知識統合とは、複数の知識モデルや表現を合成して、共通のモデル（表現）にするプロセスである。異なるスキーマを持つデータを統合する情報統合とは異なり、知識統合は、特定の主題に関する様々な視点からの理解を組み合わせることを重視する。例えば、学生の成績の集合は複数の方法で解釈でき、統合された見解では、学生の成績指標のような共通モデルを用いて、これらの解釈を統一することがある。
この概念は、教育、認知科学、人工知能などの分野で研究されてきた。教育分野では、カリフォルニア大学バークレー校で開発されたWebベースの探究科学環境（WISE）が、知識統合理論を適用して、学生が科学的な考えを結び付けるのを支援している。AI分野では、知識統合は、新しい情報から学習し、既存の知識ベースを更新するシステムを構築する上で重要である。
理論的基盤
知識統合には、学際的なアプローチを通じて、新しい情報を既存の知識に組み込むことが含まれる。このプロセスでは、新しい知識と既存の知識がどのように相互作用するか、既存の知識を新しい情報に適合させるためにどのように修正すべきか、そして新しい情報を先行する理解に照らしてどのように適応させるべきかを決定する必要がある。新しい情報の結果を積極的に調査する学習エージェントは、知識の矛盾の解決やギャップの埋め合わせなどの学習機会を検出して活用でき、新しい情報の明示的な内容を超えて学習することができる。
人工知能への応用
人工知能では、知識統合を用いて、複数のモデルやソースからの出力を組み合わせる。例えば、大規模言語モデルは、異なるトレーニングコーパスやユーザーとのやり取りから知識を統合することがある。セマンティックマッチングなどの技術は、表現を整列させるのに役立ち、最小限のマッピングは、検証と可視化の労力を削減する。テキサス大学オースティン校のMurrayとPorterによって開発された機械学習プログラムKIは、知識エンジニアが大規模な知識ベースを構築するのを支援するために、自動および半自動の知識統合を研究するために作成された。
教育的視点
学習における知識統合の視点は、文脈を超えて考えを結び付けることで、学生が一貫した理解を構築するのを支援することを重視する。WISEは、学生が自分の考えを明確にし、洗練させることを促す探究ベースの活動を提供することで、これを支援する。Linnらの研究により、このアプローチは、複雑な科学現象について推論する学生の能力を向上させることが示されている。ウォータールー大学は、2008年に開始された知識統合学士プログラムを提供しており、学生に分野を超えて知識を統合することを教えている。
技術と課題
重要な課題は、異なる知識表現間のマッピングである。セマンティックマッチングは、概念間の対応関係を特定し、最小限のマッピングは、他のすべてのマッピングを線形時間で導出できる高品質なマッピングを提供する。これらの技術は、統合プロセスを自動化するのに役立つが、正確性を確保するために人間の監視が必要になることが多い。機械学習では、知識統合には、アンサンブル法のように複数のモデルからの予測を組み合わせたり、破滅的忘却なしに新しいデータでモデルを更新したりすることが含まれる。
今後の方向性
AIシステムがより複雑になるにつれて、知識統合は、システムが継続的に学習し、ドメインを超えて推論できるようにする上で重要な役割を果たすだろう。深層学習とニューラルネットワークの研究では、異なるモダリティやタスクから知識を統合する方法が探求されている。トランスフォーマーベースのモデルの開発は、パフォーマンスと信頼性を向上させるために、多様なソースから知識を統合する必要性も浮き彫りにしている。