基于知识图谱的生物化学智能课程构建与实践

Construction and practice of Biochemistry intelligent course based on knowledge graph

摘要

目的 调查基于知识图谱的生物化学智能课程对学生学习的帮助。 方法 构建生物化学智能课程并在校内试运行；选择2023级五大班110名学生为研究对象，其中使用智能课程的学生为试验组（n=44），未使用智能课程的学生为对照组（n=66）；用多因素方差分析比较学生生物化学期末成绩；问卷调查学生使用智能课程的体验。 结果 生物化学智能课程实现了知识网络的可视化，并为学生提供了AI工具；不同专业学生的期末考试成绩的差异有统计学意义［口腔医学（64.4±18.0）分，药学（58.6±13.0）分，P=0.044］，试验组和对照组学生的期末考试成绩差异无统计学意义［试验组（63.3±15.9）分，对照组（61.1±16.7）分，P=0.724］；问卷调查结果显示，21名（84%）［口腔医学7名（77.8%），药学14名（87.5%）］学生同意智能课程可加深其对抽象概念的理解，24名（96.0%）［口腔医学8名（88.9%），药学16名（100.0%）］学生同意智能课程有助于其建立知识框架。 结论 基于知识图谱的生物化学智能课程对于学生学习生物化学有一定帮助。

Abstract

Objective To investigate the help of Biochemistry intelligent course based on knowledge graph to students’ learning. Methods The Biochemistry intelligent course was constructed and put into trial operation in the school. A total of 110 students from the fifth classes in Grade 2023 were selected as the research objects, within whom students who used intelligent courses were put into the experimental group (n=44), while those who did not use intelligent courses were put into the control group (n=66). The final scores of Biochemistry were compared by multivariate analysis of variance. Questionnaire survey was adopted to collect students’ experience in using intelligent courses. Results Biochemistry intelligent course realized the visualization of knowledge network and provided AI tools for students. There were significant differences in the final examination scores of students from different majors [Oral Medicine (64.4±18.0), Pharmarcology (58.6±13.0), P=0.044], but there was no significant difference between the experimental group and the control group in terms of final exam scores [experimental group (63.3±15.9), control group (61.1±16.7), P=0.724]. According to the questionnaire survey, 21 (84.0%) [7 in Oral Medicine (77.8%), 14 in Pharmarcology (87.5%)] students agreed that intelligent courses can deepen their understanding of abstract concepts, 24 (96.0%) [8 in Oral Medicine (88.9%),16 in Pharmarcology (100.0%)] students agreed that intelligent courses can help to build a knowledge framework. Conclusion Biochemistry intelligent course based on knowledge graph is helpful for students to learn Biochemistry.

Graphical abstract

关键词

生物化学 / 知识图谱 / 智能课程 / 人工智能

Key words

Biochemistry / knowledge graph / intelligent course / artificial intelligence

医学教育是社会医疗服务体系的基石，如何培养适应社会需求的高素质医学人才始终是医学教育研究的重点。由于医学课程体系复杂，课程难度大，学生需要融会贯通各科目知识建立完整的知识体系。但是，标准化的教学模式与学生个体之间差异的矛盾、课程资源不足等问题一直是限制医学教育效率提高的瓶颈^[1-4]。随着社会发展，人民群众对于医疗服务的要求也日益提高，特别是人口老龄化、慢病发病率升高以及提升基层医疗水平等这些现实的公共卫生挑战都对医学人才的能力和素质提出更高要求^[3]。为了满足社会需求，教育部提出新医科建设的人才培养目标，即培养具备扎实专业知识、掌握前沿医学技术、拥有创新能力和科学思维，同时兼具人文素养的复合型、创新型医学人才^[5-6]。

“生物化学”是医学教育中的核心基础学科，它从分子层面揭示生命活动的本质，对理解疾病发生机制、药物研发和新型疗法开发具有不可替代的指导价值^[7]。因此，高素质的医学人才必须具备扎实的生物化学知识基础。然而，该课程长期被公认为是医学基础课程中最具挑战性的科目之一，其教学除了受传统医学教育的瓶颈限制之外，还体现在：①生物化学是交叉性学科，需要学生能综合运用化学、物理和生物学等多学科知识；②生物化学主要研究分子水平的活动，内容抽象，要求学生具备较强的空间想象能力；③代谢部分的内容知识量大并且还存在复杂的调节机制以及代谢途径的交叉，掌握代谢的内容不仅需要大量记忆，还要做到理解，学习难度较大；④生物化学不同篇章内容跨度大，但又存在内在的联系，学生需要建立系统性认知框架才能彻底理解课程内容；⑤临床应用要求高，学生需将基础理论与疾病机制有机结合^[8-9]。这导致很多医学生对“生物化学”课程产生畏惧。但“生物化学”是“病理生理学”“药理学”“内科学”等课程的知识基础，因此学好“生物化学”这门课对于医学生来说非常重要。故而探索帮助学生克服生物化学学习中的难点，提高学习效率的方法一直是教学研究的重点。

人工智能（artificial intelligence，AI）是通过算法模拟人类认知过程的技术，它通过训练可以实现自主学习、逻辑推理以及智能决策等能力，可以完成一些专业性的工作。目前，AI技术已被引入多个行业。与人工相比，AI技术具有可以全天候工作、工作效率高等优势^[10-11]。知识图谱是AI技术在教育领域运用的重要形式。知识图谱是一种以图形方式呈现知识元素及其关联关系的结构化语义网络，它不同于数据库，不仅能呈现静态知识节点，还可揭示知识间的复杂关联，并支持智能推理、深度分析^[12]。当知识图谱与AI大模型结合，形成“智能知识系统”，可实现知识的动态更新和深度联想。“智能知识系统”支持学生在学习过程中通过关键词检索或问题引导切入知识网络，建立个性化的学习路径，学习“智能知识系统”上挂载的教材、PPT等学习资源，并通过挂载的习题检验自己的学习成果，完成学习过程的闭环^[13-14]。在学习过程中，可视化的知识网络可直观展示不同知识点之间的关系，有助于学生建立知识体系。“智能知识系统”的深度联想和深度分析能力可实现不同学科知识点之间的联系，帮助学生实现不同学科知识间的融合，培养学生的结构性思维，这也有助于培养其科学思维能力^[13-14]。

“智能知识系统”所展现出来的支持学生个性化学习，实现知识可视化，支持智能推理、深度分析和深度联想等能力，为突破传统医学教育的瓶颈、克服生物化学学习过程中的难点提供了新的可能。“智能知识系统”支持个性化学习将有助于克服学生个体差异大的问题，实现因材施教；AI全天候工作能力使其可以在任意时间及时解答学生的问题，并根据需要提供学习资源，弥补了教学资源不足的问题；知识网络的可视化、深度推理能力和深度联想能力可使得抽象的知识点之间的联系具象化、直观化，让学生可以快速了解不同篇章，甚至不同学科知识元素之间的关联，这不仅有助于从多个不同层次来理解抽象问题，还有助于学生建立知识体系，并通过举一反三，使其知识关联更准确、更快速地记忆所学知识。

为了提升“生物化学”教学效果，落实新医科人才培养要求，西安交通大学基础医学院生物化学与分子生物学系与上海卓越睿新数码科技股份有限公司西安分公司合作，共同开发了基于知识图谱的生物化学智能课程系统并在校内试运行。该文旨在介绍基于知识图谱的生物化学智能课程系统的核心功能，并通过分析影响期末考试成绩的因素、收集本科生使用该系统后的评价和改进建议，为智能技术在医学教育中的深度应用提供实践参考。

1 研究方法

1.1 基于知识图谱的生物化学智能课程对于学生学习成效的对比研究

1.1.1 研究对象

选取2023级教学五大班110人（其中口腔医学65人，药学45人）为研究对象，评价基于知识图谱的生物化学智能课程对于学生学习生物化学效果的影响。

1.1.2 研究分组

在基于知识图谱的智能课程试运行前已经向所有学生介绍了知识图谱的功能，并把学生的信息导入系统，学生可自行决定是否激活并使用系统。把激活并使用智能课程的学生设为试验组（n=44，口腔医学22人，药学22人），把未使用智能课程的学生设为对照组（n=66，口腔医学43人，药学23人）。本研究在开始前进行了伦理评估。

1.1.3 基于知识图谱的生物化学智能课程构建

西安交通大学医学部基础医学院生物化学与分子生物学系生物化学教学团队和上海卓越睿新数码科技股份有限公司西安分公司技术团队构成基于知识图谱的生物化学智能课程建设团队。通过多次研讨，团队明确了智能课程建设的标准化流程，并依据成员专业背景进行了系统化分工：教学团队负责内容提供与质量把控，技术团队负责系统开发与可视化实现。

教学团队以人民卫生出版社出版的《生物化学与分子生物学》（第10版）为核心教材，整合执业医师考试大纲（生物化学部分）以及本校生物化学教学大纲作为知识图谱建设的内容来源；并根据课程内容和教学中反馈的信息整理出生物化学教学4个全局层面问题、15个概念层面问题、117个方法层面问题；同时建立了能力目标体系，包含课程总体能力目标及其分解后的主/子能力目标，为知识图谱提供课程教学逻辑框架。

技术团队采用Neo4j图形数据库实现知识可视化；基于提供的教材内容等梳理知识点并建立关联关系，构建知识网络；并将方法层问题与对应知识点建立映射关系，集成生物化学的问题图谱；用软件模型把主/子能力与知识点以及方法层问题动态关联，建立能力图谱；所有数据采用CSV格式存储，并通过定制化、可视化系统实现交互式展示。

教学团队对知识体系进行深度标注：教学团队对梳理出的知识点和知识关系进行审核并给知识点标注重点、难点等分类标签；给每个知识点挂载教学PPT和练习题等丰富的学习材料；并完成3轮知识点关系校验的质量审核。

知识图谱集成DeepSeek AI模型构建智能课程系统。在学生端，AI学习辅助工具以AI助教和AI智能学伴的形式出现。AI助教：支持自然语言交互的问答系统；AI智能学伴：可根据学生选择的知识点自动出练习题并批阅（AI陪练），帮助学生阅读学习资料归纳重点（AI阅读助手），根据给定的题目和材料列出提纲（AI写作助手），根据关键词检索科研文献（AI科研趋势）。系统经过3 200次对话训练，作答专业性问题的准确率达89.7%。

1.1.4 智能课程校内试运行

基于知识图谱的生物化学智能课程建成后，面向医学部2023级学生试运行。

1.2 基于知识图谱的智能课程用户体验评估

1.2.1 研究对象

以2023级教学五大班（含口腔和药学专业）中使用基于知识图谱的生物化学智能课程的学生为调查对象。

1.2.2 研究方法

教师从使用的便捷程度、对于知识理解和记忆的帮助、对于建立知识体系的帮助以及对于建立不同学科之间知识点关联的帮助等四个方面设计问题，采用问卷星平台通过微信群发放问卷。问卷共15道题，1~13题为单选题，评估学生使用基于知识图谱的智能课程体验。第14题“您认为基于知识图谱的生物化学智能课程在以下哪些方面需要加强”为多选题，第15题“请补充您对基于知识图谱的生物化学智能课程的其他改进建议”为开放性题，以了解该智能课程的不足之处及改进建议。

1.3 统计分析方法

采用Graphpad Prism 10软件对数据进行统计分析。计量资料采用(x±s)进行统计描述，计数资料和等级资料采用n（%）进行统计描述。采用多因素方差分析比较试验组和对照组及不同专业学生生物化学期末考试成绩。以P<0.05为差异具有统计学意义。

2 结果

2.1 基于知识图谱的生物化学智能课程建设结果

基于知识图谱的生物化学智能课程主要包括：课程概述、课程设计、课程图谱、问题图谱、能力图谱和教学资源六个部分。根据教学团队提供的材料，软件模型梳理出15章135个知识点，993个知识节点，15个知识模块，确定各知识点之间的关系，从而构建了知识网络（如图1所示）。

软件模型根据教学团队整理出的全局层问题、概念层问题及方法层问题，把每一个方法层问题与对应的知识点联系起来，从而建立了生物化学的问题图谱。根据“执业医师考试大纲（生物化学部分）”和本校“生物化学教学大纲”，教学团队提炼课程学习的3个主能力目标：①掌握生物化学基本概念和基础理论；②建立物质组成、代谢、调控与生命现象的联系网络；③用生物化学知识解释相关医学问题。第一个主能力覆盖子能力“掌握生物体（主要是人体）内的主要物质组成、生物学功能，物质代谢途径及其调控规律”。第二个主能力覆盖子能力“建立生物体（主要是人体）内物质组成、物质代谢及调控与生命现象的联系网络，包括生物大分子结构与功能的关系”。第三个主能力覆盖子能力“运用生物化学知识论述或解释与人类健康、疾病相关的医学实践问题”。由软件模型把主能力和子能力与知识点和方法层问题挂钩，第一个主能力覆盖135个知识点，第二个主能力覆盖68个知识点，第三个主能力覆盖10个知识点（如图2所示）。

生物化学知识图谱以树状图、环状图、网状图等方式展示各章知识点的框架关系（如图3所示）。学生可通过点击特定知识点进入知识图谱开始学习，也可根据问题图谱中的特定问题入手进行学习。

经过训练的AI为知识图谱赋能，建成基于知识图谱的生物化学智能课程。学生进入生物化学智能课程后，可通过知识图谱、能力图谱直接选择特定的切入点开展个性化学习，也可利用AI工具作为学习的助手来帮助自己学习。学生端可获得的AI工具包括AI课程助教和AI智能学伴。

AI课程助教可以24小时解答学生的问题，极大地提高了学生的学习效率（如图4A所示）；同时AI智能学伴给学生提供了全方位的学习帮助。例如：学生可通过AI陪练在任何时间点选择课程的任意知识点，让AI出题，检验学习成效，巩固所学知识，AI可以在学生作答后立刻给出答案和解释；AI阅读助手可以提高学生阅读学习材料的效率；AI 写作助手可以帮助学生准确抓住问题的核心，快速列出提纲；AI科研趋势更是可以帮助对科研有兴趣的学生及时了解科研动态，快速扩充知识（如图4B所示）。

2.2 试验组和对照组及不同专业学生期末考试成绩比较

方差分析结果显示，试验组和对照组学生的期末考试成绩差异无统计学意义[试验组（63.3±15.9）分，对照组（61.1±16.7）分，P=0.724]；不同专业学生的期末考试成绩的差异有统计学意义[口腔医学（64.4±18.0）分，药学（58.6±13.0）分，P=0.044]。如表1所示。

2.3 使用情况反馈的调查

通过问卷星平台向医学部2023级口腔医学和药学专业使用智能课程的学生发放调查问卷，收回25份问卷，其中来自药学专业学生的问卷有16份，来自口腔医学专业学生的问卷有9份。问卷调查结果显示：24名（96.0%）[口腔医学9名（100.0%），药学15名（93.8%）]学生均同意生物化学智能课程使用便捷，21名（84.0%）[口腔医学7名（77.8%），药学14名（87.5%）]学生同意生物化学智能课程可加深对生物化学概念的理解，23名（92.0%）[口腔医学8名（88.9%），药学15名（93.8%）]学生同意生物化学智能课程可帮助他们更好地记忆生物化学知识点，24名（96.0%）[口腔医学8名（88.9%），药学16名（100.0%）]学生同意生物化学智能课程让他们对生物化学的整体框架有了更清晰的认识，21名（84.0%）[口腔医学6名（66.7%），药学15名（93.8%）]学生同意生物化学智能课程帮助他们把生物化学的知识与细胞生物学结合起来，18名（72.0%）[口腔医学6名（66.7%），药学12名（75.0%）]学生同意生物化学智能课程帮助他们把生物化学的知识和化学联系起来，并且23名（92.0%）[口腔医学7名（77.8%），药学16名（100.0%）]学生同意生物化学智能课程中的案例帮助他们理解生物化学知识在临床病例中的应用。如表2所示。

在反馈的信息中，口腔医学专业学生与药学专业学生有所不同：7名（28.0%）[口腔医学3名（33.3%），药学4名（25.0%）]学生希望增加生物化学与解剖学的知识关联，12名（48.0%）[口腔医学3名（33.3%），药学9名（56.3%）]学生希望补充更多临床病例与知识点的链接，13名（52.0%）[口腔医学4名（44.4%），药学9名（56.3%）]学生希望细化与细胞生物学的交叉内容，18名（72.0%）[口腔医学5名（55.6%），药学13名（81.3%）]学生希望增加动态演示，15名（60.0%）[口腔医学4名（44.4%），药学11名（68.8%）]学生希望优化练习题与知识点的匹配度。

在改进建议方面：3名（12.0%）[口腔医学0名（0.0%），药学3名（18.8%）]学生建议提供更多的习题，1名（4.0%）[口腔医学0名（0.0%），药学1名（6.3%）]学生希望智能课程能方便快速学习。

3 讨论

本研究介绍了基于知识图谱的生物化学智能课程的功能并评估其教学应用效果，证实基于知识图谱的生物化学智能课程对于学生学习生物化学、建立知识体系方面的确有一定的帮助，但是不同专业的学生对于智能课程的期望和要求有所不同。

基于知识图谱的生物化学智能课程的建设目标是提高学生学习的效率，帮助学生了解生物化学这门课的框架，并利用AI工具提供的学习资源帮助学生根据自身情况自主地建立学习路径，从而克服传统医学教育无法做到因材施教、人均教学资源少、缺乏引导学生建立全面知识体系的有效路径等痛点，并帮助学生克服内容抽象、需要在记忆基础上理解大量的知识点的课程学习难点^[9,15-16]。

通过调查影响学生成绩的因素和问卷调查的反馈信息可以让我们了解使用基于知识图谱的生物化学智能课程给学生带来的影响，以及学生对基于知识图谱的生物化学智能课程的期望。

多因素方差分析发现，影响学生考试成绩的主要因素是学生的专业，而基于知识图谱的生物化学智能课程未对学生的期末考试成绩造成显著的影响。从学生的基本特征看，五大班口腔医学和药学专业的学生在知识基础、年级等方面的特征均相同，期末考试时所采用的试卷以及学习考核的标准也相同。但是，这两个专业的学生也存在如下差异：2023级口腔医学专业在各省录取的平均分普遍比药学等非临床专业的平均分高10~20分。有研究显示，高考成绩与大学早期阶段学习成绩弱相关^[17]。因此，录取分数的差异可能是导致两个专业学生期末考试成绩出现显著差异的主要原因。

那么基于知识图谱的生物化学智能课程对学生学习是否有帮助呢？调查问卷结果表明，21名（84.0%）[口腔7名（77.8%），药学14名（87.6%）]学生同意生物化学智能课程可帮助其理解生物化学知识，24（96.0%）[口腔8名（88.9%），药学16名（100.0%）]名学生同意生物化学智能课程有助于其建立知识框架。以上信息表明，智能课程在帮助学生学习生物化学知识、建立知识体系方面的确达到了课程设计的目标。

但学生提出的改进建议则显示，药学专业学生对于基于知识图谱的生物化学智能课程期望更高。18名（72%）[口腔医学5名（55.6%），药学13名（81.3%）]学生希望增加动态演示，15名（60.0%）[口腔医学4名（44.4%），药学11名（68.8%）]学生希望优化练习题与知识点的匹配度。1名（4.0%）[口腔医学0名（0.0%），药学1名（6.3%）]学生希望智能课程能方便快速学习。动态演示和优化练习题与知识点的匹配度都可以帮助学生更好地掌握知识，提高学习效率，而且提出这一建议的药学专业学生的比例高于口腔医学专业。药学专业学生提出希望智能课程能方便快速学习也是为了提高学习的效率。由此可以看到，药学专业的学生期待基于知识图谱的生物化学智能课程能在学习上给予他们更多的帮助。结合前述药学专业和口腔医学专业期末考试成绩的差异，可以理解药学专业学生在学习过程中可能会面临较大的压力，所以需要可以帮助他们提高学习效率的工具，因此他们对于基于知识图谱的生物化学智能课程会有更高的期望。这意味着智能课程建设中应更多关注学业上有一定困难的学生，争取给他们提供更多有价值的帮助。

4 结束语

基于知识图谱的生物化学智能课程作为一种创新的AI学习辅助系统，通过可视化知识图谱、问题图谱、AI课程助教和智能学伴等核心功能，对于学生更好地掌握生物化学知识，并建立知识体系有一定的帮助。同时，学习上有一定困难的学生更期望通过运用基于知识图谱的智能课程来提高学习效率。这些不仅验证了知识图谱技术和AI技术在医学教育中的应用价值，也为AI技术在医学教育中的广泛应用提供了有价值的经验。我们亦认识到，因该智能课程尚未大规模应用，本研究基于初步调查，其样本量与结论的广泛性均存在局限。未来，随着课程应用的深入，我们将不断修正和丰富现有发现，以更客观地评估其教学实效。

参考文献

[1] 吴海江, 翟海魂. 医学教育特点与医学教育学学科特征探析[J]. 医学与哲学, 2024(13): 65-68.

[2] 刘振宇, 邓栩, 陈乐民, 等. 数字化技术在医学生临床实践教学中的应用与思考[J]. 中国医药导报, 2025(11): 102-105.

[3] CSABA G, SZABO I, KORNYEI J L, et. al . Variability in knowledge retention of medical students: repeated and recently learned basic science topics[J]. BioMed Central Medical Education, 2025(1): 523-533.

[4] 梁雨星, 童西琴, 周芙玲. 数字赋能医学教育创新发展的实践路径探索与研究[J]. 中国 医学教育技术, 2025(2): 200-205.

[5] 张林. 加快新医科建设 推动医学教育创新实践[J]. 中国大学教学, 2021(4): 7-12

[6] 王远清. 新医科教育解析: 创新教育医学新范式[J]. 中国医学教育技术, 2024(4): 428-432.

[7] 徐莺莺, 张艳, 王丽影, 等. 数智化赋能医学生物化学课程改革的初步实践[J]. 基础医学教育, 2025(6): 548-551.

[8] 杨全中, 李晓丽, 董佳杰, 等. 基于慕课堂+腾讯课堂的医学生物化学线上混合式教学实践和反思[J]. 生命的化学, 2022(12): 2293-2299.

[9] 周东岱, 董晓晓, 顾恒年. 教育领域知识图谱研究新趋向: 学科教学图谱[J]. 电化教育研究, 2024(2): 91-120.

[10] 赵宁,王小飞,左中夫. 思维导图联合雨课堂教学法在医学院校生物化学教学中的应用[J]. 继续医学教育, 2025(3): 61-64.

[11] 新华社. 习近平在中共中央政治局第五次集体学习时强调加快建设教育强国 为中华民族伟大复兴提供有力支撑[N]. 人民日报, 2023-05-30(1).

[12] 牛宝荣. 为思维而教: 数智时代知识教学的机遇、挑战与应对[J]. 电化教育研究, 2024(10): 86-91.

[13] 周辉. 数智赋能中医药高校教育教学的现实桎梏与突破路径[J]. 湖南中医药大学学报, 2024(6): 1095-1099.

[14] 刘凤娟, 赵蔚, 姜强, 等. 基于知识图谱的个性化学习模型与支持机制研究[J]. 中国电化教育, 2022(5): 75-90.

[15] 张健, 陈道远, 王燕. 新医科背景下构建应用型高校多元化课程考核模式的探索与实践: 以遵义医科大学生物化学课程为例[J]. 高教学刊, 2025(10): 96-101.

[16] 张伟娜, 刘军和, 李云, 等. AI赋能“生物化学”课程教学改革的探索与实践研究[J]. 教育教学论坛, 2025(24): 117-180.

[17] 张伟伟,李长熙. 山东某高校高考成绩与大学成绩的相关性研究[J]. 考试研究, 2025(5): 15-23.

基金资助

教育部产学合作协同育人项目（2024年第一批：231001282265316）

西安交通大学本科课程知识图谱试点建设专项项目(8)