基于知识图谱和 AI 赋能的《计算材料学》课程教学探索与实践

一、前言

2022 年教育部工作要点中强调实施教育数字化战略行动。强化需求牵引，深化融合、创新赋能、应用驱动，积极发展“互联网+教育”，加快推进教育数字转型和智能升级。 “互联网+”时代，以互联网、云计算、大数据和人工智能为代表的新一代信息技术推动高等教育领域的智能化发展，全新的云技术可以帮助学校构建一个资源分享、课程网站管理、教学互动、数据分析、成果展示的一体化平台，为教育数字化提供动力与支撑，为高等教育创新发展带来了机遇和挑战。

随着信息技术特别是人工智能（Artificial Intelligence，AI）技术的发展，教学方式将发生变革和重构。AI 是当前信息技术发展的前沿水平，通过依托庞大的数据库和运算速度在教育教学中应用。AI 能够经过大数据分析较为合理的为教师分配教学任务，通过积累每个学生的成绩、作业等分析学生们大体的学情，为教师提供教学反馈信息，方便教师因材施教。对学生而言，AI 可通过对学生学习偏好、学习成绩、知识建构等信息进行汇总，从而对学生进行智能引导学习和专项训练，根据学生的基础状态，推荐适合其自身的学习路径与学习内容，适时地调整学习难度和顺序，提高学生查漏补缺速度，避免学习时间重复。人工智能技术与教育教学的深度融合，体现在重构师生关系、调整教学资源形态等教学的全流程当中，包括知识图谱构建、精准教学、智能测评等。

人工智能解决问题的重要实践方式是知识工程。知识工程旨在将人类的知识和推理能力赋予机器解决实际问题。知识工程发展到大数据时代的代表性技术就是知识图谱。知识图谱是一种大规模语义网络，富含概念、实体及各种语义关系，成为了人工智能基础设施，各类知识的重要载体，是实现认知智能的基石。教育知识图谱将碎片化、分散式的教育资源与相关实体关联成一张巨大的语义网络，为教育的智能化应用提供知识支撑。教育知识图谱通过语义网络的形式表达和沉淀了传统教育教学过程中所涉及的课程知识、教学知识、学科知识、百科知识、语言知识等。教育知识图谱侧重于实现教育相关的实体或资源的关联，包括知识点之间语义关联、知识点与学习资源之间的语义关联、知识点与术语、公式、图表等各种表达形式之间语义关联、知识点构成的概念层级关系、以及与师生（甚至机构）相关的语义关联等等。基于知识图谱开展高质量研究生课程建设与教学研究具有重要意义。

二、《计算材料学》知识图谱和AI 赋能课程教学现状分析

《计算材料学》是《学术学位研究生核心课程指南（二）（试行）》中“材料科学与工程一级学科研究生核心课程指南”中所列的 16 门核心课程之一，是材料科学与计算机科学的交叉学科，是一门正在快速发展的新兴学科，是关于材料组成、结构、性能、服役性能的计算机模拟与设计的学科，是材料科学研究里的“计算机实验”。计算材料学是连接材料理论与实验的桥梁，是现代材料研发的重要手段。本课程通过理论讲授和上机实践操作，重点讲授计算材料学的基本概念和方法，内容涵盖计算材料学简介、数学-物理-化学-计算机等理论基础、微观-宏观尺度模拟方法等相关技术和Materials Studio、FactSage、COMSOL 等软件。通过培养学生的计算技能，加深他们对材料的认识与理解，提升专业水准。在教学过程中，有机融入课程思政元素，引导学生树立科技创新、知识产权保护、自主开发国产软件等意识，培养学生严谨认真的工作态度和学术诚信观念，塑造学生正确的世界观、人生观和价值观和爱国主义情怀。

围绕计算材料学课程教学与改革和知识图谱建设方面，国内学者开展了一系列研究。陈显飞[1]和井群[2]等人探讨了科研案例教学法在课程教学和实验设计中的应用。张思超[3]探索了基于知识图谱的典型零件加工工艺知识构建方法。魏晓[4]面对材料领域知识与机器学习技术相结合的问题，研究了基于自然语言处理的材料领域知识图谱构建方法。刘翠霞[5]针对目前《计算材料学》授课过程中出现的理论强、学科广、动手强等特点，以OBE 教育模式为理论指导，探索了《计算材料学》课程的教学新思路。郭丹[6]以新工科建设和“中国制造 2025”为指导思想，对计算材料学课程中的实验教学环节进行改革，介绍了新工科背景下计算材料学实验教学改革与实践经验。在近年来人工智能迅速发展背景下，胡学敏[7]探索了人工智能背景下 Materials_Project 数据库在计算材料学课程教学中的应用，李文[8]开展了人工智能赋能“计算材料学”海洋特色化教学的改革与实践。可见，针对《计算材料学》开展基于知识图谱和AI 赋能的教学研究具有广泛应用价值和重要意义。

三、《计算材料学》知识图谱和AI 赋能教学探索与实践

1. 梳理知识图谱，构建新形态课程内容体系

课程团队集思广益，多次开会研讨，更新完善了教学大纲，增加了关于“价值塑造”的课程目标，完善了课内实践项目相关的教学内容，更好地满足材料类研究生“专业思政实践课”的要求。基于课程教学大纲，重新梳理了《计算材料学》课程的知识体系、重点/难点，构建了知识点之间的相互关联及脉络关系，利用Xmind 软件以思维导图的形式，更加清晰明了地将知识点呈现出来，便于学生抓住学习重点、理解各章节之间的关联关系。在此基础上，重新优化整合 PPT、视频、文字等教学资源，丰富学生学习内容和形式，充实线上教学资源库，以便学生能够获得更好的学习效果。

2. 优化理论与实践教学内容，促进课程交叉融合设计

为了使任课教师能够掌握《计算材料学》课程学情，包括本科专业、所学先修课程等，从而更好地制定教学计划、实施课堂教学和个性化指导，在每年课程开课前均设计问卷进行调查。分析问卷统计结果发现，学生的本科学校层次、本科专业、本科所学主要课程等有较大差异，部分同学来自化学、机械类专业，个别同学未学过任何计算机程序语言类课程、未使用过材料类专业计算软件。学习本课程所需的基础知识相对薄弱。为了解决上述问题，针对不同专业背景和办学层次院校生源的学生同时上课这一现状，项目组成员和课程团队优化了理论与实践教学内容，缩减了理论教学学分、增加了实践教学比重，以便使基础稍弱的同学也能够通过实践教学更好地掌握课程知识点、达成教学目标。

基于课程主要知识点思维导图，开展课内“理论 + 实践”融合式教学设计与实践。在理论教学之后，对应开展计算机软件的上机实操和练习，并提供相应的视频、文字等拓展阅读材料。在课内实践教学环节，通过学生自己动手建模、设置参数、计算和结果分析，让需要抽象思维才能理解的材料晶体结构模型 “看得见”、“动起来”，通过一张图就能知道材料是导体、半导体还是绝缘体，激发学生的学习兴趣，让知识点不再抽象、枯燥，便于学生理解掌握，更好地实现课程教学目标。

3. 结合现有教材，优化数字资源的供给模式

“教材即教学”，在现有自编课程教材《简明计算材料学基础》的基础上，以知识图谱为纽带，结合学校特色教学资源与类型，配套融合课程的知识内容与教学设计，利用长安学堂（畅课）、超星“泛雅”学习平台和新一代信息技术，优化多元化的数字教学资源供给模式。

基于学校畅课学习平台，实现电子化课件教学资料、课堂教学实录视频等数字化教学资源在线共享，为学生提供多种型式的学习资料，供学生随时随地学习，不受课堂、上课时间等限制。

4. 基于在线学习平台，探索基于“知识图谱”的个性化教学应用落地

基于畅课在线教学平台，建设了课程“知识图谱”，将课程知识点与课件PPT、视频资源、课后作业等相关联，可以初步实现“按完成率查看”和“按掌握率查看”学生对知识点的掌握程度（百分比），成功探索并落地了基于知识图谱的个性化学习路径推荐、精准化学习资源推送和智能化学习效果评估等应用场景，从而实时了解学生的学习进度、掌握学生的学习动态。课程教学中，结合理论教学、课内上机实验教学、课堂表现与多元化签到、课程总结报告等多方面考核，综合测评学生对课程教学目标的达成情况、并持续改进，不断提升教学效果。

基于超星“泛雅”学习平台，建设了AI 智慧课程，并开展知识图谱、AI 工作台（包括AI 助教、AI 应用、AI 实践、AI 智能体等）等课程建设，充分利用人工智能、大数据等数字化教学工具，实现AI 出题、AI 作业批改、AI 教案、AI 翻译等功能，助力本课程数字化教学改革与实践，进一步提升学生学习成效和教学产出。

四、结束语

本研究围绕《计算材料学》课程，完成了从知识图谱构建到AI 赋能教学落地应用的全流程探索。通过系统化的知识梳理与融合设计，不仅构建了一个能够清晰反映学科内在逻辑与交叉特性的知识体系，更在实践中验证了其对于激发学生自主学习、深化知识理解与应用的显著效果。

当然，本研究仍处于阶段性的探索之中，知识图谱的深度与广度、AI 算法的精准度以及与教学环节的更深度融合仍有待进一步研究和完善。未来，我们将继续扩大知识图谱的覆盖范围，引入更先进的AI 分析模型，并探索其在虚拟仿真实验、科研案例教学等更多元教学场景中的应用，培养更多适应未来科技发展的交叉复合型创新人才。

基金项目：省学位与研究生教育研究项目《基于知识图谱的<计算材料基础>课程建设研究》（SXGERC2023055）、AI 赋能研究生教育教学改革项目《AI赋能<计算材料学>课程建设与研究》、长安学堂示范课程《计算机在材料科学与工程中的应用》（300207243504）。

作者简介：李辉（1984-）男，汉族，河南永城人，工学博士，系主任/副教授，主要从事无机非金属和计算材料学的教学与研究工作。

参考文献：

[1] 陈显飞, 张文涛, 杜海英. 基于科研案例的计算材料学实验设计. 大学化学,

2025, 40(03): 52-61.

[2] 井群, 崔秀花, 吉旭, 姜轶. 科研案例教学法在《计算材料学》课程教学中的应

用. 大学化学, 2025, 40(X): 1-9.

[3] 张思超, 孔绍然, 孔宪光, 赵美丽. 基于知识图谱的典型零件加工工艺知识构

建方法. 自动化应用, 2023, 64(01): 53-57.

[4] 魏晓, 王晓鑫, 陈永琪, 张惠然. 基于自然语言处理的材料领域知识图谱构建

方法. 上海大学学报(自然科学版), 2022, 28(03): 386-398.

[5] 刘翠霞, 吕志刚, 马志军. 基于OBE 教育理念的《计算材料学》创新教育模式

探索. 广州化工, 2021, 49(12): 190-192.

[6] 郭丹, 金剑锋, 王明涛, 贾楠, 秦高梧. 新工科背景下计算材料学实验教学改

革与实践. 实验室研究与探索, 2022, 41(03): 181-186.

[7] 胡学敏, 孙孪鸿, 陈晓玉, 叶原丰. 人工智能背景下 Materials Project 数据库在

计算材料学课程教学中的应用. 科教文汇, 2024(10): 90-94.

[8] 李文, 李振, 冯荟蒙, 王巍, 陈守刚. 人工智能赋能“计算材料学”海洋特色化

教学的改革与实践. 武汉轻工大学学报, 2024, 43(06): 117-121.