《机械制图》课程知识图谱构建及其在教学实践中的应用
摘 要：本文将知识图谱引入《机械制图》课程教学，介绍了专家和数据协同的知识图谱构建过程，综合应用网页爬虫、文本挖掘等技术，构建了《机械制图》课程知识图谱，并从教学内容和教学技术两个方面详述了知识图谱在教学实践中的应用。本文的研究为《机械制图》课程教学内容与教学方法的创新提供了一条有效的技术路径，有助于促进人工智能技术与教育的深度融合。
关键词：课程知识图谱；机械制图；人工智能；教育教学
0 引言
知识图谱是大数据时代最具代表性的技术之一，它是各类知识的重要载体，也是实现生成式人工智能的基础[1]。对于教育领域，知识图谱所具有的知识构建、知识挖掘、知识推理等功能可以有效地组织和表达各学科的知识体系，实现大量无序教学资源的语义整合，为精准化教学、个性化学习提供前所未有的发展空间。
机械制图是一门实践性较强的专业基础课，是机械加工专业的核心课程，面向中职一年级，是研究如何阅读、绘制机械图样和机械产品的工具，是工程界交流的技术语言，是工程技术人员必须掌握的基本技能。
通过课程的学习，帮助学生正确理解正投影法基本理论，掌握国家标准有关规定、组合体的识读与绘制、机件表达方法的运用、零件图和装配图的识读与绘制，目的是培养学生能够运用机械制图零件图与装配图知识对常见机械类问题进行工程图样表述、呈现工程图样设计结果和解决方案，能够辅助机械类其他方面专业知识解决工程实际图样问题。利用人工智能技术创新《机械制图》的教学模式和教学方法，不仅有助于提升教学质量，打造高效课堂，更能够将人工智能技术直接融入教学内容，激发学生的学习积极性。
本文以《机械制图》课程为研究对象，开展本科课程知识图谱构建及应用研究。在系统梳理课程多方面知识体系的基础上，综合应用分词、文本挖掘、可视化等技术手段构建一套完整的《机械制图》课程知识图谱，并融合应用于教学内容、教学技术创新，加快推进知识图谱在教育领域的深度应用。
1 教育教学知识图谱相关研究
1.1 知识图谱
Google公司在2012年正式提出知识图谱的概念，用于提高搜索引擎中的语义分析能力。随着人工智能研究热潮的兴起，知识图谱越来越受欢迎，成为大数据时代语义搜索、辅助决策等智能化服务的关键基础技术之一。知识图谱的应用范围可以分为通用知识图谱与领域知识图谱。通用知识图谱强调知识的广度，覆盖面较广[3]，例如，维基百科的Wikidata[4]、搜狗公司的“知立方”[5]等。领域知识图谱关注知识的深度，对于知识的准确性和精度上要求更高，如影视双语知识图谱[6]和电商知识图谱[7]等。虽然知识图谱取得了巨大的进展，各环节中使用的技术方法不断创新发展，但如何自动构建高质量的知识图谱，尤其是领域知识图谱，依然是一大难题。
1.2 教育教学知识图谱相关研究
教育教学知识图谱是一种特殊的领域知识图谱。由于知识表达的优势，知识图谱可简单明了地展示各学科的知识脉络、关系等，近年来在教育领域备受关注，各种教育教学知识图谱已经被构建，例如，张萌使用本体构建方法，构建了课程知识图谱[8]。黄焕等人面向适应性学习系统，构建了《Java程序设计基础》课程知识图谱[9]。一些国内外的机构和研究学者已经开始利用知识图谱改进和创新教育教学，提供全新的教学资源和服务。例如，美国Knewton公司采用了基于专家知识的交叉学科知识图谱体系分析学习者的知识概念参数，实现个性化的学习推荐[10]。可汗学院使用知识图谱构建了数学、科学、计算机等学科课程的层级架构[11]。
2 《机械制图》课程知识图谱构建
2.1 专家和数据协同的知识图谱构建过程
区别于传统科研知识图谱，教育知识图谱有其自身的特点。
①质量要求高：教学对教育知识图谱中的内容，尤其是学科知识的质量有很高的要求。因此，所有内容都需要通过专业人员审核，工作量十分庞大，这也是教育知识图谱落地难的一个原因。
②多模态需求强烈：向学生展示学科知识是教育知识图谱应用的一个特点。因此，除了文字描述、图片、视频、语音等，多种形式的知识具象化表达也是教育知识图谱所需要的，这也符合人们认识事物的习惯。
基于上述特点，本文采用专家和数据协同的知识图谱构建过程，整体构建模型如图1所示。具体包括以下几个关键步骤。
图1 基于课程知识图谱的章节知识结构展示
①课程文本集构建：通过纸质资料数字化、教育文献爬取、慕课文档下载等方法，收集《机械制图》课程相关文本资料，经过文本清洗、分词等预处理后，构建课程文本集。
②课程本体构建：在课程专家的指导下，通过头脑风暴的方法收集课程目标、学科内容、学习资源等相关的课程概念，并合理分类，形成层次化的课程概念体系，明确概念间的各种关系，构建课程本体。
③课程知识抽取：针对课程本体中的各种概念和关系，构建深度学习模型，从所收集语料中自动抽取对应概念实体和关系。
④课程知识整合与存储：依据课程本体框架，整合所抽取的知识，在课程专家审核修订后存储到图数据库中，用以支持各种知识图谱应用需求。
2.2 课程文本集构建
课程文本资料来源多种多样，包括传统纸质资料，也包括各种教育文献、慕课文档、课程百科等在线资源。对于传统纸质资料可通过软件工具进行数字化转换，而对于各种形式的在线资源，则主要借助网页爬虫技术批量获取。
2.3 课程本体构建
课程本体是对课程知识框架的形式化表述，定义了课程相关的核心概念及其关系。基于课程知识内容的不同，可以将课程核心概念划分为以下三种类型。
①课程要求：课程要求是指课程大纲所述教学依据相关概念，包括教学目标、教学内容、教学要求、评价标准等。
②课程知识：课程知识是指课程所需讲述的知识概念，包括基本概念、语法、规则等。
③学习资源：学习资源是指课程所需的教学、学习资源相关概念，包括书籍、文章、视频、音频、网站、应用程序等。
课程概念体系描述了课程知识的核心概念及其分类学关系。为充分描述课程知识框架，还需要描述概念间的横向关系。例如，“课程知识”概念间主要包括2类横向关系。
2.4 课程知识抽取
以课程本体所包含的底层概念及关系为抽取目标，本文采用基于异构深度神经网络的实体关系联合抽取模型，实现课程知识抽取。模型架构如下。
①文本嵌入层：该层将输入课程文本逐句转化为多维文本向量。基于分词和词性标注结果，文本中的每个词可转化为一个词嵌入和一个词性嵌入。词嵌入采用基于中文维基预训练的Bert模型，词性嵌入采用基于词性表的one-hot编码。
②联合抽取层：该层依据输入的文本向量抽取多种类型的实体和关系。基于BiLSTM所识别的文本向量隐藏特征，条件随机场（CRF）子层被用来识别实体，关系抽取则被转换为多头学习任务，由sigmoid子层实现。对抗训练（AT）被添加在模型中，以缓解模型在小样本数据集上学习的过拟合问题。
2.5 课程知识整合与存储
所抽取的实体和关系都是课程本体相应概念和关系的实例，按照课程本体可实现所抽取知识的整合。为满足复杂查询与大量课程知识存储需求，选择图数据管理方式自由、支持ACID事务和Cypher查询语言的图数据库Neo4j来存储课程知识图谱：①首先将课程知识图谱中所有节点与边的内容整理成表格形式的结构化数据；②然后利用计算机程序批量拼接Cypher语句，并把这些数据存储到Neo4j图数据库。
3 《机械制图》课程知识图谱应用
3.1 知识图谱与教学内容的融合
知识图谱构建是一个高级程序设计的实现过程，因此，可以将知识图谱构建融入教学内容中，形成面向不同课程目标的教学案例。例如，针对教材《机械制图（第5版）》，可设计如下教学案例。基于知识图谱的课程背景介绍案例，所属章节：课程背景；所属知识点：《机械制图》的重要性。
案例目标：通过典型知识图谱及其应用介绍，阐明课程学习的重要性，激发学生对课程学习的热情。
案例内容：介绍百度、google等知识图谱以及趣味性知识图谱应用案例。
除上述案例外，还可以将知识图谱的构建过程与循环、链表、文件等课程知识点结合，形成多样化的教学案例。
3.2 知识图谱与教学技术的融合
课程知识图谱具有知识表达的优势，因此，可直接作为一种新的课程知识展示形式。例如，针对教材《机械制图（第5版）》的“第2章 平面图形绘制”的知识点可表示为图1。
进而，利用知识图谱的知识整合与推理优势，可以研发更多创新性的教学技术。
①学生/教师/场景图谱：利用知识图谱增强学生、教师、教学场景的表述，显化三者之间的关系，帮助教师多视角了解每个学生的学习进度和能力，提供个性化教学。
②基于知识图谱的智能教学：利用课程知识图谱将课程知识点与教材、讲义、习题等关联，根据教师教学进度，持续精准推送符合下一阶段教学需求的教学内容及资源，实现智能备课等辅助教学功能。
③基于知识图谱的自适应学习：通过知识图谱，构建在线学习平台，实时追踪和评估学生的学习进度和理解程度，然后根据这些信息调整教学策略，以更好地适应学生的学习风格和能力。
此外，知识图谱还可以与增强现实、虚拟现实、chatGPT等技术相结合，研发更加“智慧化”的教学技术。
4 结语
本文介绍了《机械制图》课程知识图谱的构建过程及其与教学内容、教学技术的融合应用，为课程教学创新提供了一条可行的技术路径。在未来的研究中，我们将持续完善和丰富课程知识图谱，并以课程知识图谱为知识源，研发更多创新性教学技术和方法。
参考文献
[1] 肖仰华.知识图谱:概念与技术[M].北京:电子工业出版社,2019:4-15.
[2] 刘烨宸,李华昱.领域知识图谱研究综述[J].计算机系统应用,2020,29(06):1-12.
[3] 陈建辉，栗觅.《高级语言程序设计》课程知识图谱构建应用[J].计算机应用,2022,25(06):5-8.
