多模态知识图谱在精准教学中的应用研究

［摘 要］文章探讨多模态知识图谱在高职院校精准教学中的应用，针对其中存在的数据收集难、技术资源匮乏等痛点，提出构建学习者画像精准教学模型、引入人工智能（Artificial Intelligence，AI）大模型技术、统一数据采集标准及校企合作共建等策略。通过构建多模态知识图谱大模型指导精准教学干预实施，满足学生个性化学习需求。

［关键词］知识图谱；多模态大模型；精准教学；个性化学习

doi：10.3969/j.issn.1673 - 0194.2025.02.078

［中图分类号］TP391.1；G434 ［文献标识码］A ［文章编号］1673-0194（2025）02-0-03

0" " "引 言

在高职教育中，学生的个性化学习需求增多，考虑到教学效率，我国高职院校短期内仍然无法改变规模化的集体教学形式，班级人数多、规模大，教师教学时间精力有限，很难做到给予每位学生足够的关注［1］。然而，多模态学科知识图谱作为一种新的人工智能教育技术，为实现个性化教学提供了强有力的工具方法。通过构建和应用多模态知识图谱，利用大数据分析和机器学习等技术，对学生的行为、兴趣、偏好等进行分类分析，刻画学习者画像实现精准教学和个性化学习，是当下教育技术领域的研究热点和时代发展的必然趋势。

1" " "多模态知识图谱在精准教学中应用的价值

首先，多模态知识图谱通过构建语义化知识网络，将学科知识点之间、知识点与学习资源之间的关系清晰呈现出来。其次，知识图谱技术能够客观地分析和呈现学生的特征，评价他们的表现，诊断学习问题，为教师提供更全面、准确的学生学情信息。通过对学生学习情况的精准把握，教师可以有针对性地设计教学活动，满足学生的个性化需求，提高教学效果。最后，基于数据驱动的精准教学理念，多模态知识图谱为高职教育的教学评价和干预提供了新思路和技术手段。教师可以利用知识图谱技术实时监测和分析学生的学习过程，及时发现学习问题并进行干预，促进学生的学习进步和个性化成长。

综上所述，多模态知识图谱的应用不仅为高职教育提供了理论支持和技术保障，而且为个性化教学的实施提供了重要的指导和支持，有助于提高教学水平和学习质量，推动高职教育个性化教学的发展。

2" " "高职院校实施精准教学存在的痛点

2.1" "智慧学习模型构建中的高质量数据收集难

在构建智慧学习模型时，学校现有的技术手段难以全面、准确地收集学生的学习行为数据。这些数据包括学生的在线学习时长、学习进度、学习成效等，是构建模型的基础。然而，数据来源多样、格式不一，存在缺失值、异常值等数据质量问题，导致模型在实际应用中效果不佳。调研发现，当前很多高职院校学生的学习数据收集都存在一定的困难。

2.2" "高职院校精准教学技术资源整合难

高职院校在推进精准教学的过程中，往往面临着技术资源匮乏和整合能力不足的问题。一方面，由于资金和技术限制，许多高职院校难以获得先进的教学技术和平台支持；另一方面，即使有了这些技术资源，如何有效地将其应用于日常教学中，也是一个复杂而艰难的过程。因此，如何为高职院校提供充足的技术支持和培训，以及如何促进技术资源的有效整合和利用，是当前急需解决的问题。

2.3" "知识图谱构建中多模态数据融合难

在构建知识图谱时，如何有效地融合多模态教育数据，并确保数据的准确性和一致性，是当前面临的一个重要挑战。高职教育中产生的数据类型多样，包括文本、图像、音频和视频等，如何将这些多样化的数据整合到知识图谱中，以丰富和完善图谱的表达形式，是一个复杂而烦琐的过程［2］。同时，如何确保这些数据的准确性和一致性，以免影响教学决策，也是当前急需解决的问题。目前，在高职教育领域，教育知识图谱的构建研究主要集中于文本数据，但这种单一形式的数据具有局限性。

2.4" "精准教学干预策略的有效实施验证难

在信息化教学实践中，如何设计并实施基于知识图谱的精准教学干预策略，并确保其能够有效提升学生的学习效果，是当前面临的一大挑战。这要求教育者不仅要深入了解学生的学习需求和特点，还要能够利用先进的技术手段深入分析学生的学习数据，从而制订针对性的教学方案。然而，在实际操作中，如何验证这些干预策略的有效性，根据反馈进行持续优化，是当前急需解决的问题。

智慧知识图谱是教育大数据背景下为深度准确地“刻画”学习者，对其进行客观、全面的评价并实现可视化呈现的手段，能够帮助教师改进教学模式、优化教学资源以及改善因缺少视觉线索而无法判断学习者参与度和学习质量的情况。

3" " "多模态知识图谱精准教学的实施策略

3.1" "创新构建——刻画多模态知识图谱精准教学模型

多模态知识图谱精准教学模型构建主要有以下步骤：首先，基于学科知识图谱中的知识体系、问题体系和能力体系，草拟知识图谱智慧学习者画像模型的总体构建方案［3］；其次，采集学习者的学习特征数据、学习行为数据和学习结果数据，并对学习数据进行数据清洗、数据转化、数据归一化等预处理；再次，提出模型中的知识图谱构建框架，利用智能技术对学习数据计算建模，运用K均值聚类算法，以精准刻画学习者的学习情况，从学生的基本信息、知识水平、学习参与度以及学习交互4个维度进行知识图谱的聚类与输出；最后，运用智慧学习者画像模型进行精准教学，并利用可视化技术呈现个性化学习效果（见图1）。

3.2" "技术赋能——AI大模型提升精准教学效果

根据规划的群体学习路径，利用改进的卷积神经网络（Convolutional Neural Networks，CNN）训练个性化在线学习路径的神经网络基本结构，生成个性化在线学习路径［4］。针对学习者用户的兴趣会随着时间发生改变，导致推荐的不确定性问题，可充分运用微调后的DiffuRec扩散模型精准匹配目标学习内容的引导，将监督信号引入模型训练过程中，以辅助模型理解和捕获用户的当前意图和偏好。针对传统推荐算法存在的表征能力有限、不确定性等问题，该模型能够达到个性化在线学习路径高质量、多样性的推荐效果。通过引入讯飞星火大模型、文心一言大模型和通义千问大模型等先进的大模型技术，能够实时根据学习者的学习行为、兴趣偏好以及学习进度等信息为其生成个性化的在线学习路径。同时，引入监督信号来优化大模型的训练过程，进一步提高推荐的准确性和多样性。实践结果显示，引入大模型技术的个性化学习推荐系统能够显著提升学习者的学习效率和满意度，学习者能够根据自己的兴趣和需求，获得更加贴合自身个性化需求的在线学习体验，从而实现个性化学习推荐效果的新飞跃［5］。

3.3nbsp; "统一标准——多模态数据融合解决关键难题

为了解决数据收集问题，重庆财经职业学院采用先进的数据采集和处理技术，如大数据分析、人工智能算法等。这些技术能够实时、准确地收集学生的学习行为数据，并进行清洗、整合和分析。山东外事职业大学主要是通过建立统一的数据标准和格式，确保数据的准确性和一致性，从而解决高质量数据收集难的问题。高职教育中产生的教育数据多样化，多模态包括文本、图像、音频和视频等形式的信息。重庆财经职业学院通过整合多模态教育数据，教育知识图谱能够更全面地呈现学科知识结构和学习资源之间的关系［6］，从而为高职教育的个性化教学提供更为准确和有效的支持。本研究选取重庆地区高职学院大数据专业群学生作为实验对象，借助智能终端设备采集学习者学习行为数据，通过智慧学习系统采集学习者学习结果数据，将学科知识点的文本描述与相关的图像、视频或音频素材等多模态相融合，通过分析学生在不同形式教育数据上的表现，可以更好地理解学生的学习特点和需求，从而为其提供更为个性化和针对性的学习支持。

3.4" "校企合作——因材施教精准教学成效显著

个性化学习是专注学生个体差异性的教学方式，旨在满足他们的个性化学习需求。针对高职院校普遍存在的学生难以获得优秀企业骨干的实时指导和帮助，校外导师难以实时获得学生专业能力学习情况，学校难以动态获取企业相应岗位对职业能力的动态要求等问题，本研究依据智慧学习模型建设优化学习路网，有针对性地提供学习路径和学习服务的高职专业课程个性化学习，从课前、课中、课后3个环节进行校企双师全程贯穿针对性辅导，通过分析学习者的课程学习情况，并基于知识图谱进行学习干预，最终达到精准教学的目的［6］。同时，项目组在实际教学中设置实验组和对比组，对实验班和对照班学生的行为学习数据、学业成绩、知识收获、能力提升、素质达成度等各个维度进行对比统计分析，发现实验班的学生在学业成绩、学习资源满意度、问题解决能力、创造性思维能力等方面得到了有效的提升［7］，从而检验本研究所设计的智慧知识图谱精准干预教学的有效性。基于知识图谱的精准教学干预体现了数据驱动教学的理念［8］，本研究设计基于知识图谱的精准教学干预框架和策略，在真实环境下对干预策略进行了实践探索，论证了干预的有效性，从而推动了基于知识图谱的精准教学干预理念及策略的应用。

4" " "结束语

本研究提出基于知识图谱的精准教学干预策略，希望为高职院校教师开展画像技术支持下的精准教学提供参考。通过构建多模态知识图谱大模型来指导精准教学干预实施的过程，不仅能够为教师开展精准教学提供方法上的帮助，还能满足高职学生个性化学习需求。研究表明，该策略在真实环境下有效，切实提升了教学成效，推动了精准教育和个性化学习的发展，并被重庆多所高职院校实际运用，为高职学生的学习和个性化发展提供了支持。

主要参考文献

［1］钟卓.人工智能支持下的智慧学习模型构建及应用研究［D］.长春：东北师范大学，2023.

［2］赵佳琪，余有灵.基于知识图谱的大数据驱动精准教学研究现状与探索［C］//2023中国自动化大会论文集.重庆：2023中国自动化大会，2023.

［3］李振，周东岱.教育知识图谱的概念模型与构建方法研究［J］.电化教育研究，2019（8）：78-86，113.

［4］孙文平，常亮，宾辰忠，等.基于知识图谱和频繁序列挖掘的旅游路线推荐［J］.计算机科学，2019（2）：56-61.

［5］黄华升.基于知识图谱的个性化学习资源推荐研究［J］.软件工程，2018（10）：24-26，23.

［6］陈平华，朱禹.融合知识图谱表示学习和矩阵分解的推荐算法［J］.计算机工程与设计，2018（10）：3137-3142.

［7］祝智庭，贺斌.智慧教育：教育信息化的新境界［J］.电化教育研究，2012（12）：5-13.

［8］邓彩凤.基于学习者画像的精准教学干预设计与应用研究［D］.济南：山东师范大学，2023.