INTELLIGENT LEARNING SYSTEMS: TRANSFORMING TABULAR DATA OF EDUCATIONAL CONTENT IN THE ONTOLOGICAL MODEL

Костянтин Ткаченко; Ольга Ткаченко; Олександр Ткаченко

doi:10.28925/2663-4023.2025.31.1043

Автор(и)

Костянтин Ткаченко Державний університет "Київський авіаційний інститут" https://orcid.org/0000-0003-0549-3396
Ольга Ткаченко Національний транспортний університет https://orcid.org/0000-0003-1800-618X
Олександр Ткаченко Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" https://orcid.org/0000-0001-6911-2770

DOI:

https://doi.org/10.28925/2663-4023.2025.31.1043

Ключові слова:

табличні дані, перетворення даних, онтологія, онтологічна модель, інформаційна система навчання, інформаційна система навчання з елементами інтелектуалізації, навчальний контент

Анотація

У статті пропонується автоматизувати процес формування онтологій на основі аналізу та перетворення табличних даних складних структур, що є освітнім контентом у сучасних інтелектуальних (або інформаційних системах з елементами інтелектуалізації) навчальних системах. Представлено підхід, який забезпечує відновлення семантики табличних даних, а також концептуалізацію та формалізацію табличного змісту освітнього контенту у вигляді онтології. Наведено основні етапи підходу. Описані інструменти можуть бути використані для вирішення практичних задач забезпечення освітнього контенту в інформаційних навчальних системах. Як вихідні дані використовувався освітній контент, представлений у вигляді таблиць бази даних системи. Запропонований підхід доцільно використовувати для прототипування предметних онтологій. У цій статті розглядається створення інтелектуальних навчальних систем з урахуванням усіх можливостей, що надаються перетворенням таблично визначеного освітнього контенту у відповідну багаторівневу онтологічну модель. Запропонований онтологічний підхід дозволяє реалізувати навчальні процеси, підтримуючи спільне використання загального освітнього контенту, що зберігається в табличній формі, за допомогою онтологічної моделі. У цій статті аналізуються основні проблеми представлення складних табличних даних в онтологічній моделі, що використовується для опису освітнього контенту. Пропонується використовувати гібридні методи побудови онтологій, табличний аналіз, а також логіко-евристичні підходи до визначення сутностей і ключових стовпців для аналізу та обробки таких даних. Онтологію можна побудувати для конкретної теми досліджуваної академічної дисципліни, використовуючи подібні дані з різних джерел. Такий підхід дозволить відобразити різноманітні концептуальні формулювання, врахувати різноманітні перспективи та усунути суб'єктивність конкретного джерела. Використання семантичних словників дозволяє об'єднати практично будь-який набір даних в єдину онтологію для подальшого вирішення різних проблем, пов'язаних з навчальним процесом.

Завантаження

Дані завантаження ще не доступні.

Посилання

Liu, G. Z. (2017). A key step to understanding paradigm shifts in E-learning: Towards context-aware ubiquitous learning. British Journal of Educational Technology, 41(2), E1–E9.

Scherer, M. U. (2016). Regulating artificial intelligence systems: Risks, challenges, competencies, and strategies. Harvard Journal of Law & Technology, 29(2).

Stancin, K., Poscic, P., & Jaksic, D. (2020). Ontologies in education – State of the art. Education and Information Technologies, 25, 5301–5320. https://doi.org/10.1007/s10639-020-10226-z

Munira, K., & Anjumb, M. S. (2017). The use of ontologies for effective knowledge modelling and information retrieval. Applied Computing and Informatics. https://doi.org/10.1016/j.aci.2017.07.003

Bouarab-Dahmani, F., Comparot, C., Si-Mohammed, M., & Charrel, P. J. (2015). Ontology-based teaching domain knowledge management for e-learning by doing systems. The Electronic Journal of Knowledge Management, 13(2), 155–170.

Tkachenko, K. O. (2022). Using ontological modeling by intellectualization of learning processes. Digital Platform: Information Technologies in Sociocultural Sphere, 5(2), 261–270. https://doi.org/10.31866/2617-796X.5.2.2022.270130

Alfaifi, Y. H. (2022). Ontology development methodology: A systematic review and case study. In Proceedings of the 2nd International Conference on Computing and Information Technology (ICCIT). https://doi.org/10.1109/ICCIT52419.2022.9711664

Tkachenko, O., Tkachenko, K., & Tkachenko, O. (2020). Designing complex intelligent systems on the basis of ontological models. In Proceedings of the Third International Workshop on Computer Modeling and Intelligent Systems (CMIS-2020) (pp. 266–277).

Gavrilova, T. (2014). Building collaborative ontologies: A human factors approach. In P. Diviacco, P. Fox, C. Pshenichny, & A. Leadbetter (Eds.), Collaborative Knowledge in Scientific Research Networks (pp. 305–324). IGI Publishing.

Sowa, J. (n.d.). Building, sharing and merging ontologies. http://www.jfsowa.com/ontology/ontoshar.htm

Bonfitto, S., Casiraghi, E., & Mesiti, M. (2021). Table understanding approaches for extracting knowledge from heterogeneous tables. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 11(4), e1407. https://doi.org/10.1002/widm.1407

Liu, J., Chabot, Y., & Troncy, R. (2023). From tabular data to knowledge graphs: A survey of semantic table interpretation tasks and methods. Journal of Web Semantics, 76, 100761. https://doi.org/10.1016/j.websem.2022.100761

Burov, E. V. (2012). Conceptual modeling of intelligent software systems. Lviv Polytechnic Publishing House. (in Ukrainian)

Jiménez-Ruiz, E., Hassanzadeh, O., Efthymiou, V., Chen, J., & Srinivas, K. (2020). Resources to benchmark tabular data to knowledge graph matching systems. In The Semantic Web. ESWC 2020 (Vol. 12123). Springer. https://doi.org/10.1007/978-3-030-49461-2_30

Gomez-Vazquez, M., Cabot, J., & Clarisó, R. (2024). Automatic generation of conversational interfaces for tabular data analysis. In Proceedings of the 6th ACM Conference on Conversational User Interfaces (CUI '24) (pp. 1–6). https://doi.org/10.1145/3640794.3665577

Yavorskyi, D. S., & Tkachenko, O. I. (2024). Some aspects of software mapping of tabular data of complex structure into an ontological model. In Proceedings of the V International Scientific and Practical Conference on Management and Administration in the Conditions of Countering Hybrid Threats to National Security (pp. 642–645). (in Ukrainian)

Tkachenko, O. I., & Tkachenko, O. A. (2017). Some aspects of situational-semantic modeling of complex objects, processes and systems. Journal Water Transport, 1(26), 129–133.

List, C. (2018). Levels: Descriptive, explanatory, and ontological. http://eprints.lse.ac.uk/87591/1/List_Levels_descriptive_2018.pdf

Edgington, T., Choi, B., Henson, K., Santaman, R., & Vinze, A. (2004). Adopting ontology to facilitate knowledge sharing. Communications of the ACM, 47(11), 85–90. https://doi.org/10.1145/1029496.1029499

Takeoka, K., Oyamada, M., Nakadai, S., & Okadome, T. (2019). Meimei: An efficient probabilistic approach for semantically annotating tables. In Proceedings of the AAAI Conference on Artificial Intelligence, 33(1), 281–288. https://doi.org/10.1609/aaai.v33i01.3301281

Kruit, B., Boncz, P., & Urbani, J. (2019). Extracting novel facts from tables for knowledge graph completion. In Proceedings of the 18th International Semantic Web Conference (ISWC 2019) (pp. 364–381). https://doi.org/10.1007/978-3-030-30793-6_21

Zhang, S., & Balog, K. (2020). Web table extraction, retrieval, and augmentation: A survey. ACM Transactions on Intelligent Systems and Technology, 11(2), 1–35. https://doi.org/10.1145/3372117

W3C. (n.d.). Generating RDF from tabular data on the web. https://www.w3.org/TR/csv2rdf/

Iida, H., Thai, D., Manjunatha, V., & Iyyer, M. (2021). TABBIE: Pretrained representations of tabular data. In Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics (pp. 3446–3456). https://doi.org/10.18653/v1/2021.naacl-main.270

Debellis, M. (2021). A practical guide to building OWL ontologies using Protégé 5.5 and plugins. https://www.researchgate.net/publication/351037551

Protégé. (n.d.). https://protege.stanford.edu

Fawei, B., Pan, J. Z., Kollingbaum, M., & others. (2019). Semi-automated ontology construction for legal question answering. New Generation Computing, 37, 453–478. https://doi.org/10.1007/s00354-019-00070-2

Data Integration: Using ETL, EAI, and EII Tools to Create an Integrated Enterprise. (2007). http://www.tdwi.org/Publications/WhatWorks/display.aspx?id=7979

Majid, M., Hayat, M. F., Khan, M. F., & Ahmad, F. M. (2021). Ontology-based system for educational program counseling. Intelligent Automation and Soft Computing, 30(1), 373–386. https://doi.org/10.32604/iasc.2021.017840

Sanfilippo, E. M. (2018). Feature-based product modelling: An ontological approach. International Journal of Computer Integrated Manufacturing, 31(11), 1097–1110. https://doi.org/10.1080/0951192X.2018.1497814

Ziemer, J. (2025). Configurable Ontology to Data Model Transformation (CODT) [Patent].

Tijerino-Embley, D. W., Lonsdale, D. W., & Ding, Y. (2005). Towards ontology generation from tables. World Wide Web, 8(3), 261–285. https://doi.org/10.1007/s11280-005-0360-8

Mansurova, M., Barakhnin, V., Ospan, A., & Titkov, R. (2023). Ontology-driven semantic analysis of tabular data: An iterative approach with advanced entity recognition. Applied Sciences, 13(19), 10918. https://doi.org/10.3390/app131910918

Schreiber, G., Wielinga, B., & Jansweijer, W. (2003). The KACTUS view on the “O” word. https://www.researchgate.net/publication/2942056

Corea, C., Fellmann, M., & Delfmann, P. (2020). Ontology-based process modelling – Will we live to see it? https://doi.org/10.48550/arXiv.2107.06146

Nagypál, G. (n.d.). Ontology development methodologies for ontology engineering. https://link.springer.com/chapter/10.1007/3-540-70894-4_4

Fensel, D., van Harmelen, F., Klein, M., & Akkermans, H. (n.d.). On-To-Knowledge: Ontology-based tools for knowledge management. https://www.researchgate.net/publication/2412399

NeOn Project. (n.d.). https://oeg.fi.upm.es/index.php/en/completedprojects/8-neon/index.html

AIMS. (n.d.). The NeOn project. https://aims.fao.org/projects/neon

Khan, A. (n.d.). 5 tools to create your ontologies. https://www.lettria.com/blogpost/5-tools-to-create-your-ontologies

Elixir Europe. (n.d.). Ontology-related tools and services. https://faircookbook.elixir-europe.org/content/recipes/interoperability/ontology-operations-tools.html

Cognitum. (n.d.). Fluent Editor. https://www.cognitum.eu/semantics/fluenteditor/

OntoStudio. (n.d.). https://www.w3.org/2001/sw/wiki/OntoStudio

Weiten, M. (n.d.). OntoSTUDIO® as an ontology engineering environment. https://link.springer.com/chapter/10.1007/978-3-540-88845-1_5

Sure-Vetter, Y., Angele, J., & Staab, S. (2003). OntoEdit: Multifaceted inferencing for ontology engineering. In Lecture Notes in Computer Science (pp. 128–152). https://doi.org/10.1007/978-3-540-39733-5_6