AI 驱动的个性化教学：如何利用 LLM 动态构建并实时修正学生的知识图谱

把一段课程讲义、习题解析或课堂对话转成知识图谱，并不难理解；真正困难的是，学生答错之后，系统如何判断错在什么地方，以及下一步应该补什么。对 EdTech 系统而言，个性化教学的关键不是让大模型替代教师，而是让知识图谱从一张静态关系图，变成能够随学习证据持续修正的状态模型。

先把教学内容变成可计算的知识结构

非结构化教学内容通常混合了概念、定义、例题、前置知识、易错点和评价标准。大模型适合完成第一轮语义拆解：识别文本中的知识实体，判断实体之间的关系，并将内容归纳为“概念—属性”“知识点—前置知识”“方法—适用条件”“错误—可能原因”等结构。

但这一步不应直接等同于知识图谱入库。更稳妥的做法是为每条关系保留来源片段、抽取依据和置信程度，再通过规则或人工审核处理重复概念、关系冲突和粒度不一致的问题。比如，“分数除法”既可能被拆成运算规则，也可能被视为一个更大的能力节点。系统需要先确定课程中的知识粒度，否则后续的错误定位会出现“节点过粗、补课过泛”的问题。

图谱中的节点不只是知识点，还应包含学习目标、可观察的答题行为和常见误区。这样，学生提交答案后，系统处理的就不只是“对”或“错”，而是尝试回答三个问题：他调用了哪个知识点？在哪个推理环节出现偏差？这个偏差是否指向某个更基础的前置节点？

误区识别不是简单的错题分类

一个错误答案可能有多种成因。学生算错，可能是计算失误，也可能是没有理解概念；选择题选错，可能是不知道规则，也可能是混淆了两个相近概念。如果系统把所有错误都标记为“知识点未掌握”，补课路径就会不断扩大，最终给学生推送大量并不必要的内容。

误区识别可以采用“答案证据 + 解题过程 + 相关图谱”的联合判断。大模型先从学生的作答文本、步骤描述或解释中提取可观察信号，再将这些信号映射到图谱中的知识关系。例如，学生正确使用了公式，却错误判断了适用条件，系统应提高“条件理解不足”这一误区的权重，而不是直接降低整个公式节点的掌握度。

对每次作答，可以维护一组带权状态：

• 知识点掌握程度；




• 相关前置节点的可疑程度；




• 特定误区的出现概率；




• 当前判断的证据强度。

这些状态不应由一次答题结果决定。一次粗心造成的错误，与连续多次在相同关系上犯错，所代表的信号强度不同。系统可以根据题目难度、题型、作答过程完整度以及历史表现调整更新幅度。连续且相似的错误，应比孤立错误更明显地改变图谱中的学生状态。

动态更新要保留“暂时不确定”

知识图谱更新的对象，通常不是课程本体本身，而是“学生与知识图谱之间的个体化状态”。课程知识节点和前置关系相对稳定，学生的掌握权重、误区权重和路径优先级则持续变化。

因此，系统可以把学生状态分成三类：已获得足够证据支持的判断、需要继续观察的假设，以及已经被新证据削弱的判断。对于低置信度的错误归因，不应立刻改变长期学习路径，而应安排一道能够区分不同原因的诊断题。比如，系统无法判断学生是不理解概念，还是只是在复杂题目中操作失误，就应生成一组更简单、变量更少的题目，用来获取新的区分证据。

这也是大模型与传统图谱机制的分工边界：大模型负责理解开放式表达、提取潜在误区和生成解释；图谱与状态更新模块负责保存关系、执行约束、累计证据并控制变化幅度。若让大模型直接改写整张图谱，容易产生关系漂移，也难以追溯某个判断为何发生变化。

补课路径规划：从错误节点回溯前置关系

补课路径不应等于“把所有答错的知识点重新讲一遍”。更合理的规划方式，是从当前误区出发，在前置关系图中寻找最小的修复路径。

首先，系统需要区分目标节点和阻塞节点。目标节点是学生当前无法完成的学习任务，阻塞节点则是导致目标节点无法被正确调用的前置知识。例如，学生在综合题中无法完成推理，真正需要补的可能不是综合题本身，而是其中一个被反复误用的基础概念。

其次，路径排序不能只看图谱距离。一个距离较近但掌握度已经较高的节点，优先级可能低于距离稍远、却在多个错误中反复出现的前置节点。可以综合考虑以下因素：误区权重、前置依赖强度、节点掌握度的不确定性、学习内容之间的重复程度，以及完成该节点后能够解除多少后续阻塞。

最后，路径应当是可验证的。每完成一个补课单元，系统都需要安排新的短测或变式任务，检查学生是否真正修复了误区。如果错误仍然出现，图谱应回到诊断阶段，而不是机械地把同一内容重复推送。若学生在不同题型中都能正确迁移，相关节点的掌握权重才逐步稳定。

让更新机制可解释、可干预

教育场景中的动态系统不能只输出“推荐学习内容”，还要说明推荐依据。教师或研究人员至少应能看到：触发更新的作答证据、被提高权重的误区、关联的前置节点，以及当前补课路径为何排在前面。

这类解释不必展示复杂的模型内部过程，但应呈现可核对的结构化依据。例如，系统可以说明某个误区因连续出现相似表现而被暂时提高权重，并指出建议先复习哪个前置知识点。对于低置信度判断，则明确标记为待验证，而不是用确定语气包装推测。

人机协同同样重要。教师可以修正错误的实体合并、否决不合理的前置关系，也可以调整某类误区的诊断题。所有修正都应保留版本和来源，避免一次人工修改覆盖长期积累的学习证据。

先验证“诊断是否准确”，再追求路径更聪明

这类系统的评估重点，不应只是生成内容是否流畅。更关键的是，系统能否把错误归因到合适的知识关系，能否避免因一次偶然失误而过度调整，以及补课之后能否在相近但不同的任务中表现改善。

落地时可以先从小范围知识子图开始，选取关系清晰、错误类型较容易区分的学习单元，分别测试知识抽取、误区识别、状态更新和路径规划。只有当每一步的证据链能够被复核，再逐步扩大内容范围。

大模型带来的价值，主要在于理解复杂教学语言和开放式答案；知识图谱带来的价值，则在于保存结构、约束推理并追踪变化。把两者结合起来，个性化教学才不会停留在“根据错题推荐内容”的层面，而是形成一套能够识别误区、验证假设、修复前置知识并持续调整的动态学习机制。