知识图谱与大模型协同驱动高等教育教学数字化转型

数据来源： 2025腾讯云城市峰会·上海峰会，同济大学研究员、博导、XAI实验室主任 王昊奋 演讲内容

1. 应对教学知识工程化与认知智能化的转型挑战

高等教育正致力于实现从“以教为中心”向“以学为中心”的范式转移，其核心在于解决知识规模化与个性化教学之间的矛盾。

• 认知智能的飞跃与大模型特性： 大语言模型（LLM）实现了世界知识的神经网络化表示。ChatGPT 证明了通过预训练、提示学习、指令微调等路径，可以将自然语言形式的知识在参数空间中进行处理。
• 单一技术的局限性：
  • 大语言模型： 虽然具备高知识覆盖度和多任务泛化能力，但存在知识不可靠、推理过程不可控、可解释性差等问题。
  • 知识图谱 (KG)： 作为“文字语义+结构知识”的混合体，接近人脑认知且易于扩展，但面临构建成本高、知识覆盖度受限的问题。
• 协同需求： 结合两者，利用符号知识（KG）增强语言模型，实现相互补充，是提升教育领域模型可信度和推理能力的核心路径。

2. 构建“大模型+知识图谱”的师-机-生三位一体体系

通过整合大模型的生成能力与知识图谱的结构化表示能力，构建覆盖教学全链路的智能化基础设施。

• 核心技术架构：
  • 数据治理层： 针对教学大纲、教材、课件、师生资料、授课视频、测验文本及多模态数据进行知识提取（实体、属性、关系、事件抽取）。
  • 语义层： 建立包含教材、知识点（概念/公式/公理/定理）、人物、机构、试题、考纲 6种实体类型的学科本体数据模型，实现资源的语义互联互通。
  • 模型层： 借鉴 ChatGPT/InstructGPT 路径，使用大规模领域语料和结构化知识（KG），构建面向特定领域的教育大模型，结合推理、工具与行动能力实现增强型 LLM。
• 新型教学体系： 教师依据培养目标确定教学目标，借助图谱下沉至知识点；LLM+KG 构建专业知识图谱，打通“教”与“学”的认知壁垒，支持学生基于课程内容的自主探索式学习。

3. 量化教学指标与多场景应用成效

通过具体的知识图谱构建数据与教学辅助功能，展示技术落地的量化成果与实际业务价值。

辅助教学场景

• 专业图谱构建能力（以同济大学医学专业为例）：
  • 使用大模型注入领域背景知识，从解析文本中抽取出 15,077 个知识点。
  • 挂载图片、公式图表 300+ 个。
  • 基于频繁项集挖掘等 NLP 能力，计算教材中知识点远近关系 140,098 条。
• 教材与备课效率提升：
  • 智能编写： 基于三元组方法构建知识图谱，梳理教材结构模板并填充内容，简化知识体系的更新与维护。
  • 智能备课： 根据教学进度和教材版本，持续推送匹配的备课资源（教案、课程规划、作业），提升教材编写及教学效率。
  • PPT 质量评估： 通过图谱对比教学大纲与 PPT，检测遗漏知识点（如某医学课程中缺少“肾病综合征诊断标准”等具体内容），确保覆盖度。
• 可视化与自动命题：
  • 提供知识地图、关系图等多种可视化组件，辅助宏观教学。
  • 利用语义计算、干扰项生成与难度分级策略，实现自动命题（如古诗文理解、医学概念考核等）。

自适应学习场景

• 资源精准推送与路径规划： 基于学科知识图谱关联学生画像（包含学习进度、知识点掌握度、习题记录），通过大模型分析动态学习数据，精准诊断薄弱点并推荐相关练习与学习路径。
• 智能答疑与数智学伴：
  • 集成任务型与知识型问答，具备多轮对话能力。
  • 基于“自信得分”（模型最不自信 token 的最低概率）自适应切换文档问答与通用问答知识库，无缝衔接学科专业回答与通用对话。
• 文献图谱应用（以交通运输工程学院为例）： 为 300+ 篇文献数据构建知识图谱，通过大模型将自然语言查询转换为图谱查询，实现相似度计算（如 BIM 技术相关论文相似度达 81.47%）和深度阅读关联。

智慧课堂与管理场景

• 精准教学与学情画像： 系统分析学生学情数据（如 A 类知识点掌握度：18.6% 基本懂，20.4% 略懂，17.8% 不懂，62.5% 完全懂），反馈给教师以制定针对性策略（如增加巩固练习）。
• 课堂笔记自动化： 基于 CNN 语音识别技术，从音视频中提取文本，结合知识图谱逻辑自动生成课堂笔记。
• 高校智慧管理：
  • 教师发展： 刻画教师画像，分析职业素养与科研绩效，预测论文发表及人才计划入选。
  • 精准资助： 基于校园卡消费金额、消费笔数、家庭收入等数据构建困难指数，识别虚假贫困生及因自尊心未主动申请的潜在贫困生。
  • 可视化管理： 汇聚科研成果、学科、师生数据，提供宏观态势感知（如累计活动场次 300+）及专题分析。

“利用‘大模型+知识图谱’为核心的问答机器人，实现学生语音问答，学科问题答疑，知识检索推荐，教学管理等一系列教学工作。既减轻了老师的负担和压力，又解决了学生的实际问题。” —— 王昊奋，同济大学研究员、博导、XAI实验室主任

4. 选择腾讯云探索教育数字化新范式

基于“知识图谱+大模型”的协同架构，提供了从数据处理到应用交互的全栈能力，确保教育场景的技术确定性。

• 技术互补性： 知识图谱提供可信知识源与可控推理路径，弥补大模型在事实准确性上的不足；大模型提供零样本/小样本抽取能力，降低知识图谱的构建成本。
• 架构支撑： 采用 Copilot/Agent 中控交互架构，实现输入理解（LLM+KG）、任务规划（KG+LLM）、行动执行（KG表示 API/插件，LLM 选择执行）与结果精化（KG）的闭环。
• 未来展望： 推动虚拟教研室、个性化教学及新型教材应用，亟需研发知识图谱赋能的智能教学管理平台与高等教育元宇宙，迈向高等教育教学的 Copilot 时代。