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(guān)于推動現(xiàn)代職業(yè)教育高質(zhì)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(shù)與教育教學深度融合，提高課堂教學質(zhì)量。《國務院關(guān)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(shù)據(jù)驅(qū)動知識學習的關(guān)鍵技術(shù)，是人工智能的發(fā)展重點之一。知識圖譜本質(zhì)上是基于語義網(wǎng)絡(luò)的知識庫，以有向圖的形式對信息進行結(jié)構(gòu)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(nèi)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(jié)合線上線下混合式教學模式，成為實現(xiàn)職業(yè)教育高質(zhì)量發(fā)展的一種可行路徑。本文以Python程序設(shè)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(shù)據(jù)等現(xiàn)代信息技術(shù)推動了職業(yè)教育手段和學習方式的革新，為教育的高質(zhì)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(zhuǎn)向以學生為中心、注重個性化發(fā)展的“翻轉(zhuǎn)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(cè)重于講授孤立的概念，導致課程內(nèi)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(gòu)。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(nèi)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(zhì)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(diào)整和優(yōu)化，做到真正因材施教。

（三）教育質(zhì)量評價機制不完善

當前教育評價的數(shù)字化進程大多還停留在淺層，教育質(zhì)量評估機制不夠健全、評價方式與評價主體單一、數(shù)據(jù)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(zhì)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(lǐng)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(guān)鍵技術(shù)解決職業(yè)教育中知識體系零散、教學方法單一和教育質(zhì)量評價機制不完善的問題。結(jié)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(gòu)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(jié)構(gòu)化的數(shù)據(jù)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(gòu)建知識網(wǎng)絡(luò)，清晰地展示各知識點的邏輯關(guān)系和層次結(jié)構(gòu)，理清不同教學資源之間的內(nèi)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(gòu)建的基礎(chǔ)，通過分析學生歷史學習路徑、學習時長、評測完成情況等構(gòu)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(zhì)量評價改革

知識圖譜通過整合線上線下教學數(shù)據(jù)，構(gòu)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(shù)據(jù)基礎(chǔ)，幫助教師優(yōu)化形成性和終結(jié)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(shù)據(jù)支持，提升教學效果。

三、具體實施路徑探索

（一）Python程序設(shè)計課程知識圖譜構(gòu)建

知識圖譜的邏輯結(jié)構(gòu)通常可劃分為模式層和數(shù)據(jù)層兩個層級，分別負責知識圖譜的結(jié)構(gòu)定義和數(shù)據(jù)存儲。本文以Python程序設(shè)計課程為例，說明課程知識圖譜的構(gòu)建方法。其中模式層采用自頂向下的方式構(gòu)建，數(shù)據(jù)層主要采用自底向上的方式構(gòu)建，核心步驟包括：數(shù)據(jù)資源遴選、課程本體構(gòu)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(shù)據(jù)資源遴選

構(gòu)建Python知識圖譜時，數(shù)據(jù)來源需兼顧全面性、準確性、多樣性和時效性。本文的數(shù)據(jù)來源包括非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)。其中非結(jié)構(gòu)化數(shù)據(jù)包括權(quán)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(shù)據(jù)來源的全面性與準確性。半結(jié)構(gòu)化數(shù)據(jù)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(gòu)建

課程本體定義了課程中所有實體、屬性和關(guān)系的類型及其之間的關(guān)系。本文基于半結(jié)構(gòu)化的課程大綱，結(jié)合教師經(jīng)驗以關(guān)鍵概念為核心，自頂向下逐步劃分知識點的層級和屬性，構(gòu)建了包含308個知識點實體數(shù)、6種關(guān)聯(lián)關(guān)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(gòu)數(shù)據(jù)，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(jié)合，把知識抽取任務拆解為實體識別、關(guān)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(gòu)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(guān)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(chǔ)語法、數(shù)據(jù)結(jié)構(gòu)等。同時定義需要抽取的關(guān)系信息，如“包含”“前后繼”“關(guān)聯(lián)”等。創(chuàng)建用戶提示以定義數(shù)據(jù)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(guān)系三元組。利用得到的標注結(jié)果進行知識自蒸餾訓練，微調(diào)模型以進一步增強模型抽取和結(jié)構(gòu)化分析能力。輸入Python教程到訓練好的模型，輸出實體和關(guān)系信息。在此基礎(chǔ)上根據(jù)教師經(jīng)驗，對實體及關(guān)系信息進行人工校準并補充完善。通過實體識別與關(guān)系抽取，構(gòu)建了知識圖譜的關(guān)聯(lián)網(wǎng)絡(luò)，幫助學生形成系統(tǒng)知識結(jié)構(gòu)，為個性化學習認知診斷提供了前提。

二是屬性抽取。根據(jù)課程目標和學習要求，結(jié)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(shè)置屬性值和權(quán)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(jù)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(zhì)量。

5.知識圖譜可視化

通過可視化技術(shù)展示Python程序設(shè)計構(gòu)建的知識圖譜，如圖2所示。

（二）基于知識圖譜的Python程序設(shè)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(qū)動式+翻轉(zhuǎn)課堂”的教學設(shè)計和線上線下混合式教學模式，結(jié)合知識圖譜運用包含形成性評價與終結(jié)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(nèi)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(jié)合這些任務自主預習，借助知識圖譜的結(jié)構(gòu)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(jù)學生課前學習評測的結(jié)果，有針對性地調(diào)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(nèi)容并引入新的教學內(nèi)容。在課堂小結(jié)時，借助知識圖譜進行歸納與總結(jié)。

通過發(fā)布在線隨堂測驗，教師能夠?qū)崟r與學生互動，評估學生對知識點的掌握情況，靈活調(diào)整教學策略。Python教學過程中編程實踐占據(jù)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(guān)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(nèi)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(gòu)建練習，訓練學生如何將知識點進行組織和關(guān)聯(lián)，形成完整的思維結(jié)構(gòu)，并且引導學生進行知識拓展，探索相關(guān)領(lǐng)域的更深層內(nèi)容。

3.課后鞏固環(huán)節(jié)

復習是學生鞏固和深化課堂內(nèi)容的重要環(huán)節(jié)，利用人工智能技術(shù)將課程錄像自動識別和轉(zhuǎn)寫，提取其中的關(guān)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(nèi)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(guān)鍵詞即可快速定位相關(guān)課程內(nèi)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(chǔ)”“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(shè)計，并動態(tài)調(diào)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(jù)學生的評測和學習記錄，對基礎(chǔ)不牢的學生，推送基礎(chǔ)知識以查漏補缺；對基礎(chǔ)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(nèi)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(shè)計課程教學效果評估

提升課堂教學質(zhì)量是學校的關(guān)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(zhì)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(shù)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(jié)合形成性評價和終結(jié)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(jù)其重要性結(jié)合專家意見確定權(quán)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(zhì)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(jié)性評價

本課程的終結(jié)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(chǔ)知識與綜合編程的占比不同，難度系數(shù)不同。[6]根據(jù)不同難度，從知識圖譜中按照權(quán)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(zhì)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(zhuǎn)寫文本與課堂大綱教學目標的關(guān)鍵詞，利用BERT模型將兩者轉(zhuǎn)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(diào)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(qū)動式教學、翻轉(zhuǎn)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(zhì)量和學習路徑等數(shù)據(jù)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(shù)據(jù)，結(jié)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學方法的有效性。有助于幫助教師了解哪種方法更能激發(fā)學生興趣、動機和能力，便于教師改進教學，達到最佳教學效果。

四、結(jié)語

知識圖譜作為一種強大的知識表達和管理工具，在職業(yè)教育領(lǐng)域展現(xiàn)出巨大的潛力。通過構(gòu)建Python課程知識圖譜，可以實現(xiàn)教學內(nèi)容的系統(tǒng)化整合、個性化學習路徑的智能規(guī)劃和教學評估的科學化管理。然而，本文所探索的結(jié)合知識圖譜的線上線下混合式教學模式尚處于起步階段，需要更多的實踐積累和經(jīng)驗總結(jié)。未來，隨著知識圖譜技術(shù)的不斷完善，這一模式有望通過持續(xù)迭代和創(chuàng)新，為培養(yǎng)更多高素質(zhì)技術(shù)技能人才提供更堅實的支撐。

參考文獻：

[1]Ji S， Pan S， Cambria E，et al.A Survey on Knowledge Graphs： Representation， Acquisition， and Applications[J].IEEE Transactions on Neural Networks and Learning Systems， 2021， PP（99）.

[2]曹培杰，王阿習.新一代數(shù)字技術(shù)何以賦能教育評價改革[J].人民教育，2023（20）：30-32.

[3]李馨.翻轉(zhuǎn)課堂的教學質(zhì)量評價體系研究——借鑒CDIO教學模式評價標準[J].電化教育研究， 2015， 36（3）：5.

[4]陳明選，凌震，曹小兵.數(shù)智時代促進深度學習的職業(yè)教育項目化教學范式構(gòu)建[J].現(xiàn)代遠程教育研究， 2024， 36（1）：63-72.

[5]魏曄，崔貫勛.基于知識圖譜的Python程序設(shè)計課程教學設(shè)想[J].計算機教育，2024，（02）：51-54.

[6]段薇.基于課程知識圖譜的教學評價研究[J].計算機應用文摘， 2024， 40（4）：1-3.

[基金項目：2023年校級教科研項目（青年項目）“知識圖譜在高職專業(yè)建設(shè)中的應用研究”。]

責任編輯 陳春陽