本發明涉及人工智能，具體涉及一種輔助數字教師教學的學科知識庫構建方法。

背景技術：

1、在當今的信息時代，大語言模型技術已經取得了顯著進展，并且在多個領域得到了廣泛應用。然而，隨著大模型技術的不斷發展和應用，特別是在教育領域，仍然面臨著一系列的挑戰。盡管大語言模型技術通過深度學習等先進方法實現了對自然語言的理解、生成和處理，尤其是在通用任務如文本生成、情感分析等方面表現出色，但其在特定領域，特別是教育領域中的應用效果，仍然存在顯著的不足。

2、首先，大語言模型在處理教育領域的具體問題時，表現出了一定的局限性。雖然這些模型能夠處理廣泛的文本信息，并回答各種問題，但在面對專業性較強的學科領域時，由于缺乏對該領域知識的深度理解，其生成的回答往往難以達到預期的準確度和質量。例如，當教師在教學過程中需要依賴模型提供準確的學科知識時，現有的大語言模型由于缺乏對教材內容的專門理解，可能無法提供足夠精確的支持。這種局限性使得教師難以充分信賴模型來輔助教學，從而限制了大模型在教育場景中的廣泛應用。

3、其次，在處理多模態信息方面，當前的大語言模型技術也存在不足。雖然現代大語言模型能夠處理文本數據，但在教育領域的應用中，教材、圖像、圖表等多模態信息同樣重要。例如，在數字教師教學過程中，不僅需要處理文本，還需要有效利用教材中的圖像和圖表信息。然而，現有的大模型技術在這方面的表現仍然有限，導致對復雜查詢的理解和回答能力受到限制。

4、大模型在知識獲取和更新方面也存在問題。當前的大語言模型大多依賴于預訓練數據，而這些數據往往是通用性的，缺乏領域特定的知識。這意味著模型在面對教育領域中的新興知識或不斷更新的教學材料時，可能無法及時響應或給出有效的答案。此外，大模型通常缺乏將外部知識動態集成到自身推理和生成過程中的機制，導致其在面對復雜教學情境時，無法充分發揮潛力。

5、為了解決上述問題，近年來出現了一種新的研究趨勢，即通過構建外部知識庫來增強大語言模型的能力。這種方法通過將專業領域的知識結構化為知識庫，結合大模型的強大語義理解和生成能力，可以顯著提升其在特定領域中的表現。在教育領域，尤其是數字教師的教學場景中，構建一個專門的教材知識庫，不僅可以為大模型提供必要的背景信息，還可以實現對教師具體教學需求的精準匹配。這種方法能夠大幅提高模型的回答準確度和實用性，確保教學過程中的智能化支持更加貼近實際需求。

技術實現思路

1、為解決上述技術問題，本發明提供一種輔助數字教師教學的學科知識庫構建方法，通過結合大語言模型的強大語義理解和生成能力，能夠深度解析教學內容，特別是在特定學科領域中，通過構建專門的知識庫，實現對教師教學需求的精準匹配。此外，本發明還綜合利用了多模態信息處理技術，能夠有效地處理教材中的文本、圖像、圖表等多種信息形式，提升系統對復雜教學場景的理解與響應能力。與此同時，本發明所設計的知識庫構建方法還具備動態更新和實時學習的能力，確保教學資源的及時性與準確性，從而為數字教師提供更為智能化、個性化的教學支持。

2、為解決上述技術問題，本發明采用如下技術方案：

3、一種輔助數字教師教學的學科知識庫構建方法，包括以下步驟：

4、步驟1，搜尋教材知識資源，構建教材知識數據集；

5、步驟2，對教材知識數據集中的文本內容進行分塊處理，將文本內容拆分為文本段落；利用大語言模型對教材知識數據集進行表征得到教材知識向量庫；

6、步驟3，構建用戶與大語言模型之間的交互界面，提示用戶兩種問答方式；

7、步驟4，獲取用戶問題，將用戶問題對應的語義向量與所述教材知識向量庫的內容進行匹配；將匹配到的文本段落與用戶的問題進行合并，形成一個整體輸入內容；

8、步驟5，構建提示詞，大語言模型基于所述提示詞和整體輸入內容進行推理，生成符合教材知識并滿足用戶需求的回答。

9、進一步地，步驟2具體包括：

10、文本分塊：對教材知識數據集中的文本內容，采用分塊策略進行表征，具體包括：使用chunk技術和overlap技術對文本內容進行分塊處理，將文本內容拆分為固定長度的文本段落，同時確保段落間存在重疊部分；

11、語義向量化構建：完成文本分塊后，調用大語言模型對分塊后的文本段落進行語義向量化處理，將文本段落表示為低維稠密向量，并映射到語義空間中，使得相似含義的文本在向量空間中更加接近。

12、進一步地，步驟3具體包括：

13、采用streamlit工具構建交互界面，用戶能夠通過交互界面輸入問題，并選擇是否使用教材知識向量庫檢索功能；當用戶選擇不使用教材知識向量庫檢索時，大語言模型將直接依據自身學習到的知識回答用戶的問題。

14、進一步地，步驟4具體包括：

15、對用戶輸入的自然語言形式的問題進行語義理解，通過大語言模型生成低維稠密的語義向量表示；

16、將用戶問題對應的語義向量與教材知識向量庫中的教材知識進行匹配，具體包括：計算用戶問題的語義向量與教材知識向量庫中各文本段落向量之間的余弦相似度，返回余弦相似度最高的k個文本段落；為確保檢索到的文本段落的完整性，設置了固定鄰域的相似文本重合機制，在匹配到的k個文本段落前后擴充設定字數的內容；

17、將匹配到的k個文本段落與用戶的問題進行合并，形成一個整體的輸入內容。

18、與現有技術相比，本發明的有益技術效果是：

19、1)教學需求匹配精度高：本發明通過大語言模型與教材知識庫的結合，實現了對教師提出的教學需求的精準理解與響應，顯著提高了教學信息檢索的準確性。

20、2)知識庫構建優化：采用語義向量化處理方法，能夠有效捕捉教材內容的語義信息，增強了系統對大規模語料的存儲和檢索能力，從而提升了教學需求匹配的準確度。

21、3)靈活性與擴展性強：本發明支持多種文檔格式的導入與處理，兼容不同類型的大語言模型和語義向量模型，提供了高度定制化的使用體驗，適應不同領域的教學需求。

22、4)回答質量高且穩定：通過設計優化的提示模板，利用大語言模型的語義理解和生成能力，能夠生成高質量、上下文相關的回答，有效提升了數字教師在教學過程中的輔助能力。

技術特征：

1.一種輔助數字教師教學的學科知識庫構建方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的輔助數字教師教學的學科知識庫構建方法，其特征在于，步驟2具體包括：

3.根據權利要求1所述的輔助數字教師教學的學科知識庫構建方法，其特征在于，步驟3具體包括：

4.根據權利要求1所述的輔助數字教師教學的學科知識庫構建方法，其特征在于，步驟4具體包括：

技術總結
本發明涉及人工智能技術領域，公開了一種輔助數字教師教學的學科知識庫構建方法，包括：使用大語言模型對文本格式學科教材進行表征，根據教材表征結果構建知識表征數據庫；構建教師與大語言模型接口之間的交互界面，設計prompt構建兩種大模型回答方法：使用知識庫檢索回答和不使用知識庫檢索回答，使用大語言模型為教師的教學需求匹配知識表征數據庫中知識點，計算知識表征數據庫中每個知識點嵌入與教師需求之間的相似度，基于相似度對知識表征數據庫中的知識點排序，根據知識點排序得到需求教學資源，使用大語言模型根據需求教學資源結合大模型自身知識回答教師需求。本發明能夠更準確地輔助數字教師在特定學科領域開展教學活動。

技術研發人員：郭永琪
受保護的技術使用者：合肥中科迪曼智能科技有限公司
技術研發日：
技術公布日：2025/4/7