基于知识图谱与人工智能的呼吸系统疾病课程智慧化教学体系构建与实践

Construction and practice of an intelligent teaching system for respiratory diseases courses based on knowledge graphs and artificial intelligence

摘要

目的 探讨基于知识图谱与人工智能（artificial intelligence，AI）构建呼吸系统疾病课程智慧化教学体系的实践效果，旨在解决传统教学中理论体系抽象、临床实践受限、考核机制单一等问题，推动医学教育智能化转型。 方法 以重庆医科大学临床医学专业2021级学生（n=108）与2022级学生（n=103）为研究对象，构建并应用基于知识图谱与AI技术的智慧化教学平台。通过对比两届学生在课堂参与度、理论及技能考试成绩、Mini-CEX考核合格率及创新比赛参与情况等指标，评估教学改革成效。 结果 教学实践后，2022级学生在知识图谱与AI工具的应用率达到100%；课堂参与度从82.41%提升至100%；Mini-CEX考核合格率从75.93%提升至97.09%；医学创新大赛参与人数由5人次增至22人次，差异均有统计学意义（P<0.05）。 结论 基于知识图谱与AI的智慧化教学体系有效提升了学生的课堂参与度、临床实践能力和学习主动性，促进了“理论-实践-评价”三位一体的教学范式重构，为呼吸系统疾病课程的智能化教学改革提供了可行路径和实践参考。

Abstract

Objective To investigate the practical effect of constructing an intelligent teaching system for the respiratory diseases course based on knowledge graphs and artificial intelligence (AI), aiming to address challenges in traditional teaching such as abstract nature of theoretical systems, limited clinical practice opportunities, and a single assessment mechanisms, thereby promoting the intelligent transformation of medical education. Methods Undergraduate majoring in Clinical Medicine in the 2021 cohorts (n=108) and 2022 cohorts (n=103) at Chongqing Medical University were selected as the study subjects. An intelligent teaching platform based on knowledge graph and AI technologies was constructed and applied. The effectiveness of the teaching reform was evaluated by comparing indicators between the two cohorts, including classroom participation, theoretical and skill examination scores, Mini-CEX pass rates, and participation in innovation competitions. Results Following the teaching practice, the application rate of knowledge graph and AI tools among students reached 100%; classroom participation increased from 82.41% to 100%; the Mini-CEX pass rate rose from 75.93% to 97.09%; and the number of participants in medical innovation competitions increased from 5 to 22. All differences were statistically significant (P<0.05). Conclusion The intelligent teaching system based on knowledge graphs and AI effectively enhances students' classroom participation, clinical practice abilities, and learning initiative. It promotes the reconstruction of a "theory-practice-evaluation" trinity teaching paradigm, providing a feasible pathway and practical reference for the intelligent teaching reform of the respiratory diseases courses.

Graphical abstract

关键词

知识图谱 / 人工智能 / 呼吸系统疾病 / 智能化 / 教学实践

Key words

knowledge graph / artificial intelligence / respiratory system diseases / intelligentization / teaching practice

呼吸系统疾病作为临床医学专业核心课程，着重培养学生临床思维能力，注重提升学生主动学习、创造性分析和解决问题的能力。在智能化技术蓬勃发展的时代背景下，临床医学教育面临着教学范式革新的迫切需求^［1］。当前学生虽已广泛接触先进学习理念与信息化工具，但呼吸系统疾病课程教学仍主要依赖“讲授+多媒体+板书”的传统模式，难以有效促进学生对海量基础知识、诊疗路径和临床思维的内化吸收，暴露出三大核心痛点：①理论体系抽象复杂，传统授课难以实现知识架构的宏观把控与具象转化，制约学生自主构建知识体系；②临床实践受制于时空，标准化单一疾病病例难以为学生提供多维度的临床思维训练；③静态单一的考核机制无法持续激发学习内驱力，难以培养学生的岗位胜任力与终身学习能力。针对这些困境，亟须探索如何将人工智能（artificial intelligence，AI）、大数据等技术与教学内容深度融合，通过构建虚实结合的智慧教学场景、开发动态评估的智能反馈系统，打造既能突破时空限制实现个性化学习，又能通过多维互动强化临床思维培养的创新教学模式，最终实现从被动接收到主动探索的教学范式转型^［2-3］。

知识图谱作为智能教育时代的新型认知基础设施，其本质是依托多模态知识表征与异构数据整合技术构建的大规模语义网络。在教育数字化转型背景下，该技术通过拓扑网络架构实现知识要素的显性化重组与动态关联映射，为重构“理论-实践-评价”三位一体的教学范式提供了技术赋能路径^［4］。基于学习者特征、学科知识点、教学事件等多维实体的认知建模，可构建具备自组织特性的动态知识网络，其核心价值体现在3个维度：①认知结构的可视化重构：通过拓扑关系解析实现跨学科知识关联，突破传统线性知识传递模式，支持学习路径规划与认知负荷优化；②教育生态的智能进化：借助图谱的语义推理能力，可构建个性化学习推荐系统，推动教学模式从经验驱动向数据驱动范式转型；③教学过程的多维评价：依托实体关系网络的动态演化特性，实现过程性评价、形成性评价与终结性评价的有机统一，显著提升教学诊断的颗粒度与时效性^［5-6］。

本文聚焦呼吸系统疾病课程教学场景，系统讨论知识图谱融合虚拟仿真、智慧教学平台等，促使知识体系结构化和教学模式创新、驱动理论和实践交融达成能力进阶，在教学资源聚合、临床思维培养、智能评价创新等方面的改革思路和优势价值，为重构“理论-实践-评价”三位一体的教学范式提供了技术参考。

1 知识图谱聚合教学资源促使知识体系结构化和教学模式创新​

在AI、大数据及智能分析技术驱动下，知识图谱通过知识抽取、语义链接与可视化技术，对教材知识点进行结构化重组，整合文字、图像、音视频等多模态资源，构建系统性知识网络。其核心在于精准描述知识点间关系，强化数字教材的逻辑性与系统性，支撑学习者主动构建知识体系，培养问题解决与系统思维能力^［4］。依托学习者特征模型、学习行为数据与认知诊断方法，知识图谱从知识状态、知识结构、认知风格及元认知能力四维度建模，动态匹配学习资源呈现形式，实现适应性学习。这一技术深度融入数字教材体系，不仅推动自适应学习系统与个性化环境创设，更为课堂教学评价提供科学依据，成为提升教育质量的核心引擎^［7-8］。

针对呼吸系统疾病课程教学知识点繁杂、学生认知水平差异大的痛点，知识图谱通过节点化知识网络破解教学难题（图1）。在课程设计层面，基于知识点重要性、难易度与逻辑关系，构建可视化知识框架，辅助教师高效梳理教学内容。如《肺炎》章节教学，知识图谱以“肺炎概述-各型肺炎分论”双模块展开（图2）：概述模块系统整合疾病分类、临床表现、辅助检查、诊断和鉴别诊断、病因和发病机制、病理、治疗、预后和预防内容；分论模块映射至细菌性肺炎、病毒性肺炎等具体病种，形成临床诊疗全链条知识图谱，使抽象临床逻辑具象化。在学情管理层面，通过实时采集课堂互动、作业完成等数据，为教师分层教学提供数据支撑。这种技术不仅解决传统教学的知识碎片化问题，更通过个性化路径规划与资源推荐，实现因材施教新模式^［9］。

“知识图谱+问题图谱”双轨模式进一步强化教学的系统性与精准性：知识图谱构建学科知识网络，问题图谱则通过基础、组合、复杂三级问题链培养高阶思维。以问题图谱为例，基础问题如“肺炎病理机制”复刻记忆可关联知识点识记，组合问题如“胸腔积液不同病因的鉴别诊断”逻辑推导可指向知识结构分析，复杂问题如“慢性阻塞性肺疾病合并心血管疾病的诊疗”决策制定可实现多学科联合，三者线性关联形成能力进阶链条。基于知识图谱的AI推荐系统，可根据学情数据推送个性化资源，支持教师制定靶向辅导方案，同时允许学生自主选择学习路径。在呼吸系统疾病课程教学中，教师依托双图谱精准定位学生认知断层，动态调整教学内容；学生则通过交互式知识网络自主探索学习，接入DeepSeek大模型及提供PubMed平台链接以拓展知识边界。

知识图谱与问题图谱的深度融合，通过建立“知识关联-问题解决-能力培养”三维模型，不仅优化教学资源配置效率，更重塑师生角色，教师从知识传授者转变为学习引导者，学生从被动接受者进化为主动探索者^［10］。在呼吸系统疾病课程临床教学中，双图谱技术助力构建虚实结合的训练场景，如通过知识图谱模拟病例演变逻辑，结合问题图谱设计诊断任务，使学生在逼近真实的临床情境中锤炼决策能力。未来，随着多源数据融合与算法迭代，知识图谱将进一步拓展至教学效果预测、智能导师系统等场景，为临床医学教育的标准化、个性化和终身化提供可持续解决方案^［11］。

2 知识图谱与虚拟仿真协同驱动理论和实践交融达成能力进阶

传统教学框架中，呼吸系统疾病课程教学的理论知识常与临床实践因时间、空间问题呈现衔接不良的状态。知识图谱通过分层架构，将基础理论、诊疗方案与技术标准等知识点与真实病例深度融合，实现从理论到实践的顺利过渡^［12］。三维呼吸系统疾病课程知识图谱不仅动态关联解剖结构、生理过程、病理机制、影像学表现等，更整合国内外诊疗指南库与真实临床病例数据库，帮助学生建立多维认知体系。如在支气管哮喘教学中，学生可交互观察肥大细胞脱颗粒与气道力学参数变化，直观理解支气管痉挛及分泌物增多的病理机制。此外，学生可在虚拟病房观看支气管镜下肺泡灌洗术等影像以及获得病原学检查结果，最终制定药物优化方案。案例教学深度整合真实病例库，如将不同分期肺癌的影像特征对比案例嵌入虚拟问诊系统，学生在模拟诊疗中需完成从病史采集、辅助检查到手术或抗肿瘤药物选择的完整决策链，系统全程记录诊疗路径选择、循证依据采纳率等行为数据，生成专属每个学生的个体化“临床决策树成长模型”，实现数据同步回流驱动知识图谱动态进化。

以急性肺栓塞诊断教学应用为例，知识图谱通过关联前后基础与临床对应知识点，以及引入中华医学会发布的《肺血栓栓塞症诊治和预防指南》及欧洲心脏病学会发布的《急性肺栓塞诊断和治疗指南》，将肺动脉解剖结构、血栓形成机制、Wells评分、危险分层等临床路径深度融合（图3）。虚拟系统模拟肺栓塞患者诊断四大流程：①疑诊阶段引导学生询问血栓史、肿瘤病史及手术制动史等血栓高危因素，同步监测生命体征，完善凝血功能检验嵌入D-二聚体判定工具；②确诊阶段通过CTPA（CT肺动脉造影）三维重建结合AI血栓识别标注系统，强化“充盈缺损”影像特征识别能力，同时安排核素通气/灌注显像、肺动脉造影等其他确诊检查以满足临床情景的多样性；危险分层阶段，通过迅速关联患者血压、心脏彩超和心肌酶谱检查结果，基于指南文献标准引导学生判定患者所处低、中、高危阶段，以评估预后及制定进一步治疗方案；求因阶段通过表格图片清晰展示肺栓塞的高危因素和可能病因，自动匹配给定患者的具体临床特征。

知识图谱融合AI赋能教学的革新价值在于构建动态演进的医学综合能力培养系统。知识图谱与虚拟仿真的深度耦合，突破了传统医学教育中“知识传授”与“技能训练”的机械叠加，将临床思维的培养转化为可追溯、可优化的系统性工程。知识图谱作为动态知识中枢，在电子教材体系基础上持续吸纳全球最新研究成果与真实诊疗数据，确保教学资源始终与临床前沿同步；虚拟仿真则通过高保真临床场景重构，将抽象知识转化为可感知的操作逻辑。这种教学模式不仅解决了理论与实践衔接不畅的痼疾，更是通过技术赋能形成知识更新到能力迭代的正向循环，标志着医学教育从经验传承向科学化、系统化、智能化培养模式的实质性跨越^［13-14］。

3 以岗位胜任为目标的多元化、多维度考核评价

在既往传统呼吸系统疾病课程教学评价体系中，“考勤（10%）+期中考试（30%）+期末考试（60%）”的单一评价范式曾占据主导地位，这种以试卷考题评价为核心的考核模式存在显著局限性。①评价维度与临床岗位胜任力培养目标脱节，过度依赖标准化考试导致学生陷入“死记硬背”与“考前突击”的应试陷阱，难以真实反映其解决复杂临床问题的能力；②评价主体与方式单一化，缺乏对价值观塑造、团队协作等核心素养的评估维度，且评价结果具有明显滞后性，教师难以及时获取教学反馈以优化教学设计；③传统评价体系无法实现课程目标、教学内容与考核评价的有机统一，无法有效激发学生主动学习的积极性，制约了新时代医学人才培养质量的提升。

针对上述困境，课程团队构建了以知识图谱与AI技术为支撑的智能评价体系，注重考核全程化、评价标准多元化、评价维度多重化、考核方式多样化、考核主体全员化，构建系统、全面、科学的评价体系，实现从终结性评价向全过程评价的范式转型^［16］。该体系突破传统单一维度的考核框架，通过知识图谱构建的926个层级化知识点网络，整合课前智能诊断、课中动态监测、课后精准反馈三大模块。在课前阶段，AI助教基于学生预习行为数据与在线测试结果，结合自我评估问卷数据，运用深度学习算法生成个性化学习档案，AI助教为教师提供包含“知识薄弱点分布热力图”与“能力进阶路径建议”的学情分析报告。课中环节依托智慧教学平台和雨课堂，实时捕捉学生课堂参与度、临床思维活跃度、合作互动交流度等18项行为指标，通过知识图谱关联分析实现动态分组，如对知识掌握相似者组建“同质小组”开展精准强化训练，对能力互补者构建“异质小组”促进协作式学习，对兴趣趋同者形成“项目小组”深化专题探究。课后评价则整合胸腔穿刺术虚拟仿真操作评分、疑难病例分析报告、呼吸危重症多学科团队（MDT）方案设计等跨学科项目成果等多元化考核要素，形成涵盖知识应用（40%）、临床技能（30%）、职业素养（20%）、创新思维（10%）的多维度评价矩阵。

该智能评价体系的创新价值体现在3个层面：①构建了数据驱动的动态优化教学质量闭环，通过知识图谱与学习行为数据的深度融合，系统可自动生成课程数字画像，既能纵向对比历年教学数据发现改进方向，又能横向分析不同学生群体的能力差异，为教学策略调整提供科学依据。②实现了评价主体与方式的革新突破，引入师生互评、小组互评、AI辅助评价等多元评价机制，特别是在价值观塑造层面，分析学生诊疗方案中的人文关怀要素，形成思政教育成效评估模型。③建立了与岗位胜任力精准对接的能力培养图谱，将执业医师考试大纲、毕业理论综合考试和毕业实践综合考试等外部标准内化为评价体系的核心维度，通过AI动态病例库与脱敏处理后的真实临床数据的无缝对接，确保教学评价与临床实践要求保持同步。评价体系以培养岗位胜任为目标，重在激发学生参与度及活跃度，启发思维，引领价值，实现对学生的全员、全过程、全方位的客观且精准的综合评价，真正实现了“以评促学、以评促教”的改革目标。

4 课程实践

4.1 对象与方法

呼吸系统疾病课程知识图谱及AI智能化教学平台于2024年6月完成建设并正式应用。故收集2021级临床医学专业学生（2023—2024学年）的课堂参与度、理论考试优良率、技能考试优良率、迷你临床演练评估考核（mini-clinical evaluation exercise，Mini-CEX）考核合格率、医学创新大赛等比赛参与人次作为“教学实践前”数据；2022级临床医学专业学生（2024—2025学年）的知识图谱学生应用比例、AI助教/虚拟仿真等学生应用比例、课堂参与度、理论考试优良率、技能考试优良率、Mini-CEX考核合格率、医学创新大赛等比赛参与人次作为“教学实践后”数据。采用SPSS 26.0软件进行处理分析，以例数（百分比）［n（%）］表示，并用卡方χ²检验进行统计分析，以P<0.05为差异有统计学意义。

4.2 结果

呼吸系统疾病课程经过知识图谱融合AI赋能智能化实践后，在学生的学习驱动力、课程满意度和临床实践能力等方面取得了较好效果（表1）。

4.3 成效

知识图谱驱动与智能化教学赋能学生在虚实融合环境中主动建构知识体系，将碎片化临床知识点整合为跨学科认知网络，并结合认知画像动态推送个性化知识节点，使学生通过临床案例自主探索知识关联，形成以学生为主的高阶性教学过程；同时帮助学生高效补齐学习过程中的知识点短板并加强学习知识点的理解应用，进一步提升了学生对理论知识和临床技能的掌握，有助于学生获得解决复杂临床问题的能力。直观的效果表现在学生对知识图谱及AI助教等智能化工具的应用率均为100%，课堂参与度、理论考试优良率、技能考试优良率、Mini-CEX合格率分别提升17.59%、10.83%、8.88%和21.16%，客观数据反映学生能力明显提升。

通过构建该平台，学生带着知识目标和能力目标走进课堂，并能在学习中识别有效资源和不断修正自己的学习计划。借助知识图谱，他们对众多知识点进行梳理、筛选与分析，从而能够较好地理清并把握课程的主线与逻辑关系。通过持续采集学生在预习测评、课堂互动、虚拟实训及课后作业等环节的多维行为数据，为每位学生构建个性化学习生态，显著提升学习的精准性与自主性，进一步智能化推送资源，帮助学生高效靶向“补短板”的同时挖掘科研兴趣。尤其在面对复杂的呼吸系统疾病诊疗逻辑时，学生能够借助图谱进行系统整合，更好地应对复杂的临床诊疗和科学研究问题，结合呼吸系统疾病课程独特的临床实践性，能够很好地提升学生学习兴趣和自主探索精神，学生积极参与医学创新大赛等比赛的人数明显增多，主观积极程度反映学生学习兴趣提高。

5 应用重点、难点与挑战应对

知识图谱融合AI平台在呼吸系统疾病课程智慧化教学实践中展现出显著价值，其有效落地需重点保障医学专业内核并推动医工深度融合。首要重点在于医学专业知识权威性与完整性的保障，需深度整合人民卫生出版社的《呼吸系统疾病》《内科学》《诊断学》等权威教材、最新国内外诊疗指南、循证医学证据及经脱敏处理的真实临床病例数据，确保知识节点间的逻辑严谨性与临床实践的一致性。相关教学内容需建立严格的多轮审核机制，授课教师需负责进行持续校验与动态更新，防止AI幻觉和技术逻辑偏差导致的知识失真或诊疗路径误导。此外，AI与思政教育的有机融合是另一关键维度。需在虚拟仿真场景设计、案例库建设及智能评价体系中深度嵌入医学人文、职业伦理和社会主义核心价值观元素。

本研究的难点主要集中在医工深度融合的技术壁垒与师生适应性挑战。在技术层面，构建高精度、强逻辑的医学知识图谱涉及多源异构数据（文本、检验、影像）的深度整合与语义理解，需克服自然语言处理在专业术语理解、复杂临床逻辑推理上的局限。在师生适应性方面，教师需从传统讲授者转变为学生自主学习和思考的引导者，掌握图谱解读、数据分析、AI辅助决策工具应用等新技能，存在转型阵痛与技能提升需求。在应对策略上，本研究联合了本地理工科高校大数据人工智能实验室以及国内知名信息化教育企业，保障了知识图谱和智慧平台的顺利构建。此外，开展系统的教师智能教育素养培训与学生数字学习能力引导，通过讲座、工作坊、培训班等形式进行渐进式应用推广，降低技术门槛，提升师生对智能化教学的价值认同感和使用效能感。

6 结 语

通过知识整合、虚实融合和智能评价等手段，将知识图谱与AI技术深度融入呼吸系统疾病课程教学实践，构建了“理论-实践-评价”三位一体的智能化教学模式。知识图谱技术通过结构化重组教学资源，实现呼吸系统疾病课程知识体系的可视化重构，有效解决了传统教学中知识碎片化、理论与实践脱节等核心问题；虚拟仿真与知识图谱的协同应用，打通了从基础理论到临床决策的能力进阶路径；基于多维度数据采集的智能评价体系，则通过全过程、多主体的考核机制，显著提升了教学反馈的时效性与精准性。在知识图谱驱动与AI赋能下，使学生更好地理解新知识、适应新技术变革，实现了教学过程的智能化和数据化，从客观及主观上均提升了学习效果。

然而，在教学实践中切实全面推进教学智能化和数据化布局仍是一项长期、复杂且艰巨的任务。智能化硬件软件平台的建设需与临床诊疗技术发展同步迭代，虚拟仿真系统的高精度建模、实时交互响应等仍需突破算力与算法瓶颈；呼吸系统疾病诊疗指南、多学科诊疗方案等知识的动态更新机制亟待完善，以应对医学知识的快速演进；此外，教师从传统教学向人机协同的范式转型、学生从被动学习到人机交互的适应过程，均需通过系统性培训与教学实践逐步深化。随着技术迭代与教育主体的深度适应，呼吸系统疾病课程智能化教学将向更精准、更包容的方向稳步发展，为医学教育高质量发展提供可持续的实践范式。

参考文献

[1] 王静，齐惠颖，王路漫，等. 医学本科生人工智能通识课程的设计和教学实践［J］. 中华医学教育杂志，2024，44（2）：89-92.

[2] 王珍珍，向巴卓玛，赵岩松，等. 以ChatGPT为代表的大型语言模型在医学教学中的应用［J］. 医学教育管理，2024，10（6）：692-697.

[3] Hou Z W， Jing W， Qin C Z，et al. Prospects on mangrove knowledge services in the smart era：from plant atlas to knowledge graphs［J］. Sci China Earth Sci，2025，68（1）：111-127.

[4] 于骊，邓为民，张士杰，等. 知识图谱赋能基础医学教育的实践［J］. 中华医学教育杂志，2024，44（7）：513-516.

[5] 王莉，奚丽君. 知识图谱赋能教学的逻辑框架及其在医学教育中的实践探索［J］. 医学信息学杂志，2024，45（9）：96-101.

[6] 龚丽鑫，钮晓音. 基于知识图谱的医学人才培养可视化分析及思考［J］. 医学教育管理，2023，9（3）：389-396.

[7] 刘超，黄荣怀，王宏宇. 基于知识图谱的新型教材建设与应用路径探索［J］. 中国大学教学，2023（8）：10-16.

[8] 孙丽郡，孟繁军，徐行健. 课程知识图谱构建技术研究综述［J］. 计算机工程，2025，51（11）：1-21.

[9] 谢丹，陈风青，姜柏羽，等. 基于知识图谱与AI赋能高分子化学的数智化教学思考［J］. 高分子通报，2025，38（5）：837-843.

[10] 张南文，陈少雅，郑宁，等. 基于知识图谱的课程数字化管理在实验药理学中的应用及效果评价［J］. 中国高等医学教育，2024（10）：64-65.

[11] 赵宇博，张丽萍，闫盛，等. 个性化学习中学科知识图谱构建与应用综述［J］. 计算机工程与应用，2023，59（10）：1-21.

[12] 朱茜茜，张璐，孙一勤. 知识图谱在护理学领域的应用进展［J］. 军事护理，2025，42（2）：90-93.

[13] 袁婺洲，邓云，范雄伟，等. 基因工程线上线下融合课程知识图谱混合式教学的实施［J］. 生命科学研究，2025，29（2）：175-181.

[14] 张山，吴瑛. 支气管哮喘患者护理教学内容知识图谱的构建［J］. 中华护理教育，2024，21（3）：269-275.

[15] 史宇坤，许姝艺，董少春. 基于知识图谱的增强型混合式学习的教学实践与思考［J］. 高校地质学报，2022，28（3）：387-393.

[16] 谢幼如，陆怡，彭志扬，等. 知识图谱赋能高校课程 “教-学-评” 一体化的探究［J］. 中国电化教育，2024（12）：1-7.

基金资助

2023年度重庆市教育科学“十四五”规划青年课题项目：融合创新、智慧赋能——信息化整合医学教学模式在呼吸系统疾病课程中的探索与实践(K23YY2040031)

2022年重庆市教育科学“十四五”规划课题项目：呼吸系统疾病整合医学课程虚拟教研室创新建设与实践研究(K22YY204690)