面向个性化学习的教师对齐知识图谱

掌握教育概念既需理解其先修概念（如先学递归再学归并排序），也需理解其子概念（如归并排序是排序算法的一部分）。捕捉这些依赖关系对识别学生知识缺口、实现个性化学习的定向干预至关重要。这在大规模课程中尤其困难：教师无法逐一诊断个体误解，也难以判断哪些概念需要强化。尽管知识图谱为大规模捕捉这些概念关系提供了自然表示，现有方法要么流于表面（聚焦“算法”这类课程级概念或选课等事务性关系），要么忽视教学材料中蕴含的丰富教学信号。我们提出InstructKG，一个自动构建与教师意图对齐的知识图谱的框架，用以刻画课程预期的学习进程。给定课程的讲课材料（幻灯片、笔记等），InstructKG提取重要概念作为节点，并将学习依赖推断为有向边（如“part-of”或“depends-on”关系）。该框架把教学材料独有的丰富时序与语义信号（如“递归”先于“mergesort”讲授；“递归”出现在“归并排序”的定义中）与大语言模型的泛化能力相结合。通过在多门课程真实、多样的讲课材料上的实验与基于人工的评估，我们证明InstructKG能捕捉丰富且与教师意图对齐的学习进程。