大語言模型與知識圖譜協同下高校AI項目導師構建研究

摘 要：針對項目式學習面臨的學習內容增加、知識體系重構以及學習方式變化等難題，提出了一種融合大語言模型（LLM）與知識圖譜技術的高校AI項目導師系統構建方案。其中，大語言模型實現自然語言的理解和生成，而知識圖譜負責專業知識庫和增強大語言模型輸出的可解釋性和可靠性。高校AI項目導師能提供準確、個性化且全面的項目學習指導，使學習者有效應對各種復雜的項目式學習情境。“人工智能創新項目設計”課程的實證研究表明，采用高校AI項目導師系統顯著提升了學生的課程參與度，促進了學生的工程創新素養、工程人文素養及AI素養三大核心素養的發展，并有效提高了學生對課程的滿意度。這表明將大語言模型技術與知識圖譜技術相結合而開發的在線教育工具，在提升教學質量、激發創新能力等方面展現出較高的發展潛力。

關鍵詞：大語言模型；知識圖譜；項目式學習；人工智能；AI導師

中圖分類號：G4 文獻標志碼：A 文章編號：2096-0069（2024）05-0070-07

收稿日期：2024-01-26

基金項目：2021年度國家自然科學基金面上項目“STEM教育情境下多人同伴互動的腦協同機制與策略研究”（62177011）；2021年度福建省社會科學基金基礎研究項目“基于智能語音模型的洋腔洋調評測與識別系統研究”（FJ2021B110）；2021年度教育部中外語言交流合作中心國際中文教育研究課題“基于中華文化讀本的知識圖譜構建與題庫資源智能生成”（21YH30B）；2022年度華僑大學第四批新工科示范課程建設項目 “人工智能導論”（612-50122254）

作者簡介：王華珍（1975 — ），女，福建泉州人，副教授、碩士生導師，研究方向為人工神經網絡深度學習、知識圖譜、人工智能教育等；林海斌（2001 — ），男，福建平潭人，碩士研究生，研究方向為人工智能教育；林昕愉（2004 — ），女，福建莆田人，本科生；潘麗琪（2003 — ），女，廣東韶關人，本科生；周浩（1990 — ），男，山東臨沂人，博士，講師，研究方向為人工智能、自然語言處理、語音處理；董艷（1973 — ），河南溫縣人，教授、博士生導師，研究方向為跨學科創新教育、教師專業發展等，系本文通信作者。

引言

在當今知識經濟迅速發展的時代背景下，高等教育機構肩負著為社會輸送高質量人才、塑造未來社會發展主力軍的重任。《教育信息化2.0行動計劃》和《新一代人工智能發展規劃》等多個文件中提出，要以數字技術賦能教與學的全過程，為整個教育流程提供更為智能化且個性化的服務[1]。項目式學習作為全球工程教育的典型教學法，逐漸滲透至高等教育層面，并在高校學生知識技能習得、高階能力提升等方面產生了顯著影響[2]。

盡管項目式學習具有許多優勢，但在高校的應用中也面臨一些挑戰，主要表現在以下幾個方面：第一，學習內容增加。項目式學習需要學生同時涉獵多個學科的知識，這無疑會增加學生的知識獲取量和理解難度，從而帶來其學習負擔[3]。第二，知識體系重構。項目式學習需要整合并銜接多學科知識，形成統一的知識體系。這需要學生理解并重組知識，對于一些學生來說，這種知識體系的變化可能會帶來一定的學習負擔[4]。第三，學習方式變化。項目式學習重視學生的主動參與和探究，要求學生適應更為主動的學習模式以解決問題。對于一些學生來說，這種學習方式的變化可能會帶來一定的學習負擔。

隨著2022年11月ChatGPT的問世，國內外掀起了大語言模型（Large Language Model，簡稱LLM）的研究熱潮。在教育領域，大語言模型輔助教學，即LLM AI導師作為一種新穎的教學模式正在引起越來越多的關注。LLM AI導師與教師協同，提供豐富的教學資源、個性化的學習支持和實時反饋評估，能有效提高教學效率和質量，推動學生的綜合素質和創新意識不斷提升。然而，LLM有時可能作出不準確或不連貫的回答，且在特定知識領域內的精確度和可靠性有待提高，這導致AI導師發展陷入瓶頸。知識圖譜是一種用于描述實體、概念及其內在關系的網絡化知識表示方法[5]。利用知識圖譜的全局視角、概念模型和關系鏈接等語義集合對LLM生成結果進行推理，以知識圖譜推理到的數據作為LLM的輸出，能增強LLM輸出的事實可靠性和可解釋性[6]。因此，融合大語言模型和知識圖譜的方法成為解決AI導師發展瓶頸的有效途徑。如何有效地整合兩者的優勢進行教育場域的創新應用，是當前研究的一個重要方向。

本研究聚焦于大語言模型和知識圖譜協同的高校AI項目導師系統構建，并將其應用于高校課程“人工智能創新項目”。其中，大語言模型實現自然語言的理解和生成，而知識圖譜負責專業知識庫和增強提問。并且，本研究創新性地采用大語言模型增強生成技術（Retrieval-Augmented Generation，簡稱RAG）實現知識圖譜對大語言模型的可解釋性增強，從而提供更準確、個性化且全面的項目學習指導，使學習者能夠更有效地應對各種復雜的項目式學習情境。

一、相關研究概述

（一）大語言模型教育應用

在教育領域，基于大語言模型的人機對話教學進入智慧問學新境界，能通過大語言模型實現遞進式問答對話與迭代式內容生成[7]。大語言模型提供的情感信息促進更深層次的人機交互[8]。哈佛大學針對入門級編程課程“計算機科學導論”（CS50）設計了LLM AI助手“CS50 bot”，能回答學生的問題，輔助學生迅速找到代碼運行失敗的原因，甚至對程序的設計進行調試和反饋。北京大學“圖像處理中的數學方法”課程LLM AI助教Brainiac Buddy，它能靈活利用大語言模型的自定義prompt，在很大程度上提升教育效率，實現教育的個性化和定制化。華沙生命科學大學和賓夕法尼亞大學的研究人員通過對照組和實驗組的對比研究，發現以ChatGPT（GPT-3.5）為核心的LLM AI助教提供的代碼改進建議、編譯錯誤解釋和調試提示等個性化提示能大幅縮短學生解題時間。

綜上所述，這些LLM AI導師的優點是具有高度的靈活性，能夠適應多種教學內容和場景，也能夠處理復雜和多樣的自然語言輸入和輸出，甚至生成一些新穎和有趣的內容。然而，由于LLM本質上是生成式人工智能，模型常常表現為黑盒形式，因此無法揭示其決策步驟和推理機制。

（二）項目式學習

項目式學習是一種以項目為核心的教學方法，旨在通過實際應用和解決問題的方式，促使學生主動參與、合作學習和綜合運用知識與技能。有研究者提出，學生通過實踐和解決問題來學習，為項目式學習的發展奠定了基礎[9]。項目式學習的實施涉及多個相關理論和方法，其中，建構主義理論認為學生通過積極參與和建構知識來實現深層次的學習，社會互動理論強調學生在合作和互動中共同構建知識和理解，問題解決和探究學習理論強調學生通過解決實際問題和探究學習，發展關鍵思維和解決問題的能力[10]。此外，項目管理和協作技能也是項目式學習的重要組成部分，包括團隊合作、溝通、時間和資源管理等。

隨著科技進步和教育改革深化，項目式學習在21世紀得到了更廣泛的應用和研究，許多國家的教育機構和學校開始采用該方法培養學生的創新能力、處理問題的能力與團隊協作能力。目前，項目式學習已經成為教育領域的一個重要研究方向，學者們關注其實施策略、學生參與度、成果評估等方面的問題，并提出了一系列的理論模型和實踐指導[11]。同時，也有一些研究關注項目式學習對學生的學習動機、學習興趣和學習態度的影響，以及項目式學習在不同學科和教育階段的應用情況。

項目式學習的流程通常包括以下幾個階段：項目選擇與規劃、團隊組建與分工、研究與探究、設計與實施、呈現與評估。在項目選擇與規劃階段，教師和學生共同確定項目的主題、目標和任務。在團隊組建與分工階段，學生組成小組，分工合作，共同完成項目。在研究與探究階段，學生進行調查研究、資料收集和問題分析，以獲得必要的知識和信息。在設計與實施階段，學生根據項目要求，制訂解決方案并進行實踐操作。在呈現與評估階段，學生向他人展示項目成果，并接受評估和反饋。

總之，項目式學習通過跨學科整合思維、依據循證的教學實踐、立足于建構主義與認知科學理論，積極推行主動學習等核心理念，有效提升了工程人才培養質量。但是，當“以教為主”的方式轉變為“以學為主”時，學生的學習負擔將會加重，如學習內容增加、知識體系重構，以及學習方式改變導致的學習時間增加、認知負荷加重和社交情感壓力等。這時急需自動化、智能化的新時代教學輔助工具給予幫助，并引導學生掌握高效的學習手段與方案，以減輕負擔、提高學習效率[13]。

二、高校AI項目導師設計

（一）設計理念

“人工智能創新項目設計”是面向高校所有專業、本科4種層次的創新創業通識課。在該課程的項目式教學過程中，存在兩大問題：（1）專業不同、層次不同的學生在學習人工智能學科時，因基礎差異而造成學習困難，因文化差異而造成融合不足。（2）傳統人工智能課程過深過窄，跨界性低，缺乏把艱深的人工智能理論進行普及性教育的教學設計和教學方法。這些問題阻礙了學生的學習進度，并可能降低他們對人工智能的學習興趣。

面向AI設計課的AI項目導師的設計理念，正是借助新興的AI項目導師的個性化交互式學習，提升學生完成項目涉及的跨學科知識整合學習和循證學習的效率和質量，推動學生增加課程學習投入，進而提高其高階思維能力。

（二）設計路徑

本研究以高校AI通識課程“人工智能創新項目設計”為例，進一步闡述高校AI項目導師的設計路徑。AI項目導師是一個環境系統，它由用戶界面交互層、應用層、智能導師層與數據層共同構成，如圖1所示。

最底層是龐大的課程資源，涵蓋人工智能、產品創新創業、原型設計、工業設計等多種垂直知識領域及交叉學科知識。第二層是智能導師層，包括大語言模型，以及知識圖譜增強的RAG技術，用于實現智能導學。第三層是應用層，根據教學程序與步驟分別構建應用模塊，包括頭腦風暴、競品分析、AI算法、產品原型設計、項目PPT制作、項目商業計劃書等。應用層以互聯網web應用作為展現形式。第四層是交互層，主要是學生與平臺之間進行的文本和語音的交互操作。

高校AI項目導師的設計特色包括如下幾點：

1.聚焦基于大語言模型的AI項目導師設計

大語言模型作為智能導師的獨特之處在于其強大的語言處理能力、生成能力、學習能力、個性化推薦能力和跨領域適應性。

2.注重基于知識圖譜的檢索增強生成

檢索增強生成（RAG）是一種面向場景需求搭建大語言模型應用的模式[13]。RAG 將學生提問與知識圖譜進行匹配，獲取相關知識片段，并據此優化學生提問，構建出與學生提問最匹配的增強提問。最后再把增強提問輸入，大語言模型，用于指導其產出更符合場景應用的回答。

3.依據“探究—實踐—交流”的科學教學程序設計

“人工智能創新項目設計”教學程序設計包含課程鋪墊、科學探究、工程實踐和交流強化4個步驟，相應地，AI項目導師系統根據教學步驟設計出多個應用模塊，且在不同應用模塊中引用相適應的RAG模式。

（1）課程鋪墊模塊。該模塊將實現課程目標、教學方法、項目組隊和團隊建設等任務，營造良好的學習氛圍。為此，AI項目導師設計出“項目立項”模塊的“頭腦風暴”應用。學生通過與AI項目導師互動交流，汲取創意并確定項目的初步方向和目標。RAG技術整合了知識庫中的“人工智能創新設計案例庫”，在開放性對話中，學生能通過它獲取寬泛的知識并以關鍵詞形式查詢相關優秀案例。通過AI交互學習和專業知識庫查詢驗證的雙師課堂機制，學生能夠確立新穎且準確的人工智能創新項目設計題目。

（2）科學探究模塊。該模塊包括識別問題、協作研究與策略規劃3個學習環節。為實現產業調研與實地考察，AI項目導師系統設計了“項目立項”模塊的兩大應用：“競品分析”與“立項評估”。 學生通過與AI項目導師互動學習，收集同類項目的實際信息和一手數據，為決策制定和項目設計提供參照。同時，學生需要將調研結果和數據分析填入專業知識庫中的“競品分析表”生成統計報表，完成規范且深入的項目探究。另外，還需要針對項目設計題目進行多維度評估，培養項目式學習的過程性評價能力。

（3）工程實踐模塊。該模塊包含設計建造和測試改進兩個實踐流程。為此，AI項目導師系統設計出“項目算法”和“軟件開發”兩個模塊。其中，項目算法模塊包括“體驗算法”“AI寫代碼”“AI算法評估”三個應用?！绑w驗算法”調用專業知識庫中的AI算法庫，讓學生系統性了解并體驗前沿人工智能算法，學習人工智能知識?！癆I寫代碼”調用LLM，讓學生通過多輪對話逐步理解人工智能算法的代碼實現，提升人工智能技術實踐能力?！癆I算法評估”調用專業知識庫中的AI算法評價表，讓學生填入項目設計算法的多維度評分值，培養學生項目式學習的過程性評價能力。另外，軟件開發模塊包括“UI原型設計”和“產品外觀評估”兩個應用?！癠I原型設計”調用LLM，讓學生通過文生UI大語言模型實現產品原型圖的交互設計。同時，學生需要在“產品外觀評估”應用中填入項目設計原型圖的多維度評分值，培養學生項目式學習的過程性評價能力。

（4）交流強化模塊。該模塊以學生項目路演以及跨領域、跨專業的教師團隊教學輔導的模式，輔助學生實現學習的結構化深度反思。為此，AI項目導師系統設計出“項目路演”的“PPT生成”“報告生成”“路演評估”等應用。其中，“PPT生成”調用文生PPT大語言模型生成項目匯報PPT，讓學生通過交互式多輪對話逐步完善項目PPT的制作?！皥蟾嫔伞比诤洗笳Z言模型和商業計劃書綱要，通過RAG技術實現合規的項目商業計劃書生成。最后，學生需填入項目路演多維度評分值，培養項目式學習的過程性評價能力。

4.促進納入AI項目導師角色的項目組隊和團隊建設

“人工智能創新項目設計”通過項目組隊和團隊建設來達到人才培養、科學探究和教育管理的目標。然而，傳統的項目組隊方式在管理上存在局限性。AI項目導師系統將AI項目導師納入項目組隊，AI項目導師在項目組承擔的角色和任務包括但不限于數據分析師、任務協調員、創新專員、產品決策支持等?？傊珹I項目導師在項目組隊中可以承擔多個角色，為項目的順利進展提供支持和服務。

三、高校AI項目導師的應用

（一）研究假設

為驗證高校AI項目導師的有效性，本研究提出假設，認為“人工智能創新項目設計”AI項目導師：（1）能夠明顯提高學生的學習投入；（2）能夠有效提升學生的工程創新素養、工程人文素養與AI素養；（3）可以顯著提高學生對課程的滿意度。

（二）數據采集與分析

教學團隊對2023年9月至2024年2月選修“人工智能創新項目設計”課程的學生進行多輪問卷調查，采集到252份問卷。問卷分為3個部分：第一部分為高校AI項目導師對項目式學習的支持度；第二部分是學生與高校AI項目導師的對話內容；第三部分是滿意度評估，主要包括高校AI項目導師使用體驗和教學實施滿意度評估等。

（三）結果分析

1.學生認為AI項目導師在項目創建中提供了有力的支持

通過分析調研結果可知：第一，大部分同學認為“頭腦風暴”環節中的回答符合自身需求，個性化程度高，回答的精確度高。不過，AI項目導師為項目提供全面資料這個優點沒有得到廣泛認同，這需要AI項目導師系統繼續創建更大的專業知識庫。第二，大部分同學認同算法功能豐富多樣，用戶能夠迅速掌握各類算法，這些算法容易應用到實際項目中。第三，UI原型設計方面，大部分學生滿意平臺給出的設計思路，認為平臺滿足了項目實際需求。第四，在路演功能上，大部分學生認同其基于關鍵字生成內容的靈活性?？傮w而言，學生認為平臺集成了智能和全面性的特點，為他們的學術和項目研究提供了全方位的支持。學生對高校AI項目導師在項目創建中的支持評價普遍較高，各功能在不同方面為學生提供了積極的幫助，促進了項目的順利進行。

2.平臺能有效促進學生素養的提升

從調研結果上看（見下頁圖2），學生在多元情境下廣泛使用本平臺，涵蓋了學習研究、項目策劃與作業完成、探索新領域、執行學習任務及上課輔助、參與創新項目以及解決復雜專業問題。這些行為促進學生的素養提升表現在：第一，工程創新素養提升。學生利用平臺進行學習研究、探索新領域、分析問題、評估項目可行性等，這是工程創新素養的重要體現。第二，工程人文素養提升。學生在時間緊迫或思路不明朗的情況下尋求平臺的幫助，體現了他們具有良好的協作意識與自主學習能力，懂得如何借助團隊力量和社會資源解決復雜專業問題，這正是工程人文素養的核心內容。第三，AI素養提升。學生在各類學術活動和項目挑戰中頻繁利用平臺獲取信息、指導及答疑解惑，說明他們能熟練使用現代信息技術工具，并適應了人工智能時代的學習模式，這反映了他們在AI素養上的成長。

3.學生對高校AI項目導師使用體驗的滿意度較高

在調查中，近半數學生對高校AI項目導師的各項功能的滿意度整體偏高。在項目立項、項目算法、軟件開發和路演等關鍵環節，超過一半的學生表示滿意或非常滿意。

四、研究總結與展望

本文針對項目式學習面臨的學習內容增加、知識體系變化和學習方式改變等挑戰，提出了大語言模型與知識圖譜融合的高校AI項目導師系統構建方法。該系統的核心是運用大語言模型和知識圖譜協同工作，其中，大語言模型負責自然語言的理解和生成，知識圖譜負責專業知識庫和增強提問，兩者共同提高了項目式學習指導的準確性和全面性。AI項目導師系統的設計架構包括交互層、應用層、智能導師層及數據層，各層級相互協作，為學生提供從“頭腦風暴”到商業計劃書制定等一系列項目設計環節的支持。

實證研究結果表明，在“人工智能創新項目設計”課程中采用AI項目導師系統，不僅顯著提升了學生的課程參與度，還有效促進了學生三大核心素養的發展，并明顯提高了學生對課程的滿意度。

未來的研究將發展更高效的數據抓取與整合技術，以保持內容的新穎性；探索復雜環境下模型協同工作的高級策略，建立動態且精確的知識校驗機制。同時，強化系統的評估反饋功能，以提高系統的智能化水平，并改善用戶的實際體驗。

參考文獻

[1] 董艷，和靜宇.PBL項目式學習在大學教學中的應用探究[J].現代教育技術，2019，29（9）：53-58.

[2]卜彩麗，陳文靜，李雯娜.項目式學習促進大學生高階思維發展的實證研究[J].數字教育，2022，8（3）：71-77.

[3]單美賢，董艷.項目式協作學習中認知負荷的影響因素研究[J].現代遠距離教育，2022（3）：55-62.

[4]陳逸旻，徐劉杰.面向科學探究能力的項目式循證STEM教學模式研究[J].數字教育，2022，8（5）：79-84.

[5]劉嶠，李楊，段宏，等.知識圖譜構建技術綜述[J].計算機研究與發展，2016，53（3）：582-600.

[6]羅江華，張玉柳.多模態大模型驅動的學科知識圖譜進化及教育應用[J].現代教育技術，2023，33（12）：76-88.

[7]戴嶺，趙曉偉，祝智庭.智慧問學：基于ChatGPT的對話式學習新模式[J].開放教育研究，2023，29（6）：42-51，111.

[8]LYU Z， POIESI F， DONG Q. Deep learning for intelligent human–computer interaction[J]. Applied Sciences，2022，12（22）：11457.

[9]馬寧，郭佳惠，溫紫荊，等.大數據背景下證據導向的項目式學習模式與系統[J].中國電化教育，2022（2）：75-82.

[10]張文蘭，張思琦，林君芬，等.網絡環境下基于課程重構理念的項目式學習設計與實踐研究[J].電化教育研究，2016，37（2）：38-45，53.

[11]朱珂，劉玉瑩，尚云翔，等.人工智能賦能教師教育增值評價：價值意蘊、內在機制與實施路徑[J].數字教育，2023，9（5）：15-21.

[12]葉荔輝.基于STEM教育理念的PBL教學模式設計與實踐研究[J].電化教育研究，2022，43（2）：95-101.

[13]余勝泉，熊莎莎.基于大模型增強的通用人工智能教師架構[J].開放教育研究2024，30（1）：33-43.

（責任編輯 孫興麗）

Research on the Construction of AI Project Tutors in Universities under the Synergy of Big Language Model and Knowledge Map

—Taking “AI-Based Innovation Project Design” as an Example

Wang Huazhen1， Lin Haibin1， Lin Xinyu1， Pan Liqi1， Zhou Hao1， Dong Yan2

（1. College of Computer Science and Technology， Huaqiao University， Xiamen， Fujian， China 361021;

2. Faculty of Education， Beijing Normal University， Beijing， China 100875）

Abstract： Aiming at the challenges faced by project-based learning， such as the increase of learning content， the reconstruction of knowledge system， and the change of learning mode， a solution is proposed for the construction of a tutor system for AI projects in colleges and universities that integrates the Large Language Model （LLM） and Knowledge Graph （KG） technology， in which the LLM realizes natural language understanding and generation， while the KG is responsible for the interpretability and reliability of professional knowledge base and the enhanced LLM output. The university AI project tutor can provide accurate， personalized and comprehensive project learning guidance， enabling learners to effectively deal with various complex project-based learning situations. An empirical study in the course “AI-Based Innovation Project Design” shows that the adoption of the university AI project tutor system significantly enhances students’ course engagement， promotes the development of the three core literacies， namely， the engineering innovation literacy， the engineering humanities literacy， and the AI literacy， and at the same time， effectively improves students’ satisfaction with the course. This suggests that the online education tool developed by integrating LLM with KG technology shows high development potential in improving teaching quality and stimulating the cultivation of innovation ability.

Key words： Large language model; Knowledge graph; Project-based learning; AI; AI tutor