Phase 0-2: Schema cleanup, typed relations, event-driven automation

- Phase 0: AGENTS.md cleanup (dedup quotes, renumber sections, merge qmd) - Phase 1: typed relations (manage-relations.py, graph-search.py, check-staleness.py, detect-conflicts.py) - Phase 2: frontmatter validator, weekly lint, knowledge promotion, git hooks - Fix .gitignore to track tools/ and .githooks/ - Fix git remote URL (remove plaintext token) - New wiki pages: 504 pages, 34 raw sources
2026-07-01 08:05:43 +08:00
parent e544d6e04a
commit a6f05ab2d5
1067 changed files with 522992 additions and 819 deletions
@@ -0,0 +1,129 @@
+---
+categories:
+  - "[[LLM Wiki]]"
+tags:
+  - wiki
+  - concept
+  - knowledge-space-theory
+  - adaptive-learning
+  - educational-theory
+created: 2026-04-20
+source: "[[教学大模型发展状况深度研究报告-20260415]]"
+type: concept
+aliases:
+  - 知识空间理论
+  - Knowledge Space Theory
+  - KST
+---
+
+# 知识空间理论
+
+知识空间理论（Knowledge Space Theory, KST）是数学化教育理论，用于形式化学生知识状态和知识结构。由 Doignon 和 Falmagne 于 1999 年提出，是自适应学习和智能辅导系统的理论基础。
+
+## 定义
+
+知识空间理论通过数学方法描述学生在特定知识域中的掌握情况，包括：
+- **知识状态（Knowledge State）**：学生已掌握的知识点集合
+- **知识结构（Knowledge Structure）**：知识点之间的先决关系网络
+- **学习路径（Learning Path）**：从当前状态到目标状态的最优序列
+
+## 核心概念
+
+### 知识状态
+
+知识状态是学生在特定领域已回答正确的所有问题的集合。
+
+```
+示例：加法知识域
+
+知识点：1+1, 1+2, 2+2, 2+3, 3+3, ...
+
+学生A的知识状态 = {1+1, 1+2, 2+2}
+学生B的知识状态 = {1+1, 1+2, 2+2, 2+3, 3+3}
+```
+
+### 知识结构
+
+知识结构是问题之间的依赖关系网络，表示学习的前置条件。
+
+```
+依赖关系示例：
+
+1+1  →  前置条件
+1+2  →  依赖1+1
+2+2  →  依赖1+1
+2+3  →  依赖1+2
+3+3  →  依赖1+1和1+2
+```
+
+### 学习路径
+
+学习路径是知识空间中的最优探索路径，根据学生当前状态动态规划。
+
+```
+┌─────────────────────────────────────────────────────────────┐
+│              知识空间中的学习路径规划                         │
+├─────────────────────────────────────────────────────────────┤
+│                                                             │
+│  当前状态 → 选择下一个问题 → 回答正确？                     │
+│                ↓                          ↓                │
+│            否（提示）                  是（更新状态）        │
+│                ↓                          ↓                │
+│            尝试相同问题              选择下一个问题         │
+│                ↓                          ↓                │
+│          回到当前状态              检查是否达到目标       │
+│                                       ↓                │
+│                                   是（完成）          │
+│                                                             │
+└─────────────────────────────────────────────────────────────┘
+```
+
+## 核心算法
+
+知识空间理论的核心算法包括：
+
+1. **状态评估**：根据学生回答更新知识状态
+2. **路径规划**：在知识空间中寻找从当前状态到目标状态的最优路径
+3. **难点识别**：识别学生未掌握的知识点
+4. **自适应调整**：根据学生表现动态调整学习内容
+
+## 实践应用
+
+| 产品 | 应用方式 | 效果 |
+|------|----------|------|
+| **Carnegie Learning** | 基于知识空间理论的数学辅导 | 30年ITS积淀，550万+学生 |
+| **ALEKS** | 知识追踪算法 | 精准诊断知识空白 |
+| **Khanmigo** | 结合LLM的智能推理 | 苏格拉底式引导 |
+
+## 核心优势
+
+1. **数学严谨**：有坚实的数学理论基础
+2. **精准诊断**：一次性评估即可确定知识状态
+3. **完全个性化**：每个学生的学习路径都是独特的
+4. **效率优化**：避免重复学习已掌握内容
+
+## 局限性
+
+1. **知识工程复杂**：需要大量人工构建知识图谱
+2. **扩展性受限**：新增学科或知识域成本高
+3. **维护成本高**：知识结构更新需要专家参与
+
+## LLM时代的新发展
+
+随着大语言模型的发展，知识空间理论正在与LLM结合：
+
+- **LLM自动构建知识结构**：用LLM从文本中提取知识点和依赖关系
+- **动态知识空间**：LLM可以根据对话实时更新知识空间
+- **混合推理**：知识空间约束 + LLM生成 = 更准确的教育内容
+
+## 相关概念
+
+- [[ITS（智能辅导系统）]] — 应用知识空间理论的系统
+- [[知识追踪]] — 技术实现
+- [[自适应学习]] — 学习理念
+- [[Carnegie Learning]] — 代表性实践
+- [[ALEKS]] — 商业化产品
+
+## 来源
+
+- [[教学大模型发展状况深度研究报告-20260415]] — 知识空间理论、知识追踪、应用案例