引言

在国家实施教育数字化战略行动的宏观背景下，教育部等九部门印发的《关于加快推进教育数字化的意见》明确指出，要“全面推进智能化，促进人工智能助力教育变革”。同时，《华盛顿协议》框架下工程教育专业认证对学生解决复杂工程问题的能力提出更高要求。在此背景下，如何借助人工智能技术推动工科核心课程教学创新，成为高等工程教育改革重要议题。自动控制理论作为自动化、电气工程等工科专业的核心基础课程，理论抽象程度高、数学推导繁复、工程实践导向强，内容涵盖时域分析、根轨迹法、频域分析、系统校正等模块，要求学生具备扎实数学基础与系统思维。然而，当前教学面临三大挑战：知识传授碎片化，学生难建系统认知框架；个性化学习支持匮乏，大班授课难兼顾个体差异；高阶思维培养缺位，学生多停于机械套用，缺乏批判性思维与元认知训练。知识图谱作为结构化知识表示，在教育领域广泛应用。姚帅探索面向工程教育认证的知识图谱构建；商惠华研究基于MOOC与知识图谱的专业学习规划；王辉等实践自动控制理论知识图谱新形态课程。这些为工科课程知识图谱提供参考，但图谱精细化、与AI智能体协同融合、个性化路径动态生成等方面待深入。人工智能教育应用从ITS向LLM演进，吴伟探讨AI在高等教育赋能与异化，Holmes等指出AI角色从“工具”向“伙伴”转变，国内提出“AI学伴”概念强调认知伙伴作用。但多数研究停于自动化层面，人类智慧与AI深度融合教学生态探索不足。自动控制理论教改主要集中在虚拟仿真平台、MATLAB/Simulink资源开发、翻转课堂与混合教学、 OBE构建能力达成评价体系。现有研究对知识体系复杂、学生差异大等痛点解决仍显不足。综上可知，现有研究不足：一是知识图谱精细化及AI融合空间大；二是AI应用多工具化，深度融合研究少；三是缺乏知识图谱与AI智能体整合的完整教学范式。本研究以OBE理念为指引，遵循“价值引领—结构重塑—数智赋能”逻辑路径，构建“知识图谱-AI智能体”双核驱动的自动控制理论智慧课程新范式。创新之处：一是高精度课程知识图谱实现教学内容结构化表征；二是开发垂直领域AI智能体群，实现“教师—学生—智能系统”三元协同；三是设计“双环四阶”教学流程，确保从浅层向深度学习有效进阶。

一、HI+AI视域下的智慧教学顶层设计

（一）核心概念界定

人类智慧与人工智能融合（HI+AI）：本研究将HI+AI定义为人类智慧（Human Intelligence）与人工智能（Artificial Intelligence）在教育教学过程中的深度耦合与协同增效。区别于传统“人机交互”概念，HI+AI强调人与AI共生关系——人类提供价值判断、情感关怀与创造性思维，AI提供知识检索、个性化推荐与即时反馈，二者优势互补、相互赋能。

知识图谱（Knowledge Graph, KG）：一种基于图结构的知识表示方法，通过节点表示实体概念，通过边表示实体间的语义关系，实现知识的结构化存储与关联查询。本研究中的课程知识图谱是对自动控制理论课程知识体系的形式化表征。

AI智能体（AI Agent）：具有自主感知环境、理解意图、执行任务能力的人工智能系统。区别于传统的聊天机器人，AI智能体具有特定的角色设定、专业知识库与交互策略，能够在垂直领域提供深度服务。

人机协同能力：个体在人机协作情境中有效利用AI工具解决复杂问题的综合能力，包括任务分解与指令设计能力、批判性评估AI输出的能力、基于反馈迭代优化的能力等。

（二）“一中心、双核驱动、三元协同”教学理念

本研究突破传统的“教师—学生”二元教学关系，构建了“教师—学生—智能系统”三元深度交互的教学模型，如图1所示。

“一中心”：坚持以学生发展为中心，将提升学生的知识建构能力、高阶思维能力与人机协同能力作为教学的根本目标。

“双核驱动”：以知识图谱为知识组织与导航核心，提供结构化的学习地图与个性化的学习路径；以AI智能体为智能交互核心，提供即时反馈、认知引导与深度对话。

“三元协同”：教师作为教学设计者、价值引领者与学习促进者；学生作为知识探索者、问题解决者与反思实践者；AI智能体作为学习伴侣、认知工具与评价助手。三者在教与学全过程中形成优势互补、协同进化的共生关系。

（三）课程目标体系的重构

依据Anderson等修订的布鲁姆教育目标分类学，结合工程教育认证标准，本研究将课程目标从单一的知识维度扩展为“知识－能力－素养”三维目标体系：

知识目标：从记忆事实性知识转向掌握结构化的概念性知识与元认知知识。学生不仅应掌握传递函数、根轨迹、频率特性等核心概念及其计算方法，更应理解各知识模块之间的内在关联，建立系统性的知识框架。

能力目标：重点培养学生的复杂工程问题分析与解决能力，以及人机协同能力。前者包括建模能力、系统分析能力、设计优化能力等专业能力；后者包括结构化指令设计能力、批判性评估AI输出的能力、基于反馈迭代优化的能力等。

素养目标：通过融入“大国重器”“华为鸿蒙系统”等课程思政元素，培养学生的家国情怀、工程伦理意识与终身学习能力，实现知识传授、能力培养与价值塑造的有机统一。

二、“知识图谱—智能体”双核数智化教学基座建设

（一）课程知识图谱的构建

1.构建目标与总体框架

自动控制理论知识体系庞杂，概念间存在复杂的逻辑依赖关系，而传统教材的线性编排难以显性呈现这种关联结构。为此，本研究构建课程知识图谱，旨在实现教学内容的结构化组织与可视化表征。

图谱采用四层架构：学科层建立本课程与前序课程（高等数学、复变函数、信号与系统）及后续课程（现代控制理论、过程控制系统）的知识衔接；问题层以“消除稳态误差”“提高响应速度”“改善系统稳定性”等典型工程问题为索引，实现问题导向的知识组织；概念层构建核心知识点的本体结构，涵盖定义、数学表达、物理意义、应用条件等属性；资源层挂载微课、习题、虚拟仿真、工程案例等数字资源，实现知识与资源的精准映射。

2.技术实现路径

知识图谱的构建是一项工程量较大的工作，本研究采用“自动抽取+专家校验”的混合方法。抽取阶段，以教材、教案、教学大纲及相关文献为语料，基于BERT模型进行命名实体识别与关系抽取，实体类型包括概念、方法、工具、问题，关系类型包括前序—后继、包含—从属、用于—解决等。图谱存储采用Neo4j数据库，知识表示遵循RDF规范，节点属性涵盖名称、定义、认知层级、难度系数及资源关联ID。

校验阶段，由3位资深教师对抽取结果进行审核与修正。经两轮迭代，最终形成包含614个知识节点、1287条关系边、487项关联资源的课程图谱，节点准确率92.3%，关系准确率88.7%，满足教学应用需求。

3.个性化学习路径推荐

基于课程知识图谱，系统实现了个性化学习路径的智能推荐。推荐算法综合考虑学生当前的知识掌握状态、目标知识点的前序依赖关系、学生的学习偏好与习惯等因素。系统可根据学生的认知起点与学习目标，自动生成差异化的学习路径。例如，对于基础薄弱的学生，系统推荐“基础巩固路径”；对于学有余力的学生，系统推荐“进阶拓展路径”，引导其挑战高难度问题与跨学科应用。

（二）垂直领域AI智能体的开发

1.技术架构

针对通用大语言模型在专业教学领域存在的“幻觉”问题，本研究采用检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建垂直领域AI智能体。技术架构包括：基座模型选用文心一言4.0；向量数据库采用Milvus构建私有知识库的向量索引；检索模块基于余弦相似度进行语义检索；生成模块将检索结果与用户问题拼接后输入语言模型，生成基于知识库的可靠回答。私有知识库内容包括教材电子版、教学大纲、课程教案、经典学术论文、课程题库（2136道题目及解析）、实验指导书等。

2.智能体类型与功能设计

本研究开发了三类具有差异化功能定位的AI智能体：

（1）知识顾问型智能体——“课程助教”

角色定位为24小时在线的知识答疑助手，负责解答学生关于课程基础概念、计算方法、公式推导等方面的问题。其核心设定为严格基于私有知识库回答问题，如果问题超出知识库范围则明确告知，不进行编造。应用场景为学生自主学习过程中的即时答疑，释放教师重复性答疑的精力。

（2）认知引导型智能体——“苏格拉底式引导助手”

角色定位为通过持续追问引导学生深度思考的对话伙伴，采用苏格拉底式教学法促进学生的批判性思维发展。其使命不是直接给出答案，而是通过连续的启发式追问，引导学生发现自己思维中的漏洞，促进其深度反思。应用场景为方案设计环节的深度辅导，学生需先“”说服该智能体，才能通过方案初审。

（3）任务执行型智能体——“实验验收助手”

角色定位为基于多模态识别技术的实验报告智能评阅与即时反馈助手。工作流程包括：识别学生上传的示波器波形图或MATLAB仿真截图；运用计算机视觉技术提取超调量、调节时间、稳态误差等关键性能指标；将提取数据与预设的标准指标进行比对；生成评分报告与针对性改进建议。应用场景为实验课的即时反馈，学生可根据反馈现场调整参数，实现“做中学”。

3.智能体效果评估

为验证AI智能体的回答质量，研究团队设计了包含100道测试题的评估集，涵盖概念理解、公式推导、案例分析、综合设计等题型。由2位课程教师独立评分，评分者一致性Kappa系数为0.83。评估结果显示，基于RAG的“课程助教”智能体回答准确率为89.2%，显著高于通用大模型直接回答的准确率（67.4%），验证了私有知识库对于提升专业领域回答质量的有效性。

三、“双环四阶”混合式教学模式的设计与实施

依托前面提到的知识图谱和AI智能体构建的数智化教学基础，设计一种“线上自主循环+线下深度循环”的双环混合教学流程，并将其拆分成“启、探、辩、创”四个逐步推进的阶段（见图2）。

（一）第一阶：启——图谱导航，精准自学

实施环节：课前（线上自主循环）

教学活动：老师在智慧教学平台上发布任务单，清楚明确学习目标和关键问题。学生登录平台后，系统根据知识图谱匹配推送合适资源。学生观看微课视频，完成节点小测；遇到疑问时可随时调用“课程助教”智能体进行答疑。

数智化支持：平台自动收集全班测验数据，生成“班级学情画像”，用热力图标出大家共同的难点。老师据此动态调整线下授课策略，实现“以学生为中心”的精准教学。

（二）第二阶：探——虚实结合，人机协作

实施环节：课中（线下/实验）

教学活动设计：基于课前学情诊断，教师不再重复讲授基础知识，而是聚焦共性难点进行深度剖析，并引入真实工程案例（如“倒立摆稳定控制”“温度控制系统设计”）驱动探究式学习。学生利用MATLAB/Simulink进行仿真实验，验证理论分析结果。在此阶段，学生可调用AI智能体辅助完成文献检索、代码生成、数据处理等辅助性任务。

人机协同定位：学生的角色从“执行者”转变为“指挥者”——将重复性、工具性的任务交给AI处理，自身精力集中于控制策略的理解、方案的比较与决策等高阶认知活动。

（三）第三阶：辩——多元对话，认知冲突

实施环节：课中（线下深度循环的核心环节）

教学活动设计：组织“人机对话”环节。学生分组提出控制系统校正方案，与“苏格拉底式引导助手”进行深度对话。智能体通过连续追问暴露学生方案中的逻辑漏洞，引发认知冲突。例如，学生提出“采用PI控制器，增大积分作用来消除稳态误差”，智能体追问“积分作用增强对系统动态性能有何影响？请从根轨迹角度分析”。这种即时的认知冲突机制迫使学生进行深度反思与方案修正，培养其批判性思维能力，完成从“依赖AI”到“驾驭AI”的角色转变。

（四）第四阶：创——成果转化，持续迭代

实施环节：课后（拓展与评价）

教学活动设计：学生需完成具有挑战性的综合性项目（如“自动巡线小车控制系统设计”），将所学知识应用于解决真实工程问题。可借助AIGC工具辅助生成设计文档、制作汇报PPT，但核心的设计决策必须由学生自主完成。

成果孵化机制：优秀的课程项目可直接转化为学科竞赛作品或大学生创新创业训练计划项目。采用“AI初评+教师终审”的双重评价机制——“实验验收助手”完成技术指标的自动检测与初步评分，教师侧重于创新性、规范性的综合评判。

四、全过程数据驱动的评价体系

（一）评价理念与框架

传统课程考核往往偏重期末成绩，难以全面反映学生的学习过程与能力发展。为此，本研究构建了兼顾过程与结果、定量与定性的多维评价体系，从基础认知、高阶能力、工程实践三个层面对学生进行综合评价。其中，基础认知主要考察知识掌握情况；高阶能力聚焦于人机协同与批判性思维的表现；工程实践则关注综合项目的完成质量。

在权重分配上，课题组邀请5位具有丰富教学经验的专家，采用层次分析法进行两两比较与判断矩阵构建。经一致性检验（CR=0.032），判断矩阵满足一致性要求。最终确定各维度权重为：基础认知占30%，高阶能力占30%，工程实践占40%。工程实践权重相对较高，体现了本课程对学生解决复杂工程问题能力的重视。

（二）知识掌握度的精准画像

如何让学生清晰地了解自己“学会了什么，还差什么”，是实现个性化学习的关键前提。为此，本研究依托课程知识图谱，设计了学生知识掌握度的量化评估机制。

具体而言，系统根据学生在各节点测验中的表现，实时计算其在不同知识模块的掌握率。考虑到各知识点的重要程度存在差异，引入了加权计算方法。设某模块包含n个知识点，学生i在该模块的掌握率M_i可表示为：

式中，w_j表示第j个知识点的权重（由专家依据其在课程体系中的地位确定），s_ij表示学生i在第j个知识点的得分率。

在此基础上，系统自动生成个人学情画像，以雷达图的形式直观呈现学生在时域分析、根轨迹、频域分析、系统校正等各模块的掌握情况。教师可据此快速定位班级的共性薄弱点，学生也能清楚看到自己短板所在。针对掌握率偏低的模块，系统自动推送相应的微课视频或强化练习，帮助学生进行针对性补救。

（三）人机协同能力的创新评价

为评估学生与AI协作的能力水平，本研究设计了人机协同能力评价量规，主要通过分析学生与AI智能体的交互日志进行评估。评价指标包括指令设计能力、批判性评估能力、迭代优化能力三个维度。

评价指标	优秀（4分）	良好（3分）	合格（2分）	待改进（1分）
指令设计能力	指令结构完整，背景、任务、约束条件表述清晰	指令基本完整，偶有模糊之处	指令结构不够完整，需多轮追问	指令表述混乱，AI无法有效理解
批判性评估能力	能准确识别AI输出中的全部错误	能识别大部分错误	仅能识别明显错误	无法有效识别错误或盲目接受
迭代优化能力	有效利用AI反馈进行多轮迭代优化	能基于反馈进行一定改进	对反馈利用有限	忽视反馈或不知如何利用

注：评价数据来源于系统自动记录的学生与AI智能体对话日志

五、教学成效与反思

（一）理论贡献

1.对HI+AI教育融合理论的贡献

本研究验证了“人类智慧与人工智能融合”理念在工科课程教学中的可行性与有效性。研究表明，当AI从单纯的“效率工具”升级为“认知伙伴”时，能够有效促进学生高阶思维能力的发展。这一发现回应了学界关于AI教育应用可能导致“认知外包”的担忧——关键不在于是否使用AI，而在于如何设计人与AI的互动模式。

2.对知识图谱教育应用研究的贡献

本研究构建了针对自动控制理论课程的精细化知识图谱，并实现了基于图谱的个性化学习路径推荐。研究结果表明，结构化的知识表征能够帮助学生建立系统性的认知框架，这与认知负荷理论的预测一致。本研究为知识图谱在数理逻辑性强的工科课程中的应用提供了实践范例。

3.对AI智能体教学应用研究的贡献

本研究开发了具有差异化功能定位的AI智能体群，特别是“苏格拉底式引导助手”的设计，为AI辅助批判性思维培养提供了新思路。研究证实，通过精心设计的提示词工程，可以使AI承担“质疑者”而非“回答者”的角色，促进学生的深度反思。

（二）实践启示

1.对教师角色转型的启示

在HI+AI教学生态中，教师的角色从“知识传授者”转变为“学习设计师”与“价值引领者”。教师需要投入更多精力于教学流程设计、AI智能体规则制定、学情数据分析等元层面的工作，而将重复性的知识传授与即时答疑任务交由AI承担。

2.对学生能力培养的启示

研究表明，人机协同能力正在成为数智时代的核心素养。教学设计应有意识地培养学生的指令设计能力、批判性评估能力与迭代优化能力，避免学生陷入“AI依赖”的陷阱。

3.对课程建设的启示

知识图谱与AI智能体构建虽需前期投入，但一旦建成即可持续迭代优化。建议高校在推进课程数字化转型时，优先选择知识体系相对稳定、学生痛点突出的核心课程进行试点。

（三）研究局限与未来方向

本研究存在以下局限：第一，研究仅在单一院校的单一专业开展，外部效度有待验证，未来可在多所院校进行推广验证；第二，教学实践的时间跨度较短，难以评估长期效果，未来可开展纵向追踪研究；第三，人机协同能力的测量主要依赖行为日志分析与专家评分，尚未形成标准化的测评工具；第四，准实验设计难以完全排除教师效应、时间效应等混淆因素；第五，AI技术发展迅速，基座模型的更新可能影响智能体的表现，未来需建立持续监测与迭代优化机制。

六、结语

面对教育数字化转型的时代命题，本研究基于人类智慧与人工智能融合的理念，构建了“知识图谱—AI智能体”双核驱动的自动控制理论智慧教学新范式。通过精细化的课程知识图谱实现教学内容的结构化表征，通过垂直领域AI智能体群构建“教师—学生—智能系统”三元协同场域，通过“双环四阶”教学流程促进学生从浅层学习向深度学习的进阶。

初步教学实践显示，该教学模式能够有效提升学生的知识掌握水平与高阶思维能力，优化学习体验。这一结果印证了核心理念：人工智能不应仅仅是替代教师重复劳动的工具，更应成为点燃学生思维火花的媒介。当人类智慧与人工智能在“价值引领”的前提下实现深度耦合，教育的可能性将被大大拓展。

本研究为新工科背景下专业核心课程的数智化转型提供了“价值引领—结构重塑—数智赋能”的可迁移解决方案，期待为同类课程的教学改革提供参考与借鉴。

参考文献：

1. [1] 教育部,中央网信办,国家发展改革委,等.教育部等九部门关于加快推进教育数字化的意见[EB/OL]. (2025-04-15)[2025-12-04]. http://www.moe.gov.cn/srcsite/A01/s7048/202504/t20250416_1187476.html
2. [2] 王庚,朱露,胡德鑫,等.工程教育专业认证标准的国际比较研究[J].高等工程教育研究,2022(02):35-44.
3. [3] 胡寿松. 自动控制原理(第八版)[M]. 北京: 科学出版社,2023.
4. [4] 王晓莉,孟祥宏,徐天培.“人机共生”视域下高等教育深度学习的范式重构[J].民族高等教育研究,2025,13(05):1-8.
5. [5] 姚帅.面向工程教育专业认证的知识图谱构建及应用研究[D].西安石油大学,2024.
6. [6] 商惠华.基于MOOC平台和知识图谱的专业学习规划研究[J].数字通信世界,2025(08):199-201.
7. [7] 王辉,綦志刚,张昊.基于知识图谱的自动控制理论新形态课程研究与实践[J].黑龙江教育(高教研究与评估),2025(02):67-70.
8. [8] 王静静,叶鹰.生成式AI及其GPT类技术应用对信息管理与传播的变革探析[J].中国图书馆学报,2023,49(06):41-50.
9. [9] 吴伟.社会建构主义视角下人工智能技术在高等教育应用中的赋能与异化[J].现代职业教育,2025(30):133-136.
10. [10] Holmes W, Tuomi I. State of the Art and Practice in AI in Education[J]. European Journal of Education,2022,57(04):542-570.
11. [11] 张翼然, 于冰沁. 从AI工具到AI学伴：智慧教学的跃迁路径[J].现代教育技术,2025,35(02):45-53.
12. [12] 王孝洪, 刘金琨, 等. 自动控制理论虚拟仿真实验平台建设与应用[J]. 实验技术与管理,2021,38(05):132-136.
13. [13] 武秀琪.Matlab/Simulink在“自动控制原理”课程教学中的应用探讨[J].科技视界,2023(17):44-46.
14. [14] 吕丹,赵玉霞. 混合式教学模式在工科课程中的创新实践[J]. 高等工程教育研究,2023(04):112-118.
15. [15] 王孝洪, 邹涛, 等. OBE理念下自动控制原理课程教学改革与实践[J]. 高教学刊,2022(08):106-109.
16. [16] WANG L, MA C, FENG X, et al. A Survey on Large Language Model based Autonomous Agents[J]. Frontiers of Computer Science,2024,18(06):186345.
17. [17] Anderson L W, Krathwohl D R. A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives[M]. New York: Longman,2001.
18. [18] Lewis P, Perez E, PiktusS A, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks[C]//Advances in Neural Information Processing Systems.2020.
19. [19] Sweller J. Cognitive Load Theory[M].Psychology of Learning and Motivation.San Diego: Academic Press,2011.