综述：基于本体对齐的图学习方法整合异构平台学习分析数据

这篇综述创新性地提出采用图数据库（GraphDB）和本体论（Ontology）技术解决教育大数据异构性问题，通过构建学生表现与课程（SPC）本体模型，实现跨平台学习分析（LA）数据的集成与检索。研究聚焦高等教育机构（HEI）资源分配、课程监控及慕课（MOOC）评估三大场景，开发了支持SPARQL查询的四阶段方法论（定义域→创建本体库→检索策略→评估），为教育决策提供ACID兼容的语义化解决方案。

　　

背景
教育领域正面临数据爆炸的挑战，传统关系型数据库（RDBMS）难以处理来自学习管理系统（LMS）、学生信息系统（SIS）等异构平台的海量数据。与NoSQL数据库相比，图数据库凭借其原子性、一致性、隔离性和持久性（ACID）特性，成为整合教育大数据的理想选择。研究团队从多所高校的现有本体（如HERO、CURONTO、Bologna）中汲取灵感，构建了专用于学习分析的SPC本体模型。

方法细节
研究采用四阶段框架：

1. 定义域范围：通过访谈6位教育专家（含2名MOOC专家），提炼出25个核心问题（CQ），例如"某课程当前学期注册学生数"、"历史授课教师名单"等。
2. 创建本体库：复用FOAF等现有本体类，新增21个核心类（如Person、Course、MOOCassessment）和29种对象属性（如belong_to、has_grade），使用Protégé构建OWL本体并通过TDDonto2验证。
3. 检索策略：将CQ转化为SPARQL查询，例如检索"高危学生"的查询包含加权分数<49的过滤条件。
4. 评估体系：采用混淆矩阵计算准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F₁
   分数，测试数据来自两所高校多媒体专业。

创新亮点
SPC本体突破性地实现：

• 跨院校数据对比：通过统一URI标识解决数据冗余
• 多维度监控：同时支持传统课程（如"课程A"成绩分布）与MOOC（如完成率）分析
• 细粒度权限：院系管理员获宏观视图（图2），教师查看所授班级细节（图3）

局限与展望
数据预处理需耗费大量时间进行TTL格式转换，且URI设置需绝对精确以避免数据丢失。未来可探索自动化数据清洗流程，并扩展至K12教育领域。

伦理声明
研究获马来西亚技术大学伦理委员会批准（Ref. No: UTeM. 11 0.02/500–25/1/4 vol. 3(16)），所有数据均经匿名化处理。