1 知识图谱赋能教育教学数智底座建设

　　1.1 专业知识图谱的时代需求

　　中共中央、国务院印发的《教育强国建设规划纲要(2024—2035年)》明确提出，必须深化教育综合改革，激发教育发展活力。习近平总书记在2024年全国教育大会上强调，建成教育强国是近代以来中华民族梦寐以求的美好愿望，是实现以中国式现代化全面推进强国建设、民族复兴伟业的先导任务、坚实基础、战略支撑，必须朝着既定目标扎实迈进。2025年4月，教育部等九部门发布《关于加快推进教育数字化的意见》，提出以教育数字化为重要突破口，开辟教育发展新赛道和塑造发展新优势，全面支撑教育强国建设[1]。无论是近期发布的高等教育行动规划、教育数字化战略，还是人工智能助力教育变革的相关政策文件，“数字、创新、人工智能”已然成为高频关键词，这表明，以科技革命与产业变革为导向、满足国家战略需求，推动教育数字化转型已成必然趋势。

　　近年来，全球范围内基于数据和模型的智慧教育应用持续涌现，包括AI助教、AI助学、AI助评及AI赋能学习空间建设等，涉及多个领域[2]。在AI辅助教学方面，美国佐治亚理工学院开发的Jill Watson AI助教、瓦尔登大学的Julian虚拟助教、杜克大学的DUSON机器人等均取得了显著成效;在AI 辅助学习方面，美国斯坦福大学推出智能教科书“Inquire”，可针对提问链接书本知识，Quizlet在线学习工具也可实现基于学生表现进行个性化学习路径规划;在AI 辅助评价方面，教师可广泛使用ChatGPT、DeepSeek等人工智能工具进行书面文本的评估，包括抄袭检测、语义分析及主题分析等;而在学习空间方面，瑞士苏黎世联邦理工学院、美国麻省理工学院等高校的图书馆相继引入AI技术，以实现空间智能化升级[2-3]。

　　智慧教育应用的发展有效促进了教育教学在时间、空间与知识维度的深度融合，推动教育的深度挖掘与知识增值创新，实现数据共享、知识互联、群智协同和教育智学，为全人化人才培养赋予新的动能，形成中国特色世界一流大学全人化人才培养新范式[3]。智慧教育具有开放性、灵活性、丰富性与可及性四大特征，而推动智慧教育特征形成的核心切入点则在于知识体系的结构化改革。因此，构建结构化、可视化且可演化的知识体系成为智慧教育的关键基础。目前的知识体系涵盖通识课程、基础课程与专业课程。然而，现实中专业培养方案与课程体系通常较为明确、清晰，而教学计划、课件与教材资源则更为柔性且分散，不同课程之间相对独立且课程内容的重合度较高，导致专业与课程之间相互割裂，课程体系无法很好地支撑培养方案，专业培养方案难以有效落地实施。知识图谱技术可以有效解决上述问题，建立知识体系与培养目标之间的有效联结。

　　1.2 专业知识图谱的要素结构

　　知识图谱是实现从关键词搜索向语义搜索转变的关键手段[4-5]。搜索引擎如百度即采用知识图谱技术实现语义搜索，能够直观地展示答案。然而，此类知识图谱通常面向搜索、技术与机器，结构复杂且节点众多。教育领域的知识图谱则需要面向教学实践，面向教师和学生使用，包含的节点较少，结构相对简单。本文提出的专业知识图谱是一种新型的结构化、可视化、可演化的专业知识体系载体，其核心要素包括教学目标、毕业要求、预期学习成果(Intended Learning Outcomes，ILOs)、课程、知识点、教师及学生。

　　专业知识图谱有效联通能力、课程、知识与资源，形成深度关联链，从课程的预期学习成果(ILOs)出发，围绕“ILOs—课程—知识层—知识点—资源”这一主线，关联教师与学生，如图2所示。专业知识图谱并非关注单一课程，而是更关注不同课程之间的关联性，例如课程的先修和后续关系，这对学生个性化学习，特别是学习路径，具有重要意义。知识图谱是从知识源开始，经知识链最终形成知识面，即知识空间，是具象化的知识结构。以基础工业工程课程为例，该课程包含“工作抽样”章节，该章节又包含4个知识点，这些知识点的学习需依赖于应用统计学课程里“二项分布”知识点。因此，本文所定义的专业知识图谱并非计算机导向，而是教育教学导向的知识图谱，结构更为清晰与简明。

　　1.3 专业知识图谱的建设流程

　　知识图谱在教育教学中的应用涉及两个关键任务：一是要简化知识图谱的构建过程，以减轻教师负担;二是要基于此实现培养方案的数字化，以发挥知识图谱的实际价值。简而言之，即简化构建过程并实现方案的量化应用。

　　知识图谱的构建类似于建筑施工，首先是“选址”，即由教务部确定涉及的专业;其次是“毛坯制作”，责任教授即专业的负责人，明确专业的课程架构;再次是“硬装、精装、整理”工作，任课教师是各门课程的主要负责人，由其设计每门课程大纲并整理出相应的知识点，其中较为复杂的是“整理”，即明确知识点之间的关联关系，这部分工作量大，可借助大模型来完成;最后是培养方案的建立及审核验收。

　　基于上述流程开发了专业知识图谱驱动的智慧教育系统，系统流程清晰且易用。教务部仅需创建专业节点，责任教授输入课程体系，任课教师依据图书馆资料库上传课程大纲，即可实现数据结构化处理，每个环节的负责人端都具有简便的可操作性。最后，知识关联方面，大模型推荐关联的知识点，由本校本科毕业的研一学生进行人工选择确认，原因在于本校本科毕业的研一学生具备本科四年专业的完整知识体系，对知识点之间的关系掌握程度优于大模型甚至教师，故而由其来完成该人机协作过程。通过此种方式，一个专业知识图谱的构建周期约为一周，目前已在多所高校部署应用。

　　以运筹学课程为例，通过思维导图可以直观呈现不同课程的知识点种类与数量，每个知识点包含概念的数量。当学生学习某一知识点时，可基于此明确该知识点的学习路径。

　　专业知识图谱构建最终服务于数字化培养方案的制订与管理，可有效避免培养方案中的知识点重复问题。专业知识体系解决的是课程知识点关联的问题，但每个知识点的设计均以支撑相应的培养目标为出发点，因此，实现培养方案的数字化至关重要(图6)。通常情况下，培养方案包含6项培养目标、12项毕业要求。毕业要求和培养目标之间的关联关系是通过课程的预期学习成果(ILOs)严格对应和关联。基于此，每个专业都能够生成一份学习计划进度表(图7)，该表不仅涵盖专业涉及的所有知识点，还反映了知识体系内部的关联程度、学期课程的平衡分配情况，以及专业课程安排中可能存在的冲突。这些指标均实现量化，使培养方案的执行状况和结构合理性一目了然，为教学管理和学生个性化学习路径规划提供了坚实的数据支撑。

　　1.4 专业知识图谱建设展望

　　学校制订了智慧教育的“PLAN计划”，即“点—线—面—体”发展规划。前述讨论更多集中于点与线的层面，即从专业角度构建专业知识体系。但目前北京理工大学73%的学生课程都存在大量的重复，学校正推动专业与学科的一体化整合，旨在解决该问题，向“面”与“体”的层面发展。2025年通过专业知识图谱实现专业与学科融合，解决知识重复问题。2026年，将进一步建立全校33个学科的专业知识体系关联，促进跨学科知识整合，激发学生的创新能力，发掘跨学科创新潜力。

　　2 大模型赋能教育教学的应用涌现

　　3 结语

　　近年来，随着人工智能技术的不断迭代优化，大模型尤其是DeepSeek等国产大模型的“横空出世”，迅速成为全球科技界的热议焦点，也引发了教育改革浪潮。虽然现在是大模型时代，但知识图谱依然作为一种结构化、可解释、可追溯的知识组织方式发挥着不可替代的基础作用。本文围绕知识图谱与大模型赋能教育教学的典型应用展开论述，系统梳理了知识图谱驱动的教学结构重构路径，并探讨了以大模型为支撑的智慧泛在学习空间构建方案，以期能为高校数字化转型提供切实可行的路径参考，也为实现教育强国战略目标注入持续的技术动能。

　　参考文献

　　[1] 教育部等九部门关于加快推进教育数字化的意见[EB/OL].http://www.moe.gov.cn/srcsite/A01/s7048/202504/t20250416_1187476.html.

　　[2] 李晓理,刘春芳,耿劭坤.知识图谱与大语言模型协同共生模式及其教育应用综述[J/OL].计算机工程与应用,1-15

　　[2025-06-16].http://kns.cnki.net/kcms/detail/11.2127.TP.20250403.

　　1313.006.html.

　　[3] 张军.智慧教育视域下的全人化人才培养[J].中国高教研究,2022(7):3-7.

　　[4] 赵翔.知识图谱赋能高等教育教学数字化转型探索[J].中国现代教育装备,2024(5):3-4,7.

　　[5] 吴杨,吕钰琪,杜钧,等.知识图谱驱动智能学习的内生逻辑[J].中国电化教育,2025(2):122-130.

郝佳1,2,4 牛红伟1,2 杜钧3 张丽娜4

1..北京理工大学机械与车辆学院　2.“智能+”教育融合出版创新与应用重点实验室

3.北京理工大学教育学院　4.北京理工大学教务部