基于知识图谱的综合实践教学设计

全文约5000字，阅读需7分钟

来源丨计算机教育

引言

机器学习作为人工智能的核心课程，近年来发展迅速。特别是深度神经网络的兴起，带动了计算机视觉的蓬勃发展，同时计算机视觉广泛的应用需求也推动了机器学习算法的不断升级[1]。经过多年的交叉与融合，逐渐形成了以机器学习和计算机视觉为中心的课程群，如图1所示。该课程群涉及诸多交叉学科领域的课程，如模式识别、最优化方法、三维重建、视频编码、信号处理等。课程群具有如下特点：①知识范围广、教学内容更新快；②理解难度大、实践过程长且学习路径具有多样性；③综合度高、教学内容紧密相关且交叉融合不断深入。这些特点对学生的学习和掌握能力提出了很大的挑战，学生需要在具备多学科综合能力的基础上，花费较长时间才能进行相应的学习和实践，并根据内容的不断变化进行持续性的综合实践。

面向机器学习课程群的综合性实践教学近年在人工智能专业课程体系中占据重要地位，其教学效果将直接影响学生动手能力和抽象逻辑思维能力的培养[2]。目前对于这类前沿课程群，综合性实践教学模式非常匮乏。现有实践教学归纳起来存在以下问题：①实践教学内容与前沿知识脱节；②实践内容安排在课内，课程之间存在冗余且综合度不高；③实践内容依赖教程，学生模仿式实践，学习路径单一、缺乏创新意识；④成绩评价体系不合理。这些问题导致目前机器学习课程群在实践教学方面没有很好的效果。如何提高综合性实践教学效果是教师面临的重要课题[3-4]。

近年来，知识图谱作为知识的一种形式[5]，在智能问答[6]、语义搜索[7]、思维训练[8]、项目管理[9]，智慧教育[10]等领域发挥越来越重要作用。基于知识图谱的跨课程、重交叉的综合性实践教学模式，能够通过能力导向和复杂问题驱动，将实践过程中涉及的知识和非结构化学习资源联系在一起构建语义关系网络，实现课程群深度融合和资源优化，促进学生实践路径多样化。

01

能力导向与问题驱动相融合的教学模式

1.1 实践能力导向的教学目标

机器学习课程群由机器学习、计算机视觉等课程组成，是人工智能的核心内容。教学目标以近年来机器学习进展为线索，结合在计算机视觉领域的相关应用，通过开设综合性实践课程，融合思政元素，培养学生利用机器学习等相关课程的理论原理和专业知识，采用科学的方法解决计算机视觉以及相关领域中的复杂工程问题的能力。

1.2 复杂问题驱动的分层教学模式

如何培养学生解决实际场景中机器学习领域复杂问题，不仅是工程教育认证的要求,也是实践人才培养的重点[11]。在综合性实践教学设计中，以实践能力为导向，结合教师科研项目，精选实践教学案例，通过前沿复杂问题驱动，提炼和完善课程群知识图谱，布局实践教学内容，精准预设多条学习路径，实现学生实践过程多样化。图2以计算机视觉复杂问题为例，描述能力导向与问题驱动相融合的教学模式。

通过从复杂问题、组合问题、基本问题到知识点的分层剖析，组织知识点和实践教学资源构建知识图谱，挖掘有效学习路径，方便获取优质资源和设计实践活动。这里以“场景理解”为导向，基于目标特征，围绕目标检测与识别任务，通过动手编程展开学习与探究，通过设计问题的解决方案，从时空和语义角度引导学生主动经历知识发现与问题解决的过程。

02

基于知识图谱的多路径实践教学

2.1 面向实践教学的知识图谱优化

知识图谱作为一种语义网络可以用于构建实践教学体系，能够通过结点记录不同类型的实践知识点和知识点相关的教学资源，又能通过结点关联关系刻画知识点之间以及教学资源之间的相关性。利用知识图谱构建实践教学体系，具有以下优点。

（1）知识图谱可以将文本、图片、视频、课件等不同的非结构化数据合并，实现知识与资源的高效集成，方便资源建设、优化、知识查阅与推荐。通过知识图谱，可以将这些离散的教学资源有效整合起来。表1给出知识图谱中的结点类型、属性及其关系设计。

（2）知识图谱能够梳理知识脉络，提供不同层次的知识缩影。以基本问题为主线贯通相关知识点，并重新整合。每个基本问题构建一个知识子图谱，利用从属关系、包含关系、先后关系等操作将相关内容进行语义关联，融合基本问题涉及的知识和教学资源。知识子图谱结构大小与难度要适中，方便学生理解。多个知识子图谱构成一个复杂知识图谱对应复杂问题。

（3）知识图谱可以打通相同知识点在不同课程中的含义，有效融合多课程知识点。通常紧密相关的多门课程中会存在一些含义相似或一样的知识点，其词汇描述存在较大差别，容易产生混淆；同时，相同的词汇也可能对应不同的含义。利用知识图谱，可以统一相同概念在不同课程或不同章节中的表述，比如“目标检测”与“物体检测”“目标轮廓”与“形状边缘”。

面向实践的知识子图谱可以简单分为3种类型：知识衔接类、实践步骤类、整体架构类。知识衔接类图谱，以理论知识的先后逻辑顺序衔接实践各环节，比较适合理论知识掌握较好的学生。实践步骤类图谱，以实验的基本步骤为主线，逐步完成实验操作，比较适合初学者。整体架构类图谱，如图3所示，以实践的框架为主，注重实验的共性与不同点，比较适合有一定基础的学生。例如，在机器学习课程群中，不同的视觉任务都有各自不同的特点和适用范围。图像分割与目标检测都是计算机视觉中的一部分，基于机器学习框架，教学时可将这些分散的结构通过知识图谱合成一个整体，搭建多任务前端-云端共享模式。该模式由多个任务组成，而每个结构模块又由其基础模块和应用模块组成。实现时，机器学习的基本操作在课内上机完成，计算机视觉的应用及所有结构的整合在综合实践中完成，使课内上机和综合实践的内容相互补充。

2.2 多路径实践教学

利用知识图谱，提炼出不同的学习路径，鼓励学生个性化选择，激发学生的创新意识。传统的实践课程大都是根据实践教程或指南，按操作步骤逐个完成相关知识点的实践内容。这种方式可以称为串行模式，学生学习路径是单一的。这种单一的教学模式，不利于学生团队合作和个性化发展。

知识图谱是一种复杂网络结构，知识点的遍历方式并不唯一，学生可以有不同的学习路径[12]。通过挖掘多样化的实践路径，丰富知识语义关联，鼓励学生积极探索合适自己的学习路径。教师要加强对学生的引导和沟通交流，充分考虑学科基础、专业领域及动手能力为其制定差异化的多种学习路径，充分发挥学生自身的优势，培养发散性思维和创新性思维。

通过知识图谱，预设知识考核点，实现实践过程可视化和过程性考核。在具体实施过程中，学生以结点为单位遍历图谱的知识网络，可以实时掌握学生学习路径和进展情况，实现在综合实践的各个阶段、各个环节中科学应用过程性考核，而不是采用统一的应用标准或目标，有助于学生多元化发展。

基于知识图谱，本文提出多路径综合实践教学设计，如图4所示。课程组教师精选实际科研课题，将前沿复杂的科研问题分解简化为若干个基本问题，并以基本问题为单位结合多学科知识建立知识子图谱，同时融合思政元素和前沿专题，构建完整的知识图谱。围绕问题难点与知识脉络，精心设置多条实践路径供学生学习。借助SPOC区资源、Obsidian知识图谱工具、教学平台、QQ群等，全方位调动学生的学习积极性和主动性，引导学生课前做好预习和阅读相关前沿文献，围绕实践内容，展开思考与讨论。课中学生分析问题并借助实践平台，分组实践解决问题。课程组教师根据学生情况答疑解惑，解决学习差异性和多学科交叉融合问题。借助实践平台可以跟踪学生实践进度和知识点考核情况，完成过程性评价。课后进行学习过程数据分析与结果考核评价，开展知识图谱持续改进，对实践内容进行延伸与推广，逐步提升学习应用知识的能力。

03

实施方式与成绩评定

学生根据知识图谱给定的网络结构，寻找适合自己的可行实践路径，完成相应任务，掌握相关知识点，根据每个知识点得分，完成过程性考核。由于复杂问题涉及的内容较多，需要多个单位时间才能完成，这里仅以基本问题“目标检测”为例。在授课过程中部分案例来源于课程组所承担的国家级科研项目，以知识图谱为线索，同时融入科研成果、思政元素和分组实践教学法。SPOC区补充了相关知识点视频，讨论、问卷和测验。利用Obsidian工具对目标检测构建知识图谱，如图5所示，融入相关的课件、教案、视频、代码等。

（1）课前自学：教师向学生发布任务清单，包括学习内容、学习资源、课题组科研成果等，发布知识图谱和基本问题“目标检测”；学生可以通过知识路径预演实验内容，回答问卷和基础性问题，了解实验的具体内容，引出思考或讨论。

（2）课中赋能：根据线上收集的问答数据，教师针对某些实践环节的重难点解析，通过知识图谱展示问题分解，知识要点、应掌握的知识网络、应解决的问题；介绍课程组在该领域的创新成果以及创新思路，在讲基于机器学习目标检测时，介绍智能检测算法的前沿技术，引导学生感受中国人工智能技术的快速发展，感悟算法原理的本质内涵，培养“知其然更要知其所以然”的探究精神；分组实践观察学生掌握情况并及时答疑解惑；学生在学习过程中可以结合自身特点，选择某些学习路径，遍历相关知识点，完成实验要求。通过多路径实践教学环节，培养学生多学科综合应用和实践动手能力。

（3）课后提高与持续改进：学生分组完成手机开发实践项目“基于区域选择算法的目标检测APP”，鼓励学有余力的学生完成“复杂场景的目标检测与识别”。通过后台数据处理功能采集学生学习过程的实践记录数据，包括实验进度、在线学习时间分布、知识点完成时间、实验结果精度等。教师可以根据学生完成情况，检查知识图谱设置是否合理、知识点考核是否围绕教学目标等，并开展持续改进。

综合实践类课程与理论课程不同，无法通过考试方式给出相对公平的成绩，而需从实践过程、任务完成质量、新颖性、编程水平等课程目标达成度进行综合评价。最终成绩的评定应注重过程性考核，评定结果不仅能体现学生个体能力和水平，也能反应小组团队整体的实践效果。教师可以通过提问判定程序的原创性及结构使用的合理性等，同时结合任务的完成度给出评价依据。因此，最终成绩可采用过程性评价和结果性评价相结合的方法，包含平时问答成绩、讨论参与度、知识点考核、期末报告、程序演示和现场答辩。

04

结语

基于知识图谱的机器学习课程群综合实践教学设计，能够为学生梳理实践知识脉络，提供多路径实践方式，有助于培养和提升学生动手能力、创新能力和团队合作能力。通过实践能力导向的教学目标，结合课程组前沿科研项目，以复杂问题为驱动，整合相关知识点和实践资源，构建知识图谱，同时融合思政元素，挖掘学习路径，积极探索实践过程可视化和多路径创新实践新模式。

参考文献：

[1] 孙仕亮, 刘艳, 赵静续. 机器学习方向本硕博培养体系[M]. 北京: 北京航空航天大学出版社, 2021. 

[2] 陈龙, 张伟, 赵英良, 等. 新工科背景下大学计算机人工智能实验案例设计[J]. 计算机教育, 2022(3): 29-33. 

[3] 林菲, 马虹, 龚晓君, 等. “程序设计综合实践”六元融合实验教学改革探索[J]. 实验技术与管理, 2020, 37(1): 149-154. 

[4] Beier M E, Kim M H, Saterbak A, et al. The effect of authentic project-based learning on attitudes and career aspirations in STEM [J]. Journal of Research in Science Teaching, 2019, 56(1): 3-23. 

[5] 王昊奋, 漆桂林, 陈华钧. 知识图谱: 方法、实践与应用[M]. 北京: 电子工业出版社, 2019. 

[6] 王智悦, 于清, 王楠, 等. 基于知识图谱的智能问答研究综述[J]. 计算机工程与应用, 2020, 56(23): 1-11. 

[7] 王萌, 王靖婷, 江胤霖, 等. 人机混合的知识图谱主动搜索[J]. 计算机研究与发展, 2020, 57(12): 1-13. 

[8] 范佳荣, 钟绍春. 学科知识图谱研究: 由知识学习走向思维发展[J]. 电化教育研究, 2022, 43(1): 32-38. 

[9] 张执南, 张国洋, 韩东, 等. 基于知识图谱的项目式教学管理: 以大学生创新实践项目为例[J]. 高等工程教育研究, 2022(2): 58-62. 

[10] 许斌, 苏伟杰, 刘阳. 基础教育知识图谱赋能智慧教育[J]. 人工智能, 2019(3): 37-43. 

[11] 陈平, 吴祝武. 着眼学生解决复杂工程问题能力培养的实践教学体系建设[J]. 实验技术与管理, 2019, 36(6): 201-203. 

[12] 高嘉骐, 刘千慧, 黄文彬. 基于知识图谱的学习路径自动生成研究[J]. 现代教育技术, 2021, 31(7): 88-96. 

基金项目：教育部第二批新工科研究与实践项目（E-RGZN20201027）。

作者简介：陈飞，男，福州大学副教授，机器学习与计算机视觉，[e-mail]；张春阳（通信作者），男，福州大学副教授，机器学习与计算机视觉，[e-mail]。