基于知识图谱的课程评价体系构建

一、引言

《金融工程人工智能与量化实训》是金融工程专业的实训课程，融合了金融理论、数学模型、人工智能算法及量化投资实践，旨在培养学生运用数智化工具解决复杂金融问题的能力。然而，传统课程评价以考试为主，存在以下局限：一是侧重知识点记忆，忽视知识关联与实践应用；二是缺乏对学习过程的动态监测，难以及时调整教学策略；三是未充分考虑学生个体差异，难以满足个性化发展需求。随着知识图谱技术的成熟，将其应用于课程评价，可为破解上述问题提供解决方案。

知识图谱的构建与课程适配性

首先，化解知识复杂性，强化认知。由于金融工程课程涉及多层抽象概念，传统线性教学易导致学生认知碎片化。知识图谱通过层级化节点设计，将复杂理论拆解为“基础模型-量化策略开发-策略优化”等逻辑链，辅以可视化图谱展示知识递进关系，帮助学生建立结构化认知框架。

其次，贯通理论实践，锚定应用能力培养。基于课程的实践导向要求评价体系紧密衔接行业场景。知识图谱通过整合理论模型与实战案例，为实践评价提供双重参照。一方面通过案例分析题检验理论迁移能力，另一方面利用模拟交易数据验证策略有效性，实现“知识理解-仿真应用-实战评估”的闭环。

此外，支持个性化学习，适配差异化路径。学生能力基础与职业规划差异显著，知识图谱通过模块化节点设计提供多元学习路径。例如，量化兴趣浓厚的学生可沿“统计套利→机器学习→高频交易”路径进阶，而偏重风险管理的学生可选择“衍生品定价→对冲策略→压力测试”路线。系统根据学习行为数据动态推荐节点，结合通关测试与项目实践成果生成个性化能力画像，实现“因材施评”。

三、基于知识图谱的多维度评价体系设计

3.1 评价维度框架

3.2 知识掌握度的评价创新

为了更有效地促进学生对知识的系统性学习和深度理解，引入并设置“节点闯关机制”。具体而言，将庞大的知识图谱精心拆分为若干个关键的必选节点和具有拓展性的可选扩展节点。每个节点都设置了相应的测试环节，包含选择题、编程题和案例分析等多种题型，学生必须成功通过这些测试才能解锁后续的学习内容。这种递进式的学习路径设计，确保了学生能够按照合理的顺序逐步积累知识，避免遗漏重要基础。在此基础上，进一步开展关联知识综合测试。设计一系列跨节点的任务，要求学生综合运用多个知识点来完成复杂的项目，如制定一套完整的投资策略并提交详细的策略报告，然后在模拟环境中进行实际执行。通过这种方式，不仅能够全面评估学生对知识的整合能力，还能让他们在实践中深刻体会到不同知识点之间的内在联系，从而加深对整个知识体系的理解和把握。

3.3 能力提升度的评价指标

首先是量化建模能力，利用专业的模拟交易平台，让学生在接近真实的市场环境中测试自己开发的策略。通过精确统计策略收益率、夏普比率等关键指标，客观反映策略的性能优劣。同时，要求学生在策略报告中详细阐述所采用的理论依据和进行的市场分析，以考察其对量化模型原理的理解和应用能力。例如，在股票投资组合优化项目中，学生需要运用马科维茨均值 - 方差模型来确定最优资产配置比例，并根据市场预期调整参数设置。

其次是数智化AI 工具应用能力，着重考核学生运用 Pandas、SQL 等常用工具实现量化算法的效率和创新性。布置基于真实金融数据的实战任务，如优化风险评估模型。在这个过程中，引导学生熟练掌握数据清洗、回测验证等一系列实操技能，并鼓励他们积极探索不同的策略优化路径。比如，学生可以尝试对历史数据进行分析，预测未来市场走势，进而改进风险控制策略。这完全契合本科金融工程专业“理论 + 实践”的培养目标，使学生能够在实际操作中将所学理论知识转化为解决问题的能力。

另外，在小组项目中，充分利用知识图谱作为协同工作的平台。通过记录团队成员之间的知识共享情况、分工合理性评分以及互评结果，定量地评估每个成员在团队中的协作贡献。例如，在一个涉及多因子选股模型研究的小组项目中，有的学生负责数据采集与预处理，有的专注于因子分析和模型构建，还有的则承担结果解读与报告撰写工作。通过这种方式，不仅培养了学生的团队合作精神，也让他们学会如何在团队中发挥自己的优势，共同完成任务。

3.4 学习行为的评价价值

一方面，借助先进的数据分析技术，精确统计学生访问各个知识节点的次数和在该节点上的停留时间。根据这些数据，识别出那些积极深入探究知识的“深度学习者”，并及时为他们推送更具挑战性的进阶资源，如学术文献、行业前沿研究报告等，以进一步激发他们的学习潜力。另一方面，深入分析学生在选择学习路径时的倾向性，即他们更倾向于选择理论推导路径还是实践案例路径。依据分析结果，有针对性地为学生提供补充学习建议。最后在小组讨论环节，详细记录每位学生的提问次数、分享知识的频次等信息，并结合同伴评价，全面判断其在团队中的参与度和领导力水平。通过这种方式，教师可以及时发现学生在协作过程中存在的问题，给予针对性的指导和建议，帮助提高团队协作能力。

四、数智化评价工具的开发与应用

4.1 评价系统功能模块

学习档案管理、实时反馈和教师决策组成评价系统。通过学习档案管理模块全面整合学生的节点测试成绩、项目报告、行为日志等各类学习数据，为每个学生建立详细的电子学习档案。通过这个档案，学生可以随时回顾自己的学习历程，了解自己在不同阶段的进步情况；教师也能够方便地查阅学生的个体差异，为个性化教学提供有力支持。实时反馈模块能动态地向学生展示他们的知识掌握进度，包括通关率、薄弱节点等信息，并以直观的能力雷达图形式呈现他们在建模、协作等方面的能力得分情况。同时，生成个性化的复习路径建议，帮助学生有针对性地查漏补缺，提高学习效率。教师决策则是为教师提供丰富的数据分析工具和可视化报表，如班级知识薄弱点分布图、学生能力分层统计等。教师可以根据这些信息快速了解全班学生的学习状况，及时调整教学重点和策略，确保教学内容与学生的实际需求相匹配。

4.2 实施效果

在该课程教学实践中，实验班（ n=l00 ）采用知识图谱评价体系，对照组（ n=l86 ）沿用传统考核模式。

结果显示，在知识掌握维度，实验班学生对课程核心节点的平均通关率明显高于对照组，尤其在量化策略开发、风险管理等复杂模块的表现更为突出。这表明他们对这些复杂概念有了更深刻的理解和更好的掌握，能够更加熟练地运用所学知识解决实际问题；

在能力提升层面，实验班学生设计的模拟交易策略在年化收益率上表现出色，且通过知识图谱的跨节点整合，他们在策略优化方面展现出了更强的能力。这得益于知识图谱帮助他们更好地理解了各个知识点之间的联系，从而能够灵活运用多种技术手段来改进策略。例如，一些学生利用人工智能技术对市场趋势进行预测，并将其融入到交易策略中，取得了良好的效果；

在学习行为维度，实验班学生的知识探索频率大幅增加，协作互动活跃度也显著提高。在小组项目中，他们更加主动地进行知识共享，分工更加合理高效。结合图谱提供的实时反馈信息，学生能够及时发现自己的不足之处，并迅速采取针对性措施加以改进，形成了“学习 - 实践 - 反馈”的良好循环。

五、结论

基于知识图谱的课程评价体系，通过知识关联分析、能力成长追踪与学习行为挖掘，实现了从“结果验收”到“过程培育”的转变。在《金融工程人工智能与量化实训》课程中的实践表明，该体系能显著提升学生的知识整合能力、实践创新能力与自主学习意识，同时为教师提供精准教学决策依据。未来需进一步优化技术工具与评价算法，推动教育评价从“经验驱动”迈向“数据智能”，为金融工程人才培养提供新方向。

参考文献

[1]张丽娜.基于知识图谱的混合式教学模式研究[J].内江科技，2025，46（05）：128-130.

[2]谭江月，赵丽.“金课”建设与数字化转型双轮驱动下基于知识图谱的教学范式重构[J/OL].黑龙江教育（理论与实践），1-5[2025-07-07].https：//kns-cnki-net.webvpn.cqrk.edu.cn：8480/kcms/detail/23.1064.G4.20250623.1026.002.html.

[3]詹文，胡哲，姜园，等.基于知识图谱的形成性课程评价体系构建——以信息论与编码课程为例[J].教育观察，2024，13（31）：6-10.

基金项目：工商学院一般项目“知识图谱赋能数智化课程建设与创新---基于《金融工程人工智能与量化实训》课程”（项目编号 25CQRKGSJG05）

作者简介：董文莹，1990.1，女，汉，沙坪坝，硕士研究生，讲师，数字金融、金融科技。

作者简介：冯子钰，1995.09 ，女，汉族，渝北，硕士研究生，讲师，企业信息化。