志》上,42卷,不。7,741 - 766年,2005页。视图:出版商的网站|谷歌学术搜索
n . m . Beckage和大肠Colunga语言认知的网络模型:通过语言了解认知,”对一个理论框架来分析复杂的语言网络。理解复杂的系统答:梅勒,a .高年级队美国Banisch et al .,。页3-28 Springer,柏林,德国,2016年。视图:谷歌学术搜索
即Gurevych”,使用概念网络的结构计算语义相似度。,“在自然语言Processing-IJCNLP 2005年计算机科学的课堂讲稿,KF r .戴尔。苏黄,j . et al .,。,卷。3651,Springer, Berlin, Germany, 2005.视图:谷歌学术搜索
j·b·巴蒂斯塔l·f·科斯塔:“知识获取的网络互动代理商在观察错误,”物理评论E,卷82,不。1,文章ID 016103, 2010。视图:出版商的网站|谷歌学术搜索
m . s . Vitevich n·卡斯特罗,“科学使用网络语言和诊所。”国际语言语音病理学杂志》上,17卷,不。1,这边是,2015页。视图:出版商的网站|谷歌学术搜索
m·斯特拉和y . n . Kenett”生存在多路复用词汇网络和机器学习是人类的创造力,“大数据和认知计算,3卷,不。3 p。2019。视图:出版商的网站|谷歌学术搜索
m·斯特拉”造型早期通过多路复用词习得词汇网络和机器学习,”大数据和认知计算,3卷,不。1,p。2019。视图:出版商的网站|谷歌学术搜索
s . Beliga a Meštrović,s . Martincic-Ipsic“Selectivity-based关键词提取方法,”国际期刊在语义网和信息系统》12卷,1-26,2016页。视图:出版商的网站|谷歌学术搜索
s Beliga a Meštrović,s . Martincic-Ipsic”向基于选择性的关键字提取克罗地亚的消息,“CEUR研讨会论文集,1310卷,2014年。视图:谷歌学术搜索
i t Koponen和m . Nousiainen”词汇网络词典在科学教育教学的文献资料,”国际会议程序对复杂网络及其应用施普林格,页15 -,葡萄牙里斯本,2019年12月。视图:谷歌学术搜索
c·s·萧,“使用网络科学分析心理学本科生的概念地图,”应用认知心理学,33卷,不。4、662 - 668年,2019页。视图:谷歌学术搜索
e . Yli-Panula A Virta, k . Merenluoto”用图的角度对物理课程的内容结构及其与学生学习的关系收益,”学习、教学和增长到Teacherhood Subject-Didactical研究的光图尔库大学,页55 - 71,图尔库,芬兰,2011年。视图:谷歌学术搜索
g . Scardoni和c . Laudanna中心建立复杂网络的分析,“图论的新领域张,y,艾德,页323 - 348,Intech开放,伦敦,英国,2012年。视图:谷歌学术搜索
k . m . Carley”网络文本分析:概念的网络位置,”文本分析的社会科学Ed, c·w·罗伯茨,页。79 - 102年,劳伦斯Erlbaum Associates Mahwah,新泽西,美国,1997年。视图:谷歌学术搜索
答:大肠有争议,a·p·s·德·莫拉y . c .赖和p . Dasgupta“拓扑”的概念网络语言,物理评论E-Statistical物理、等离子体、液体和跨学科主题相关,卷65,不。6、2002。视图:出版商的网站|谷歌学术搜索
g . Bianconi s Dorogovtsev和j·门德斯,“网络的网络相互连接的组成部分,”物理评论E,卷91,不。1,文章ID 012804, 2015。视图:出版商的网站|谷歌学术搜索
e·埃斯特拉达,j . Gomez-Gardenes传染性揭示了一个过渡到多路复用网络、协调行为”物理评论E,卷89,不。4、文章ID 042819, 2014。视图:出版商的网站|谷歌学术搜索
g . Menichetti d . Remondini p . Panzarasa Mondragon公司r, g . Bianconi,“加权多路网络,”《公共科学图书馆•综合》,9卷,不。6篇文章ID e97857 2014。视图:出版商的网站|谷歌学术搜索
j .高诉Buldyrev, h·e·斯坦利和s . Havlin”网络由相互依存的网络”,自然物理,8卷,不。1,40-48,2012页。视图:出版商的网站|谷歌学术搜索
r·e·Krathwohl”修订布鲁姆的分类:概述,“理论付诸实践第41卷。。4、213 - 218年,2002页。视图:出版商的网站|谷歌学术搜索
m·巴斯蒂安·s·海曼,m . Jacomy”Gephi:探索和操纵网络的开放源码软件,”《国际AAAI会议在博客和社交媒体美国加利福尼亚州圣何塞,2009。视图:谷歌学术搜索
诉尼科西亚诉Latora,“多路网络测量和莫德尔相关性”,物理评论E、统计、非线性和软物质物理学,卷92,不。第三条ID 032805, 2015。视图:出版商的网站|谷歌学术搜索
诉他们,J.-L。Guillaume、r . Lambiotte和e . Lefebvre“快速展开的大型网络社区,”杂志的统计力学:理论和实验,卷2008,不。10篇文章ID P10008 2008。视图:出版商的网站|谷歌学术搜索
m . De Domenico诉尼科西亚,a .阿里纳斯和诉Latora,“结构性还原性的多层网络,”自然通讯》第六卷,没有。1,p。6864年,2015。视图:出版商的网站|谷歌学术搜索
h·f·德阿鲁达,f . n .席尔瓦l d。f·科斯塔和d·r·Amancio“知识获取:复杂网络的方法,”信息科学卷,421年,第166 - 154页,2017年。视图:出版商的网站|谷歌学术搜索
r·巴内特实现大学一个Supercomplexity的时代40卷,社会对高等教育的研究与开放大学出版社,费城,宾夕法尼亚州,美国,2000年。

复杂性

文摘