知識圖譜在職業(yè)教育教學中的研究與實踐

2021年，國務院辦公廳印發(fā)《關于推動現(xiàn)代職業(yè)教育高質量發(fā)展的意見》，明確提出要深化教育教學改革，推動現(xiàn)代信息技術與教育教學深度融合，提高課堂教學質量?！秶鴦赵宏P于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知》提出，知識圖譜作為大數據驅動知識學習的關鍵技術，是人工智能的發(fā)展重點之一。知識圖譜本質上是基于語義網絡的知識庫，以有向圖的形式對信息進行結構化存儲[1]，作為一種新型的知識表示方法，能夠為職業(yè)教育提供內容系統(tǒng)化、教學個性化的支撐。借助知識圖譜的優(yōu)勢，有機結合線上線下混合式教學模式，成為實現(xiàn)職業(yè)教育高質量發(fā)展的一種可行路徑。本文以Python程序設計課程為例，探討知識圖譜在職業(yè)教育中的應用與實踐，以期為職業(yè)教育教學改革提供有益借鑒。一、當前職業(yè)教育教學模式存在的不足近年來，人工智能和大數據等現(xiàn)代信息技術推動了職業(yè)教育手段和學習方式的革新，為教育的高質量發(fā)展提供了有力支撐。[2]職業(yè)教育正逐漸從傳統(tǒng)的以教師為中心的單向灌輸模式轉向以學生為中心、注重個性化發(fā)展的“翻轉課堂”和線上線下混合模式。[3]這些新型教學模式為職業(yè)教育實踐帶來了新的活力，但在實際應用中仍存在一些挑戰(zhàn)。（一）知識體系零散，缺乏系統(tǒng)化整合線下授課中教師常按照教材章節(jié)圍繞知識點與技能點逐一講解，這種教學方式往往側重于講授孤立的概念，導致課程內容碎片化，忽視了知識之間的連貫性與整體性。[4]學生難以將分散的信息點融入既有知識體系，形成系統(tǒng)化的知識架構。這種缺乏全局視角的教學方式導致學生對課業(yè)的掌握缺乏深度，難以達到學以致用的目的。（二）教學方法單一，個性化教學不足盡管線上教學平臺已在職業(yè)教育教學中得到較為廣泛的運用，但其通常只提供標準化的課程內容及固定進度的教學安排，未能針對學習進度和興趣各異的學生提供個性化的教學方案。課程學習仍主要依賴于教師的單向講授，學生被動接受知識。這種培養(yǎng)方式忽視了學生的主體地位，導致課堂參與度不足，進而影響了教學的整體質量。此外，由于缺乏有效的互動和反饋機制，教師難以對教學方法進行及時的調整和優(yōu)化，做到真正因材施教。（三）教育質量評價機制不完善當前教育評價的數字化進程大多還停留在淺層，教育質量評估機制不夠健全、評價方式與評價主體單一、數據利用不充分、形成性評價不足等問題依然突出。如何推動人工智能等在教育評價機制中的深度應用，建立更加全面和多元化的教育質量評價體系，實現(xiàn)教育評價的科學化、精準化和個性化，仍然是職業(yè)教育領域亟待解決的重要課題。二、知識圖譜賦能職業(yè)教育改革針對以上三大問題，本文提出利用知識圖譜的知識融合、智能推薦和教育評估三大關鍵技術解決職業(yè)教育中知識體系零散、教學方法單一和教育質量評價機制不完善的問題。結合線下智慧教室，打造了一個集成知識圖譜功能的云端教育平臺，并形成完備的線上線下混合式教學模式，構建高效、互動、個性化的學習環(huán)境。（一）依托知識圖譜的知識融合能力整合零散的知識體系教師在授課過程中積累了大量教學資源，如教學大綱、課件、課后習題等。這些資源大多是非結構化的數據且處于動態(tài)更新狀態(tài)。利用知識圖譜將零散的知識點串聯(lián)，一方面幫助學生建立起完整的知識體系，另一方面幫助教師更好地管理和利用教學資源。通過構建知識網絡，清晰地展示各知識點的邏輯關系和層次結構，理清不同教學資源之間的內在聯(lián)系，可以實現(xiàn)教學資源的高效整合和利用。（二）借助知識圖譜的智能推薦能力進行個性化學習路徑規(guī)劃知識圖譜是個性化學習路徑構建的基礎，通過分析學生歷史學習路徑、學習時長、評測完成情況等構建學生學習畫像，系統(tǒng)可以精準定位薄弱知識點并推送相應學習資源。利用知識點間的聯(lián)系，診斷學生未掌握知識點的原因，有針對性地優(yōu)化學習路徑，為學生量身定制個性化學習方案。（三）運用知識圖譜的教育評估能力賦能教育質量評價改革知識圖譜通過整合線上線下教學數據，構建學生知識掌握情況和學習路徑的動態(tài)視圖，為教學評估提供了豐富且多維度的數據基礎，幫助教師優(yōu)化形成性和終結性評價，評估教學目標的完成度和教學方法的有效性，從而為教師優(yōu)化教學方案提供數據支持，提升教學效果。三、具體實施路徑探索（一）Python程序設計課程知識圖譜構建知識圖譜的邏輯結構通?？蓜澐譃槟Ｊ綄雍蛿祿觾蓚€層級，分別負責知識圖譜的結構定義和數據存儲。本文以Python程序設計課程為例，說明課程知識圖譜的構建方法。其中模式層采用自頂向下的方式構建，數據層主要采用自底向上的方式構建，核心步驟包括：數據資源遴選、課程本體構建、知識抽取、知識融合、知識圖譜可視化等5個環(huán)節(jié)，如圖1所示。1.數據資源遴選構建Python知識圖譜時，數據來源需兼顧全面性、準確性、多樣性和時效性。本文的數據來源包括非結構化數據和半結構化數據。其中非結構化數據包括權威教材、教學課件、歷年考試試題作答情況分析、作業(yè)情況分析等，確保數據來源的全面性與準確性。半結構化數據如Python課程大綱、Python3官方中文文檔、Python在線編程教程等，此類資源更新及時，較好保障了知識圖譜的時效性。2.課程本體構建課程本體定義了課程中所有實體、屬性和關系的類型及其之間的關系。本文基于半結構化的課程大綱，結合教師經驗以關鍵概念為核心，自頂向下逐步劃分知識點的層級和屬性，構建了包含308個知識點實體數、6種關聯(lián)關系和6大類屬性的課程知識圖譜。3.知識抽取基于以上多源異構數據，本文采用人工輔以AI的生成式知識抽取方式，將大語言模型與prompt工程相結合，把知識抽取任務拆解為實體識別、關系抽取和屬性抽取三個子任務，引導模型扮演不同角色完成子任務，以實現(xiàn)Python知識圖譜的半自動化構建，并實現(xiàn)知識圖譜的及時更新與維護，具體方法包括以下2個方面。一是實體識別及關系抽取。借助大語言模型（LLM）定義系統(tǒng)提示詞，指出需要抽取的實體類型，如基礎語法、數據結構等。同時定義需要抽取的關系信息，如“包含”“前后繼”“關聯(lián)”等。創(chuàng)建用戶提示以定義數據集中的單個規(guī)范及單個輸出示例，從輸入文本中識別并提取實體-關系三元組。利用得到的標注結果進行知識自蒸餾訓練，微調模型以進一步增強模型抽取和結構化分析能力。輸入Python教程到訓練好的模型，輸出實體和關系信息。在此基礎上根據教師經驗，對實體及關系信息進行人工校準并補充完善。通過實體識別與關系抽取，構建了知識圖譜的關聯(lián)網絡，幫助學生形成系統(tǒng)知識結構，為個性化學習認知診斷提供了前提。二是屬性抽取。根據課程目標和學習要求，結合對歷年考試的卷面分析，借助LLM對知識點進行進一步梳理和分類，形成知識點難易及重難點情況映射。為知識點設置屬性值和權重，讓學習更加聚焦，進一步優(yōu)化學習資源的配置并助力后續(xù)教學效果的評估。4.知識融合根據預期目標，通過LLM對圖譜進一步精煉，形成規(guī)范形式，再對其進行對齊和消歧處理，提高知識圖譜的邏輯性與一致性，以提升圖譜的整體質量。5.知識圖譜可視化通過可視化技術展示Python程序設計構建的知識圖譜，如圖2所示。（二）基于知識圖譜的Python程序設計教學模式本課程秉承以學生為中心、以學習成果為導向的教學理念，采用“項目驅動式+翻轉課堂”的教學設計和線上線下混合式教學模式，結合知識圖譜運用包含形成性評價與終結性評價的多元化多主體評價方法。整個教學過程分為課前探究、課中實施、課后鞏固、課程評價四個環(huán)節(jié)，為學生帶來更高效、互動與個性化的學習體驗。1.課前探究環(huán)節(jié)課前，教師將每周的學習內容如教學課件、微課視頻、課程思政案例等上傳至云端教學平臺，并發(fā)布學習目標和評測任務。學生結合這些任務自主預習，借助知識圖譜的結構化展示能力，了解即將學習的知識點及這些知識點在課程體系中的位置，有目的性地預習，提高學習效率。同時，教師可以根據學生課前學習評測的結果，有針對性地調整線下教學策略。2.課中實施環(huán)節(jié)線下授課時，采用“導入—分析—拓展”的遞進式情景教學模式，在問題導入時，利用知識圖譜作為輔助工具快速回顧上節(jié)課內容并引入新的教學內容。在課堂小結時，借助知識圖譜進行歸納與總結。通過發(fā)布在線隨堂測驗，教師能夠實時與學生互動，評估學生對知識點的掌握情況，靈活調整教學策略。Python教學過程中編程實踐占據了很大的比重，學生在編程練習中遇到困難時，可以自主利用知識圖譜快速定位相關的語法規(guī)則和編程技巧，有助于發(fā)揮學生的主觀能動性，提高問題解決效率，促進知識的整合和內化。此外，通過知識圖譜，教師可以引導學生進行思維導圖的構建練習，訓練學生如何將知識點進行組織和關聯(lián)，形成完整的思維結構，并且引導學生進行知識拓展，探索相關領域的更深層內容。3.課后鞏固環(huán)節(jié)復習是學生鞏固和深化課堂內容的重要環(huán)節(jié)，利用人工智能技術將課程錄像自動識別和轉寫，提取其中的關鍵知識點與講解片段，并將其與知識圖譜進行智能匹配，自動建立知識點與圖譜之間的映射。該方法提高了教學內容處理的效率，簡化了學習資源的管理和查找難度。學生用關鍵詞即可快速定位相關課程內容，及時查漏補缺。這種方式既保留了傳統(tǒng)課堂的互動性，又提高了學習資源使用的便捷性和重復使用性。針對學生起始能力的不同，課后作業(yè)的布置采取難度分層策略，學生可自主選擇“基礎”“提高”或“擴展”三類作業(yè)難度。[5]教師則通過追蹤學生知識圖譜的學習路徑來發(fā)現(xiàn)學習難點，提供個性化的學習建議，優(yōu)化教學方法和課程設計，并動態(tài)調整知識圖譜。學生也可以利用知識圖譜來強化學習效果。根據學生的評測和學習記錄，對基礎不牢的學生，推送基礎知識以查漏補缺；對基礎扎實的學生，推送核心知識與重難點以鞏固知識并激發(fā)潛力；對學有余力的學生，推送進階知識點和課外擴展內容，以此深化課程理解并拓寬知識視野。（三）知識圖譜賦能Python程序設計課程教學效果評估提升課堂教學質量是學校的關鍵任務之一，需全面考核教學目標完成度、教學方法可行性、學生學習效果等因素。本文提出從學生學習效果和教師教學效果兩個維度入手，利用知識圖譜賦能課程教學效果評估。1.學生學習效果評估學生學習效果是檢驗教學質量的重要指標，在對學生進行綜合評價時不應采取“一刀切”的方式，不能僅以考試分數作為評判的唯一標準，而應采用多元化的評價體系。本課程結合形成性評價和終結性評價，全面評估學生的學習成效。（1）形成性評價本課程的形成性評價采用二級指標的模式，包含4大一級評價指標和9個二級觀測點，如表1所示。每個指標根據其重要性結合專家意見確定權重。其中課堂考勤、互動頻率、微課學習等通過線上學習平臺的記錄量化。課后作業(yè)質量、綜合實踐考核等則采用以教師評價、學生互評為主的多元主體評價方式。（2）終結性評價本課程的終結性評價涵蓋了理論、編程和綜合應用能力考核。試題同樣分為三類難度以供學生自主選擇，其中基礎知識與綜合編程的占比不同，難度系數不同。[6]根據不同難度，從知識圖譜中按照權重抽取相應比例的知識點，確保試題既能覆蓋全面，又能突出重點。這種方法能夠更準確地反映學生的學習效果，避免因考核難度過高或過低導致的評價偏差，提高試題考核質量，讓考核成績更具有參考價值。2.教學效果評估（1）教學目標完成度評估提取課堂錄播轉寫文本與課堂大綱教學目標的關鍵詞，利用BERT模型將兩者轉為語義向量，利用余弦相似度公式計算兩者的匹配程度。得分越高意味著實際教學覆蓋面越接近教學目標，反之則說明有所偏差。此方法能科學評估教學目標完成的情況，幫助教師找出不足，調整教學策略，更好地實現(xiàn)教學目標。以本課程第四章程序流程控制語句為例，提取部分核心知識點，計算課堂錄播與教學目標核心知識點之間的余弦相似度得分，如表2所示。（2）教學方法有效性評估本課程整個教學過程采用了多種教學方法，如案例教學、項目驅動式教學、翻轉課堂以及小組討論等。通過對比線上教學平臺的在線時長、作業(yè)質量和學習路徑等數據輔以線下智慧教室的行為檢測分析，系統(tǒng)獲取學生的抬頭率、專注度和表情狀態(tài)等多維數據，結合學生的問卷反饋信息，能夠較為全面地比對并評估這些教