教育知识图谱自动构建与应用是智能教育系统的核心基础设施之一，其核心作用是将海量、分散的教育资源、核心概念与学习实体进行结构化建模，从而支持精准的认知诊断、个性化路径推荐与多轮智能问答。近年来，该技术广泛应用于各类在线学习平台、大规模开放式在线课程（MOOC）及学科自适应教学中。

教育知识图谱自动构建与应用

CG-RAG EKG System^[1]：由Wang团队提出。背景研究表明，传统教育知识图谱的构建和维护高度依赖人工，成本高昂且可扩展性差。该系统解决了知识图谱动态更新及跨平台个性化习题生成的难题。方法上，设计了自动化层次化知识图谱构建器，并引入认知GraphRAG（CG-RAG）模块，利用自动化构建的知识图谱进行GraphRAG检索推理，并结合对学习者掌握水平的建模，从而实现个性化习题的自适应生成。结果显示，该框架在真实教育场景部署中获得了极高的用户反馈，显著提升了系统的自适应能力。

Cross-Platform EKG Extractor^[2]：由Huang团队提出。背景研究表明，从编程教程网站等跨平台提取教育知识图谱时，面临异构网页结构及代码片段与上下文关系复杂的挑战。该系统解决了纯人工规则或纯LLM提取造成的跨平台可扩展性差和准确率低的问题。方法采用了一种分布引导（Distribution-Guided）提取方法，在部署大语言模型脚本前，通过策略性采样系统分析HTML结构模式。结果表明，该方法将代码片段提取准确率从0.15-0.68大幅提升至0.54-0.91，且下游问答系统的真实性评分达到0.93。

CourseMapper EKG Builder^[3]：由Ain团队提出。背景研究指出，为数字学习环境自动构建准确的知识图谱对领域知识建模至关重要。该研究比较并解决了自上而下与自下而上两种自动构建方法的效能评估问题。方法上，在MOOC平台学习材料中，系统地对比了这两种方法捕获和结构化知识概念的能力，并集成了“人在回路”（Human-in-the-Loop）机制供课程管理者审核。结果通过专家随机抽样验证，在MOOC动态学习材料的上下文环境下，自下而上的方法在关键概念的自动挖掘与高扩展性映射方面表现出更优的灵活性和准确度，为个性化学习提供了高度可扩展的表示框架。

EKG-QA LLM Framework^[4]：由Zhao团队提出。背景研究显示，尽管大语言模型在问答领域潜力巨大，但在处理结构化教育知识图谱时常缺乏深度推理支持。该系统解决了教育图谱问答（EKG-QA）领域缺乏标准化评估与高效推理范式的问题。方法上，提出了结合图谱检索与LLM推理的协同框架，深度解析学术基准并设计了基于上下文感知的Prompt机制。结果确立了针对该方向的新型基准洞察，验证了LLM结合教育知识图谱后在准确性及逻辑一致性上的优越表现。

目前，教育知识图谱研究正处于从“依赖人工专家”向“高度自动化、大模型驱动”快速演进的阶段，基于大语言模型信息抽取、跨模态多源融合的方法大幅提升了图谱生成的效率和广度。但在面对极其动态的知识演变、异构数据融合及图谱深层逻辑推理时仍存挑战。未来，该领域将向认知增强（如融合认知诊断的图检索增强技术）、大模型图谱智能演化、以及结合“人在回路”的高可信知识治理方向发展，进一步夯实全场景智能学习系统的底层知识基座。

参考文献：

1、Y. Wang, T. Wei, Q. Li, and L. Zeng, "Beyond Static Question Banks: Dynamic Knowledge Expansion via LLM-Automated Graph and Adaptive Generation," *arXiv preprint*, arXiv:2602.00020, Jan. 2026. doi: 10.48550/arXiv.2602.00020.

2、Y. Huang, H. Chen, J. Kuang, J. Fu, S. Cai, and Z. Ming, "Distribution-Guided Extraction for Cross-Platform Educational Knowledge Graph Construction," in *2025 International Joint Conference on Neural Networks (IJCNN)*, Rome, Italy, Jun. 30–Jul. 5, 2025. doi: 10.1109/IJCNN64981.2025.11228621.

3、Q. U. Ain, M. A. Chatti, A. Shakshhir, J. Qussa, R. Alatrash, and S. Joarder, "Top–Down vs. Bottom–Up Approaches for Automatic Educational Knowledge Graph Construction in CourseMapper," in *Digital Education: Shaping Sustainable Lifelong Learning for All in the Era of AI* (Lecture Notes in Computer Science, vol. 15733), Oct. 2025, pp. 119–129. doi: 10.1007/978-3-031-00000-0_10.

4、R. Zhao, W. Zeng, J. Tang, F. Tian, and X. Zhao, "Educational Knowledge Graph Question Answering: Insights From Benchmarks and LLM-Based Solutions," *IEEE Transactions on Artificial Intelligence*, vol. 7, no. 4, pp. 1931–1941, Apr. 2026. doi: 10.1109/TAI.2025.3595531. (Early Access: Aug. 4, 2025).

2026年5月25日

上海师范大学分析测试与超算中心