基于大模型構建開放教育多模態課程圖譜及其價值邏輯研究

［摘要］針對傳統方法構建課程圖譜自動化能力弱、開發成本高、模塊耦合度松散等問題，本研究利用Deepseek+LangChain大模型開源框架構建多模態課程圖譜。課程圖譜將課程元素，如章、節、知識點依賴關系以圖的形式進行組織。結合智能問答、知識追蹤構建課程圖譜價值邏輯，輔助進行課程資源建設及個性化資源推薦，從而提升開放教育的教學質量。

［關鍵詞］課程圖譜;多模態;大模型; 知識追蹤;LangChain

［中圖分類號］TP183;G724.82［文獻標識碼］A［文章編號］1008-4648（2025）01-0018-06

The Construction and Value Logic of Open Education

Multi-model Curriculum Graph Based on Large Model

Wang Lei Han Quanye Han Quanye

（1.Shaanxi Distance Education Research Center， Xi’an 710119;

2.Hebei University of Science and Technology， Shijiazhuang 050018）

Abstract：In response to the problems of weak automation ability， high development cost， and loose module coupling in traditional methods of constructing curriculum graph， this paper uses Deepseek and the open source framework “LangChain” to construct a multi-model curriculum graph that organizes course elements， such as chapters， sections， and knowledge point dependency relationship graphs. Combining intelligent Qamp;A and knowledge tracking to construct a curriculum graph value logic to assist in curriculum resource construction and personalized resource recommendation， thereby improving the teaching quality of open education.

Keywords：Curriculum graph; Multi-model;Large model; Knowledge tracking;Langchain

隨著生成式大語言模型的快速發展，我們正處于人工智能領域的一次重大變革之中。這些模型，如GPT系列、Deepseek等，已經展現出了驚人的語言生成和理解能力，正在逐步改變我們的生活和工作方式。大模型相比傳統模型在多個方面展現出顯著的優勢，原因是大模型擁有更多的參數，能夠學習更復雜的數據模式，從而在各種任務中表現更佳性能。在自然語言處理領域，大模型可以學習到更豐富的語言結構和語義關系，從而在文本生成、機器翻譯、文本分類等任務取得更好的性能。在教育領域，大模型同樣帶來了諸多創新。開放教育課程面向全社會開放，學生基礎及學習能力多樣化，開設的課程根據學生知識點掌握情況精準推薦的資源也應不同。因此，對于開放教育課程的課程圖譜研究，需要更加注重知識點關聯隱層下的易用性和動態生成性，以滿足學習者的個性化需求和學習路徑規劃。

為了解決以上問題，需要借助先進的技術手段，挖掘開放教育資源之間的動態關系。課程圖譜作為一種新興的課程設計和展示工具，將知識點之間的關聯和層級關系清晰地展示出來，從而清晰地呈現出知識點之間的關聯和邏輯。但是，傳統的知識圖譜構建需要手工提取知識點，準確率低。不同教師團隊對課程知識點的認知以及提取知識點之間關聯的思路不同，同門課程不同教師團隊建設的圖譜因人而異，質量參差不齊。

大模型能夠從大量文本、圖像等多模態數據中提取關鍵信息，并自動構建課程圖譜。這種自動化的知識獲取方式大大提高了知識整合的效率。通過大模型的預訓練，可以在不同領域的課程圖譜構建中實現知識遷移，減少重復勞動。與此同時，大模型通過學習大量知識，能夠獲得邏輯推理能力，從而彌補課程圖譜中的不完整和錯誤，構建更加嚴謹和準確的知識體系。為了構建一個統一的課程圖譜，本研究通過大模型對課程資源中的文本內容進行語義解析，理解不同資源之間的語義聯系。本研究利用Deepseek提供的封裝好的API來執行實體識別和關系抽取的任務，在知識整合階段進行知識對齊以及實體消歧，最終構建開放大學《數據結構》課程圖譜。

一、課程圖譜研究現狀

在教育教學領域，國內外學者針對教育知識圖譜展開一系列研究。根據課程的知識結構和學生學情分析，李子亮等人[1]分析了《科學計算與 MATLAB 語言》課程特點，構建了課程知識圖譜，構建的課程圖譜共包含 242 個知識點實體，320 條知識點關系，涵蓋了95%以上課程核心知識點，學生學習效果得到明顯提升。基于知識體系梳理的結果，宋莉娟等人[2]設計了《護理學導論》課程知識圖譜的框架和結構，包括主題、子主題、知識主題等，借助知識圖譜技術，將《護理學導論》課程的知識點以圖形化的方式呈現出來，形成直觀、清晰的課程圖譜。《健康評估》課程是護理、醫學相關專業的重要課程，涉及大量的知識點和復雜的邏輯關系，為了幫助學生更好地理解和掌握這些知識點，提高教學效果，楊智慧等人[3]將課程圖譜應用于《健康評估》課程的教學過程中，根據知識點劃分、知識點間的邏輯關系，將知識單元視為“概念”抽取知識點之間的層級關系，主要包括：包含性關系、順序性關系、相關性關系。

然而，以上研究構建課程圖譜數據來源存在單一化，學者嘗試引入了多模態技術進行知識補充。高茂[4]通過微調BERT預訓練模型對百度百科、互動百科的多模態資源進行對齊。王衛紅等人[5]利用斯坦福七步法結合奧蘇貝爾認知理論及學科專業特色，形成學科專業課程知識圖譜（SSCKG）模式層，模式層主要定義了知識圖譜中的實體、關系、屬性等基本概念和結構，依據認知理論引入課程、知識單元、知識點等權重系數，完成自建語料庫，擴充SSCKG的課程容量。羅江華等人[6]分析了多模態大模型與學科知識圖譜關聯，剖析了多模態大模型對學科知識圖譜的推動因素，梳理了多模態學科知識圖譜的理論框架。

隨著生成式預訓練模型的日益強大，生成式模型（T5、BART、GPT3、InstructGPT）[7，8，9，10，11]陸續被學者提出。唐曉晟[12]團隊提出了一種基于大語言模型的學科知識圖譜構建框架，該框架深度融合了大語言模型優點和學科知識點的邏輯關系。在生成式信息抽取領域，Lu 等人[13]提出了統一信息抽取（UIE）框架，該框架通過使用文本到結構的流程來統一建模信息抽取任務，該框架利用編碼器—解碼器架構來生成包含特定類型和跨度的結構化抽取語言。研究團隊[7]嘗試探索一種基于國內大語言模型的自動標注方法，實驗結果表明，國內大語言模型在《道德與法治和數學學科》的知識圖譜自動標注方面均取得了較好效果，與人工標注結果相比，自動標注方法在保證準確性的同時，也提高了標注的效率，降低了人工成本。現有構建方法自動化程度較低，耦合度高，可復現性和可移植性較差。因此，唐曉晟[8]提出了一種基于大語言模型的學科知識圖譜構建優化流程，高度融合大語言模型的優勢和各學科知識的邏輯關聯。

在以上研究基礎上，針對開放教育學生學習特點，本研究提出了利用生成式大語言模型構建多模態課程圖譜理論框架。基于大模型構建的課程圖譜通過抽取課程知識點，建立知識點之間的關系網絡結構，達到呈現課程知識的內在聯系和層次結構，幫助學生更好地理解和掌握課程內容。

二、大模型構建多模態課程圖譜框架

（一）課程圖譜概念

課程圖譜通過梳理課程內容，抽取課程知識點，建立知識點和知識點之間的關系網絡結構，幫助學生深度理解知識內容前后關系。課程圖譜主要元素包括章、節、知識點之間的聯系，如“關聯”、“包含”、“屬于”等，這些關系定義了知識點之間的相互作用。

（二）LangChain開源框架

LangChain開源框架允許從事人工智能的開發者將大語言模型（LLM）與外部計算和數據來源結合起來。它提供了一套工具、組件和接口，旨在幫助開發人員輕松構建基于語言模型的應用程序。LangChain的核心在于將不同的組件“鏈接”在一起，形成一個連貫的應用程序。這些組件包括模型輸入輸出、數據連接、鏈、記憶、代理和回調等。每個組件都有其特定的功能，它們協同工作，完成復雜的數據處理任務。

使用LangChain通常涉及以下幾個步驟：

1．初始化：導入LangChain庫中的相關模塊，并初始化所需的組件，如模型、內存、索引等。

2．構建鏈：根據應用需求，使用LangChain提供的鏈接口和預制鏈，或者自定義鏈邏輯，構建出完整的鏈。鏈中可以包含多個步驟，每個步驟可以調用不同的模型或工具。

3.執行鏈：將輸入數據傳遞給鏈，并執行鏈中的各個步驟。LangChain會按照定義的順序調用模型或工具，并處理中間結果和上下文信息。

4.獲取結果：從鏈中獲取執行結果。結果可以是文本、圖像、數據等多種形式，具體取決于鏈的輸出設計。

（三）利用大模型構建多模態課程圖譜流程

圖1描述了使用LangChain框架構建多模態課程圖譜的詳細步驟：

1.數據采集與預處理階段：該研究構建的課程圖譜資料數據來源于開放教育授課資料，課程資源具體包括教材、課程標準、教案及學術文獻。從教學資源中采集文本數據，對于重復冗余數據進行數據預處理。

2.知識抽取階段：借用大語言模型的強大功能，使用多種知識來源，通過學科知識分析設計知識系統架構，自動化提取基于教學資源的知識實體和知識關系。知識抽取階段配置相關環境和安裝依賴庫，設置Deepseek API密鑰，編寫適當的提示模板，通過調整LangChain的配置參數使用數據加載器識別知識點與關系。

3.知識整合階段：進行知識對齊以及實體消歧。課程圖譜中實體對齊的主要任務是將不同課程、教材、教學資源等相同或相似知識點進行對齊，以確保知識點的準確性和一致性。課程圖譜中語義消歧的主要任務是對具有多個含義的知識點進行區分，以確保知識點的準確性和清晰性。

4.課程圖譜構建及優化階段：將知識點和關系數據導入到圖數據庫Neo4jGraph，并對課程圖譜進行優化，如去除冗余關系、合并相似實體。

（四）構建課程圖譜案例

本文以某開放大學《數據結構》課程為例構建多模態課程圖譜。首先從課程資源中整理文本內容，再進行數據清洗得到完整解析數據。使用LangChain的LLMChain類，結合Deepseek模型，構建知識點與關系提取鏈條。

1.實體識別：從《數據結構》課程大綱、教材、教案等文本資源中識別出核心的知識點。編寫適當的提示模板即Prompt Template（圖2），提示詞用于將用戶輸入和其他外部數據轉化為適合大語言模型的格式，以便模型能夠準確理解并執行任務，引導Deepseek模型生成所需的實體。

2.實體對齊：利用課程圖譜的知識點屬性和結構信息，將不同圖譜的實體表示在同一個歐式空間中，使得正例的對齊實體對在空間中相似度較近，負例的不對齊實體相似度較遠。

3.關系抽取：將文本數據輸入到鏈條中，確定知識點之間的關聯、課程與章節的包含關系。將需要識別關系的文本數據導入LangChain框架。根據識別關系的任務需求，設計合適的提示詞。將處理后的文本數據和提示詞輸入到LangChain框架，模型根據輸入的數據和提示詞進行推理，識別出文本中的關系。

4.提示模板格式：

最終，構建的某開放大學《數據結構》“圖”章節課程圖譜二維碼如圖3所示：

為了評估《數據結構》課程引入課程圖譜后的教學效果，采用以下評估方法：

（1）問卷調查：設計問卷收集學生對課程圖譜的滿意度、學習效果等方面的反饋意見。通過平臺調查問卷收集課程圖譜學習滿意度，調查對象為計算機科學與技術專業某班15名學生，90%的學生認為《數據結構》課程圖譜基本覆蓋課程所有知識點。80%的學生達到預期學習目標。

（2）成績對比：對比引入課程圖譜前后的學生學習成績，評估其對學生學習效果的影響。分析了計算機科學與技術專業某班15名學生測試成績，20%的學生學習成績提高幅度為5-10分，10%的學生學習成績提高幅度為10-20分，整體教學效果良好。

三、課程圖譜價值邏輯

課程圖譜能夠清晰地展示課程系統中章、節、知識點之間的關聯，引出知識點廣度、深度和梯度的協同感，從而凸顯課程系統內在的邏輯性。這種邏輯性有助于教師和學生更好地理解課程之間的內在聯系，形成系統的知識體系。課程圖譜結合交叉領域（智能問答、知識追蹤）構建的課程圖譜價值邏輯框架如圖4所示：

1.價值邏輯一：個性化資源推薦

從國開平臺導出學生過程行為數據，利用知識追蹤剖析學生知識點掌握情況，精準定位學生學習薄弱點。結合大模型構建的課程圖譜進行學情分析，針對學生群體進行個性化學習資源推薦。

2.價值邏輯二：輔助答疑

智能問答系統結合課程圖譜，在開放教育答疑平臺輔助回答學習者在學習過程中遇到的問題。

與此同時，系統可以根據學習者的提問，在課程圖譜中搜索相關的知識點和概念，并結合大模型的推理能力，根據學生的興趣點發布學生感興趣話題帖子。

3.價值邏輯三：試題庫建設

結合課程圖譜，梳理每門課程的核心知識點和教學重難點。以課程圖譜為參照構建試題庫，確保試題能夠覆蓋課程圖譜中的所有知識點和邏輯關系。進一步利用知識追蹤準確把控學習者對知識點的掌握情況，給學習者從題庫中推送薄弱知識點相關的試題。

4.價值邏輯四：教材建設

根據課程圖譜對教材內容進行重新組織和優化，確保知識點之間的銜接和連貫性。在教材中插入課程圖譜的相關部分，幫助學生快速把握課程結構和重難點。設計與課程圖譜相匹配的練習題和實踐活動，加深學生對知識點的理解和掌握。制作的教材資源可以重新作為構建課程圖譜模型輸入，對已有課程圖譜進行反哺優化。

5.價值邏輯五：教案建設

根據課程圖譜中的知識點邏輯關系，設計教學流程，包括內容導入、新課講授、鞏固練習、課堂小結和作業布置等環節。教學設計結合課程圖譜加強師生互動，提高學生的學習積極性和參與度。同時，教案資源也可以重新作為構建課程圖譜模型輸入，對已有課程圖譜迭代優化。

四、結語

本研究針對開放教育提出了一種基于Deepseek大語言模型的課程圖譜構建框架。首先收集課程的教材、課程標準、教案和相關文獻，借用Deepseek的強大功能，通過學科知識分析，自動提取教學資源的知識點實體和知識點關系。通過構建課程圖譜價值邏輯鏈，實現對教學資源的有效整合和優化，從而提升開放教育的教學質量。目前構建的《數據結構》課程圖譜是靜態的，未來根據課程圖譜的復雜性和規模，可以選擇合適的布局算法和可視化工具來優化課程圖譜的顯示效果。為了讓課程圖譜更加實用和易用，可以添加用戶交互和反饋的功能。

［參考文獻］

[1]李子亮，李興春.《科學計算與MATLAB語言》課程知識圖譜的構建[J].智能計算機與應用，2025，15（02）：116-123.

[2]宋莉娟，杜苗，蔡妤珂，等.護理學導論課程知識圖譜的構建與應用研究[J].中華護理教育，2024，21（08）：950-955.

[3]楊智慧，李興雯，閉曉君，等.健康評估課程知識圖譜的構建及初步應用研究[J].中華護理教育，2024，21（09）：1035-1040.

[4]高茂.融合多模態資源的課程知識圖譜構建與應用研究[D].呼和浩特：內蒙古師范大學.2023：34-37.

[5]王衛紅，劉佳瑞，尚蘭蘭.融合認知理論的學科專業課程知識圖譜模型[J].計算機仿真，2024，41（08）：242-247.

[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]寇思佳，閆鳳云，馬晶.國內大語言模型在學科知識圖譜自動標注上的應用——以道德與法治和數學學科為例[J].華東師范大學學報（自然科學版），2024（05）：81-92.

[8]RAFFEL C， SHAZEER N， ROBERTS A， et al. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer[J]. Journal of Machine Learning Research，2020， 21， 140：1-140：67.

[9]LEWIS M， LIU Y， GOYAL N， et al. BART： Denoising Sequence-to-Sequence Pre-training for Natural Language Generation， Translation， and Comprehension[C]//In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics （ACL）， Online， July 5-10， 2020：7871-7880.

[10]BROWN T， MANN B， RYDER N， et al. Language models are few-shot learners[J]. Advances in Neural Information Processing Systems， virtual， 2020， 33： 1877-1901.

[11]OUYANG L， WU J， JIANG X， et al. Training language models to follow instructions with human feedback[J]. Advances in Neural Information Processing Systems， 2022，35： 27730-27744.

[12]唐曉晟，程琳雅，張春紅，等.大語言模型在學科知識圖譜自動化構建上的應用[J].北京郵電大學學報（社會科學版），2024，26（01）：125-136

[13]LU Y J， LIU Q， DAI D， et al. Unified Structure Generation for Universal Information Extraction[C]// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics （ACL）， Dublin， Ireland， May 22-27， 2022： 5755-5772.

［責任編輯張宇龍］