知识图谱在职业教育教学中的研究与实践

2021年，国务院办公厅印发《关于推动现代职业教育高质量发展的意见》，明确提出要深化教育教学改革，推动现代信息技术与教育教学深度融合，提高课堂教学质量。《国务院关于印发新一代人工智能发展规划的通知》提出，知识图谱作为大数据驱动知识学习的关键技术，是人工智能的发展重点之一。知识图谱本质上是基于语义网络的知识库，以有向图的形式对信息进行结构化存储[1]，作为一种新型的知识表示方法，能够为职业教育提供内容系统化、教学个性化的支撑。借助知识图谱的优势，有机结合线上线下混合式教学模式，成为实现职业教育高质量发展的一种可行路径。本文以Python程序设计课程为例，探讨知识图谱在职业教育中的应用与实践，以期为职业教育教学改革提供有益借鉴。

一、当前职业教育教学模式存在的不足

近年来，人工智能和大数据等现代信息技术推动了职业教育手段和学习方式的革新，为教育的高质量发展提供了有力支撑。[2]职业教育正逐渐从传统的以教师为中心的单向灌输模式转向以学生为中心、注重个性化发展的“翻转课堂”和线上线下混合模式。[3]这些新型教学模式为职业教育实践带来了新的活力，但在实际应用中仍存在一些挑战。

（一）知识体系零散，缺乏系统化整合

线下授课中教师常按照教材章节围绕知识点与技能点逐一讲解，这种教学方式往往侧重于讲授孤立的概念，导致课程内容碎片化，忽视了知识之间的连贯性与整体性。[4]学生难以将分散的信息点融入既有知识体系，形成系统化的知识架构。这种缺乏全局视角的教学方式导致学生对课业的掌握缺乏深度，难以达到学以致用的目的。

（二）教学方法单一，个性化教学不足

尽管线上教学平台已在职业教育教学中得到较为广泛的运用，但其通常只提供标准化的课程内容及固定进度的教学安排，未能针对学习进度和兴趣各异的学生提供个性化的教学方案。课程学习仍主要依赖于教师的单向讲授，学生被动接受知识。这种培养方式忽视了学生的主体地位，导致课堂参与度不足，进而影响了教学的整体质量。此外，由于缺乏有效的互动和反馈机制，教师难以对教学方法进行及时的调整和优化，做到真正因材施教。

（三）教育质量评价机制不完善

当前教育评价的数字化进程大多还停留在浅层，教育质量评估机制不够健全、评价方式与评价主体单一、数据利用不充分、形成性评价不足等问题依然突出。如何推动人工智能等在教育评价机制中的深度应用，建立更加全面和多元化的教育质量评价体系，实现教育评价的科学化、精准化和个性化，仍然是职业教育领域亟待解决的重要课题。

二、知识图谱赋能职业教育改革

针对以上三大问题，本文提出利用知识图谱的知识融合、智能推荐和教育评估三大关键技术解决职业教育中知识体系零散、教学方法单一和教育质量评价机制不完善的问题。结合线下智慧教室，打造了一个集成知识图谱功能的云端教育平台，并形成完备的线上线下混合式教学模式，构建高效、互动、个性化的学习环境。

（一）依托知识图谱的知识融合能力整合零散的知识体系

教师在授课过程中积累了大量教学资源，如教学大纲、课件、课后习题等。这些资源大多是非结构化的数据且处于动态更新状态。利用知识图谱将零散的知识点串联，一方面帮助学生建立起完整的知识体系，另一方面帮助教师更好地管理和利用教学资源。通过构建知识网络，清晰地展示各知识点的逻辑关系和层次结构，理清不同教学资源之间的内在联系，可以实现教学资源的高效整合和利用。

（二）借助知识图谱的智能推荐能力进行个性化学习路径规划

知识图谱是个性化学习路径构建的基础，通过分析学生历史学习路径、学习时长、评测完成情况等构建学生学习画像，系统可以精准定位薄弱知识点并推送相应学习资源。利用知识点间的联系，诊断学生未掌握知识点的原因，有针对性地优化学习路径，为学生量身定制个性化学习方案。

（三）运用知识图谱的教育评估能力赋能教育质量评价改革

知识图谱通过整合线上线下教学数据，构建学生知识掌握情况和学习路径的动态视图，为教学评估提供了丰富且多维度的数据基础，帮助教师优化形成性和终结性评价，评估教学目标的完成度和教学方法的有效性，从而为教师优化教学方案提供数据支持，提升教学效果。

三、具体实施路径探索

（一）Python程序设计课程知识图谱构建

知识图谱的逻辑结构通常可划分为模式层和数据层两个层级，分别负责知识图谱的结构定义和数据存储。本文以Python程序设计课程为例，说明课程知识图谱的构建方法。其中模式层采用自顶向下的方式构建，数据层主要采用自底向上的方式构建，核心步骤包括：数据资源遴选、课程本体构建、知识抽取、知识融合、知识图谱可视化等5个环节，如图1所示。

1.数据资源遴选

构建Python知识图谱时，数据来源需兼顾全面性、准确性、多样性和时效性。本文的数据来源包括非结构化数据和半结构化数据。其中非结构化数据包括权威教材、教学课件、历年考试试题作答情况分析、作业情况分析等，确保数据来源的全面性与准确性。半结构化数据如Python课程大纲、Python3官方中文文档、Python在线编程教程等，此类资源更新及时，较好保障了知识图谱的时效性。

2.课程本体构建

课程本体定义了课程中所有实体、属性和关系的类型及其之间的关系。本文基于半结构化的课程大纲，结合教师经验以关键概念为核心，自顶向下逐步划分知识点的层级和属性，构建了包含308个知识点实体数、6种关联关系和6大类属性的课程知识图谱。

3.知识抽取

基于以上多源异构数据，本文采用人工辅以AI的生成式知识抽取方式，将大语言模型与prompt工程相结合，把知识抽取任务拆解为实体识别、关系抽取和属性抽取三个子任务，引导模型扮演不同角色完成子任务，以实现Python知识图谱的半自动化构建，并实现知识图谱的及时更新与维护，具体方法包括以下2个方面。

一是实体识别及关系抽取。借助大语言模型（LLM）定义系统提示词，指出需要抽取的实体类型，如基础语法、数据结构等。同时定义需要抽取的关系信息，如“包含”“前后继”“关联”等。创建用户提示以定义数据集中的单个规范及单个输出示例，从输入文本中识别并提取实体-关系三元组。利用得到的标注结果进行知识自蒸馏训练，微调模型以进一步增强模型抽取和结构化分析能力。输入Python教程到训练好的模型，输出实体和关系信息。在此基础上根据教师经验，对实体及关系信息进行人工校准并补充完善。通过实体识别与关系抽取，构建了知识图谱的关联网络，帮助学生形成系统知识结构，为个性化学习认知诊断提供了前提。

二是属性抽取。根据课程目标和学习要求，结合对历年考试的卷面分析，借助LLM对知识点进行进一步梳理和分类，形成知识点难易及重难点情况映射。为知识点设置属性值和权重，让学习更加聚焦，进一步优化学习资源的配置并助力后续教学效果的评估。

4.知识融合

根据预期目标，通过LLM对图谱进一步精炼，形成规范形式，再对其进行对齐和消歧处理，提高知识图谱的逻辑性与一致性，以提升图谱的整体质量。

5.知识图谱可视化

通过可视化技术展示Python程序设计构建的知识图谱，如图2所示。

（二）基于知识图谱的Python程序设计教学模式

本课程秉承以学生为中心、以学习成果为导向的教学理念，采用“项目驱动式+翻转课堂”的教学设计和线上线下混合式教学模式，结合知识图谱运用包含形成性评价与终结性评价的多元化多主体评价方法。整个教学过程分为课前探究、课中实施、课后巩固、课程评价四个环节，为学生带来更高效、互动与个性化的学习体验。

1.课前探究环节

课前，教师将每周的学习内容如教学课件、微课视频、课程思政案例等上传至云端教学平台，并发布学习目标和评测任务。学生结合这些任务自主预习，借助知识图谱的结构化展示能力，了解即将学习的知识点及这些知识点在课程体系中的位置，有目的性地预习，提高学习效率。同时，教师可以根据学生课前学习评测的结果，有针对性地调整线下教学策略。

2.课中实施环节

线下授课时，采用“导入—分析—拓展”的递进式情景教学模式，在问题导入时，利用知识图谱作为辅助工具快速回顾上节课内容并引入新的教学内容。在课堂小结时，借助知识图谱进行归纳与总结。

通过发布在线随堂测验，教师能够实时与学生互动，评估学生对知识点的掌握情况，灵活调整教学策略。Python教学过程中编程实践占据了很大的比重，学生在编程练习中遇到困难时，可以自主利用知识图谱快速定位相关的语法规则和编程技巧，有助于发挥学生的主观能动性，提高问题解决效率，促进知识的整合和内化。

此外，通过知识图谱，教师可以引导学生进行思维导图的构建练习，训练学生如何将知识点进行组织和关联，形成完整的思维结构，并且引导学生进行知识拓展，探索相关领域的更深层内容。

3.课后巩固环节

复习是学生巩固和深化课堂内容的重要环节，利用人工智能技术将课程录像自动识别和转写，提取其中的关键知识点与讲解片段，并将其与知识图谱进行智能匹配，自动建立知识点与图谱之间的映射。该方法提高了教学内容处理的效率，简化了学习资源的管理和查找难度。学生用关键词即可快速定位相关课程内容，及时查漏补缺。这种方式既保留了传统课堂的互动性，又提高了学习资源使用的便捷性和重复使用性。

针对学生起始能力的不同，课后作业的布置采取难度分层策略，学生可自主选择“基础”“提高”或“扩展”三类作业难度。[5]教师则通过追踪学生知识图谱的学习路径来发现学习难点，提供个性化的学习建议，优化教学方法和课程设计，并动态调整知识图谱。

学生也可以利用知识图谱来强化学习效果。根据学生的评测和学习记录，对基础不牢的学生，推送基础知识以查漏补缺；对基础扎实的学生，推送核心知识与重难点以巩固知识并激发潜力；对学有余力的学生，推送进阶知识点和课外扩展内容，以此深化课程理解并拓宽知识视野。

（三）知识图谱赋能 Python 程序设计课程教学效果评估

提升课堂教学质量是学校的关键任务之一，需全面考核教学目标完成度、教学方法可行性、学生学习效果等因素。本文提出从学生学习效果和教师教学效果两个维度入手，利用知识图谱赋能课程教学效果评估。

1.学生学习效果评估

学生学习效果是检验教学质量的重要指标，在对学生进行综合评价时不应采取“一刀切”的方式，不能仅以考试分数作为评判的唯一标准，而应采用多元化的评价体系。本课程结合形成性评价和终结性评价，全面评估学生的学习成效。

（1）形成性评价

本课程的形成性评价采用二级指标的模式，包含4大一级评价指标和9个二级观测点，如表1所示。每个指标根据其重要性结合专家意见确定权重。其中课堂考勤、互动频率、微课学习等通过线上学习平台的记录量化。课后作业质量、综合实践考核等则采用以教师评价、学生互评为主的多元主体评价方式。

（2）终结性评价

本课程的终结性评价涵盖了理论、编程和综合应用能力考核。试题同样分为三类难度以供学生自主选择，其中基础知识与综合编程的占比不同，难度系数不同。[6]根据不同难度，从知识图谱中按照权重抽取相应比例的知识点，确保试题既能覆盖全面，又能突出重点。这种方法能够更准确地反映学生的学习效果，避免因考核难度过高或过低导致的评价偏差，提高试题考核质量，让考核成绩更具有参考价值。

2.教学效果评估

（1）教学目标完成度评估

提取课堂录播转写文本与课堂大纲教学目标的关键词，利用BERT模型将两者转为语义向量，利用余弦相似度公式计算两者的匹配程度。得分越高意味着实际教学覆盖面越接近教学目标，反之则说明有所偏差。此方法能科学评估教学目标完成的情况，帮助教师找出不足，调整教学策略，更好地实现教学目标。以本课程第四章程序流程控制语句为例，提取部分核心知识点，计算课堂录播与教学目标核心知识点之间的余弦相似度得分，如表2所示。

（2）教学方法有效性评估

本课程整个教学过程采用了多种教学方法，如案例教学、项目驱动式教学、翻转课堂以及小组讨论等。通过对比线上教学平台的在线时长、作业质量和学习路径等数据辅以线下智慧教室的行为检测分析，系统获取学生的抬头率、专注度和表情状态等多维数据，结合学生的问卷反馈信息，能够较为全面地比对并评估这些教学方法的有效性。有助于帮助教师了解哪种方法更能激发学生兴趣、动机和能力，便于教师改进教学，达到最佳教学效果。

四、结语

知识图谱作为一种强大的知识表达和管理工具，在职业教育领域展现出巨大的潜力。通过构建Python课程知识图谱，可以实现教学内容的系统化整合、个性化学习路径的智能规划和教学评估的科学化管理。然而，本文所探索的结合知识图谱的线上线下混合式教学模式尚处于起步阶段，需要更多的实践积累和经验总结。未来，随着知识图谱技术的不断完善，这一模式有望通过持续迭代和创新，为培养更多高素质技术技能人才提供更坚实的支撑。

参考文献：

[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，王阿习.新一代数字技术何以赋能教育评价改革[J].人民教育，2023（20）：30-32.

[3]李馨.翻转课堂的教学质量评价体系研究——借鉴CDIO教学模式评价标准[J].电化教育研究， 2015， 36（3）：5.

[4]陈明选，凌震，曹小兵.数智时代促进深度学习的职业教育项目化教学范式构建[J].现代远程教育研究， 2024， 36（1）：63-72.

[5]魏晔，崔贯勋.基于知识图谱的Python程序设计课程教学设想[J].计算机教育，2024，（02）：51-54.

[6]段薇.基于课程知识图谱的教学评价研究[J].计算机应用文摘， 2024， 40（4）：1-3.

[基金项目：2023年校级教科研项目（青年项目）“知识图谱在高职专业建设中的应用研究”。]

责任编辑 陈春阳