基于知識圖譜的混合教學模式探索：以深度學習通識課程為例

摘要：文章以深度學習通識課為例，初步探索了基于知識圖譜的混合教學模式，以解決學生難以建立完整知識體系、跨學科學習難度大、個性化學習需求難以滿足等問題。該模式融合線上自主學習和線下互動教學的優勢，利用構建的深度學習通識課程知識體系圖譜和學生數字畫像知識圖譜，梳理和可視化課程知識點。這不僅增強了學生對知識結構的理解，還支持個性化學習路徑的智能推薦和學習狀態的精準分析，有助于提高學習效率和教學質量，為培養適應人工智能時代需求的人才提供了有力支撐。

關鍵詞：知識圖譜；深度學習通識課；混合教學模式

中圖分類號：G642

文獻標識碼：A

文章編號：1009-3044（2025）13-0120-03

0引言

深度學習已成為人工智能領域的核心技術，廣泛應用于各行各業，推動社會進步[1]。為適應新時代人才培養需求，我國高校紛紛開設深度學習通識課，旨在讓學生掌握深度學習的基本原理和方法，培養創新精神和實踐能力，為我國人工智能產業發展儲備高素質人才[2]。然而，該課程的開設也存在一些問題，如學時少、內容多、面向專業群廣等。學生在學習過程中普遍面臨以下挑戰：首先，深度學習理論較為抽象，概念繁多，學生難以在短時間內建立起完整的知識體系；其次，深度學習涉及大量數學和編程知識，對于非計算機專業的學生來說，跨學科知識的學習難度較大；再次，傳統課堂教學模式難以滿足學生個性化學習需求，導致學習效果參差不齊；最后，實驗實踐環節資源有限，學生難以在實際操作中深入理解和掌握深度學習技術，從而影響了課程的學習成效。

針對深度學習通識課學習過程中學生所面臨的挑戰，我們提出了一種基于知識圖譜的混合教學模式。該模式將線上自主學習和線下互動教學的優勢相結合，通過構建知識圖譜來梳理課程知識點，并分析學生學習的多方面因素，以提高學習效率和教學質量。在該教學模式下，知識圖譜作為學習資源的組織框架，有助于學生清晰地理解知識點之間的關聯，從而提高學習效率。同時，結合多方面的學生學習數據，構建學生數字畫像知識圖譜，并根據學生的學習反饋和學習效果，采用基于強化學習的推薦算法動態調整學習路徑，智能地提供個性化學習路徑推薦，確保學習路徑始終符合學生的學習需求。另外，通過知識圖譜對學生學習狀態的精準分析，教師能夠更準確地掌握學生的學習進度和能力水平，從而提供更精準的指導和幫助。這種混合教學模式旨在突破傳統教學的局限，促進學生的自主學習能力，提升深度學習通識課的教學質量。

1相關工作

在現代教育環境中，學生對知識的追求變得更加多元化和個性化。他們期望在學習過程中能夠根據自己的興趣和需求進行選擇，這一需求推動了教育技術的創新。近年來，知識圖譜的應用逐漸成為促進個性化學習的重要工具，并在教育領域展現出巨大的潛力[3-4]。知識圖譜通過對課程知識點進行結構化和可視化處理，幫助學生構建完整的知識體系，并深入理解不同知識點之間的關聯。研究者們已經探索了多種將知識圖譜應用于教學場景的方法。例如，楊文霞等[5]以線性代數課程為例，探討了如何利用知識圖譜幫助學生制訂學習方案，并評價了學生的學習效果，同時探討了教師如何根據學生的學習效果調整教學策略。王法強等[6]探究了如何利用知識圖譜實現對高等數學課程的精準化和個性化教學。方傳棣[7]提出了優化金融工程課程知識圖譜以評估學生學習風格的方法，以更好地滿足不同學習風格學生的需求。魏曄等[8]針對Python程序設計課程的特點和教學現狀，構建了一個基于課程知識點和應用案例的知識圖譜框架。這個框架將用于課前預設任務、課中引導分析、課后分層評價和終結性考核，形成一個完整的教學閉環，提高了教學效果和學生的學習成果。為加強高校個性化人才培養，適應新時代的需求，本文以深度學習通識課為例，提出了一種基于知識圖譜的混合教學模式。該模式利用知識圖譜梳理知識點，并生成學生數字畫像，通過應用基于強化學習的推薦算法，實現動態的個性化學習路徑推薦，以輔助線上自主學習；同時，利用知識圖譜對學生學習狀態的精準分析，教師能夠更準確地掌握學生的學習進度和能力水平，從而提供更精準的個性化指導和幫助。

2基于知識圖譜的混合教學模式

深度學習通識課程安排了總計32學時，其中理論學時占24學時，實驗學時安排8學時。課程內容主要在課堂上進行，理論學時著重介紹深度學習的基礎概念和理論，并引入在不同應用領域的經典案例，以幫助學生建立起堅實的理論基礎。實驗學時則側重實踐操作，通過一系列專業經典案例的指導，學生將有機會親自動手實現深度學習算法，從而深化對理論知識的理解和掌握。針對不同專業背景的學生，課程設計了多樣化的實驗案例，并設置了豐富多樣的實驗內容，旨在提供廣泛的選擇，以滿足不同學生的學習需求和興趣，如表1所示。本文以深度學習通識課為例，提出一種基于知識圖譜的混合教學模式，該模式包括知識圖譜構建、線上自主學習、線下互動教學以及教學考核和評估體系。

2.1知識圖譜構建

知識圖譜構建包括課程知識體系圖譜和學生數字畫像的構建，需收集課程知識體系數據和學生學習數據兩大類。其中，課程知識體系數據分為四個模塊，如圖1所示。1）深度學習基礎知識：包括感知機和神經元、人工神經網絡、反向傳播算法等。2）深度學習模型類型：模型網絡結構和特征，如卷積神經網絡、循環神經網絡、注意力網絡等。3）深度學習實踐操作：深度學習有很多開源庫可以幫助提高開發效率和改善代碼質量，常見有TensorFlow、Pytorch等。4）深度學習應用領域：計算機視覺、自然語言處理、語音識別等。而學生學習數據是學生在學習中產生的數據，包括4個模塊，如圖2所示。1）學習行為數據：例如學習時長、學習路徑、學習資源訪問記錄等。2）學習進度數據：例如學習的知識點、完成的作業和項目成績等。3）學習目標數據：學生根據自身情況和學習需求設定學習目標，例如掌握特定知識點、完成特定項目。4）學習風格數據：例如所羅門學習風格量表等。

這些數據包含結構化、半結構化和非結構化數據。知識圖譜的構建流程包括[4]：首先，通過新詞發現和短語提取技術創建本體庫；其次，使用實體識別算法識別實體信息，并采用關系抽取技術獲取實體間的關系，形成RDF三元組；最后，通過知識對齊和推理等算法對知識進行加工，構建出最終的知識庫。通過構建知識圖譜形成的深度學習通識課的課程知識體系，學生能夠清晰地了解并掌握相關的知識點、概念、關系和屬性信息。而根據學生學習數據構建的學生數字畫像知識圖譜，將用于分析學生的學習情況和學習需求，動態調整學習路徑，為學生推薦個性化的學習路徑，確保學習路徑始終符合學生的學習需求。

2.2線上自主學習

線上自主學習模式充分利用知識圖譜的強大功能，為學生提供個性化、高效的學習體驗。通過分析學習數據生成學生數字畫像，精準推薦個性化學習路徑，助力學生按最佳順序掌握知識。本文采用一種基于強化學習的路徑推薦算法，該算法是一種通過與知識圖譜交互來調整學習路徑推薦策略的方法[9-10]。該算法的學習過程類似于游戲中的玩家通過與游戲環境互動來學習最佳策略。在深度學習通識課的背景下，學生可以被視為強化學習中的智能體，知識圖譜中的知識點和資源則構成了環境，學生數字畫像可以定義為學生的學習狀態（如已掌握的知識點、當前學習目標、學習進度、學習風格等）。具體算法可以包括三個主要步驟，如圖3所示。

1）初始化階段：這個階段包括對環境進行初始。

①環境初始化：以面向深度學習通識課的課程知識體系圖譜作為初始環境，其中包含深度學習相關的知識點、概念、關系和屬性等信息。

②學生狀態初始化：將最初的學生數字畫像定義為初始狀態，包括專業背景、當前學習目標、學習進度、學習風格等。

③定義動作空間、課后復習：定義學生可以采取的學習動、選擇學習資源、調整學習順序等。

④獎勵機制。例如：，根據學生的學習效果和反饋完成通過一次測試可以獲得正獎，設計勵，而學習效率低下或測試成績不佳則可能獲得負獎勵。

2）探索學習階段，嘗試不同的學習路徑：該階段讓學生在學習過程中與。收集學生在學習過程中的反饋信息，如學習效率、學習效果等。使用強化學習算法，如Q-learning，讓學生在學習過程中不斷調整學習策略，以獲得最大的累積獎勵。學習策略的調整可以基于學生的學習效果和反饋信息，例如，如果學生在某個知識點的學習效果較好，可以增加該知識點的學習頻率以及學習深度；如果學習效果不佳，可以調整學習策略，嘗試其他學習路徑。

3）策略優化路徑推薦階段：通過多次迭代，以獲得最大，讓學的累積獎勵，使其更加符合學生的學習需求和特點。評估學習策略的效果，根據評估結果調整學習策略，以提高學習效果。最后根據學習策略，為學生推薦最佳的學習路徑。

在深度學習通識課的背景下，例如，學生通過與知識圖譜的交互，不斷調整學習策略，以提高圖像識別的準確率。通過Q-learning算法，學生可以按照最優學習路徑學習，例如先學習CNN的基礎概念，然后學習其實現和應用，最后探索其他深度學習算法。這種學習策略不僅可以幫助學生更高效地掌握知識，還可以提高學習效果和學習興趣。

2.3線下互動教學

在基于知識圖譜的混合教學模式下，假設學生通過線上自主學習，已經初步了解了深度學習的基本概念和原理。在接下來的線下互動教學階段，教師將利用知識圖譜作為輔助工具，通過知識點講解幫助學生深入理解知識點之間的關聯和邏輯關系。同時，設計互動式學習活動，如小組討論和案例分析，促進學生將所學知識應用于實踐。此外，利用知識圖譜分析學生的學習數據，生成學生數字畫像，教師根據學生數字畫像提供個性化的指導和幫助，以幫助學生克服學習過程中的困難。一些案例如下：

1）知識點講解、算法和應用場景：教師根據知識圖譜。例如，，講解深度學教師可以利用知識圖譜中的概念圖，展示各種神經網絡模型（如卷積神經網絡言處理等應用場景之間的關系、循環神經網絡等。）通過這種方式與圖像識別、自然語，學生可以更直觀地理解知識點之間的關聯和邏輯關系。

2）互動式學習活動：教師設計小組討論和案例分析等互動式學習活動踐。例如，教師可以提出一個圖像識別的問題，讓學生將所學知識應用于實，讓學生分組討論如何使用深度學習算法解決該問題。在討論過程中，教師可以引導學生利用知識圖譜中的知識點，分析問題、設計解決方案并實現算法。

3）個性化指導：教師利用知識圖譜分析學生的學習數據，生成學生的數字畫像。根據學生的數字畫像，教師可以提供個性化的指導和幫助。例如，對于學習進度較慢的學生，教師可以推薦額外的學習資源生，幫助他們鞏固基礎知識教師可以推薦更高難度的知識點；對于學習進度較快的學，激發他們的學習興趣。

通過以上案例，我們可以看到，在基于知識圖譜的混合教學模式下，線下互動教學階段教師充分利用知識圖譜作為輔助工具，幫助學生深入理解知識點之間的關聯和邏輯關系，并通過互動式學習活動和個性化指導，提升學生的學習效果。

2.4評估體系

在基于知識圖譜的混合教學模式中，評估體系旨在全面了解學生的學習情況和效果，主要包括三種評估方式：形成性評估、總結性評估和個性化評估。1）形成性評估：通過知識圖譜記錄學生的學習過程和學習成果，進行形成性評估，教師可以及時了解學生的學習狀態，包括學習進度和理解程度等，從而調整教學策略。例如，發現部分學生在卷積神經網絡的學習上存在困難，于是教師調整教學策略，提供更多的實踐案例和講解，幫助這部分學生掌握卷積神經網絡理論知識及應用。2）總結性評估：總結性評估通過考試等方式檢驗學生的學習效果，為教師提供教學反饋。例如，發現大部分學生掌握了深度學習的基礎知識，但在某些方面仍需加強。3）個性化評估：根據學生數字畫像，教師為學生提供個性化評估報告，幫助學生了解自己的優勢和不足，指出學生在某些方面的不足，并推薦相關學習資源和實踐項目，幫助學生進一步提升技能。

通過這種評估體系，教師可以全面了解學生的學習情況，及時調整教學策略，提高教學質量。同時，學生也能更好地了解自己的學習優勢和不足，有針對性地進行學習。

3結束語

本文針對深度學習通識課程的教學現狀，提出了一種基于知識圖譜的混合教學模式。通過線上自主學習和線下互動教學，構建知識圖譜梳理課程知識點，并結合學生學習的多方面因素，以提高學習效率和教學質量。此外，通過知識圖譜對學習狀態的精準分析，教師能夠更準確地掌握學生的學習進度和能力水平，從而提供更精準的指導和幫助。該混合教學模式有助于突破傳統教學的局限，促進學生的自主學習能力，提升深度學習通識課的教學質量。然而，由于教學資源的限制，該模式在實際應用中仍存在一定的挑戰。未來，我們將繼續優化知識圖譜的構建方法，豐富線上學習資源，提升線下互動教學的效果，以更好地適應深度學習通識課程的教學需求。同時，我們也將關注學生學習數據的隱私保護，確保教學模式的安全性和合規性?？傊疚奶岢龅幕谥R圖譜的混合教學模式為深度學習通識課程的教學改革提供了一種新的思路和方法。我們期待這一模式能夠得到更多高校的認可和應用，為培養新時代的高素質人才作出貢獻。

參考文獻：

[1]呂勇，李衛東，華梁.淺談深度學習在人工智能課程中的應用[J].教育研究，2020，3（10）：105-106.

[2]章瑾，張蕾.人工智能導論課程混合式教學改革[J].福建電腦，2023，39（5）：109-112.

[3]劉雙.人工智能（AI）+知識圖譜在混合式教學中的應用[J].辦公自動化，2024，29（7）：42-44.

[4]ABU-SALIHB，ALOTAIBIS.Asystematicliteraturereviewofknowledgegraphconstructionandapplicationineducation[J].Heliyon，2024，10（3）：e25383.

[5]楊文霞，王衛華，何朗，等.知識圖譜賦能智慧教育的研究與實踐：以武漢理工大學“線性代數”課程為例[J].高等工程教育研究，2023（6）：111-117.

[6]王法強，楊曉楓，曹斌照.利用知識圖譜實施精準和個性化教學：以高等數學為例[J].延邊大學學報（自然科學版），2024，50（2）：133-138.

[7]方傳棣.基于學習風格評估的金融工程課程知識圖譜優化與實踐[J].綠色科技，2024，26（12）：184-190.

[8]魏曄，崔貫勛.基于知識圖譜的Python程序設計課程教學設想[J].計算機教育，2024（2）：51-54.

[9]SUTTONRS，BARTOAG.Reinforcementlearning：anintroduc?tion[J].IEEETransactionsonNeuralNetworks，1998，9（5）：1054.

[10]MNIHV，KAVUKCUOGLUK，SILVERD，etal.Human-levelcontrolthroughdeepreinforcementlearning[J].Nature，2015，518（7540）：529-533.

【通聯編輯：代影】