..........67 4.1.2 收集和整理优秀教育资源..........................................................69 4.2 知识图谱构建......................................................................................70 4.2.1 学科知识点关联 于教学和学生的实际需求。 3. 智能评估：该模型能够对学生的学业表现进行实时分析，并提 供及时反馈，通过数据分析生成个性化的学习路径和改进建 议，进一步提高学习效果。 4. 知识图谱和内容推荐：利用大模型的深层知识，系统能够构建 教育内容的知识图谱，基于学生的学习情况和兴趣，推荐相关 的学习资源和材料。 在实施以上目标的过程中，我们需要考虑数据的安全性和隐私 保护，确保在收集和使用学生数据时符合法律法规。同时，教师的 杂性的任务。因此，支持多种任务迁移学习的模型，如 BERT、GPT 等，通常是优先选择的对象。这些模型能通过少量的 数据调整，迅速适应特定任务的要求。 适应性也是不可忽视的因素。预训练模型应与教育领域的具体 需求相契合，包括知识图谱的集成、特定领域的知识、以及用户交 互的优化特性等。例如，在教学对话系统中，选择能理解教育行业 术语和上下文的模型，将显著提高系统的有效性和用户体验。 此外，考虑到数据保护与伦理问题，模型选择还需符合相关法

多元用户权限体系：支持教育多元用户角色，以及可配置的权限控制系统  教育大数据： 面向不同角色的全方位教育大数据分析体系和教学轨迹  开放平台：具备完善的开放接口 API ，满足各种应用  知识图谱：基于机器学习的知识图谱全年级跨学科  用户画像：基于机器学习的用户画像包含师生个人和组织画像  智能教育内容： 智能管理、解析和制作的教育资源内容  智能评价引擎： 包括课堂教学评价、知识点评价、 在资源中心收藏、使用优质资源。 第二步 上传自己编辑的优质资源。 第三步 资源管理员对上传资源进行审核。 第四步 审核成功的资源将成为共享资源供其他教师使用。 二、区域教育资源库建设 (2/2) 知识图谱体系 整式 单项式 多项式 乘除 因式分 解 定义 系数 … … … 次数 次数 定义 项 公式 整式 乘法 整式 除法 分解 步骤 … … … … … 0101010111 0110 电子课本 教案 题库 试卷库 微课 学案 课件 授课素材 教育资源库基于学科知识图谱体系进行搭建，所有的教学资 源均实现标签化、精细化管理。知识图谱体系基于知识点设 立，依照学科、课程、课时、教学大纲、教材版本、学科目 标等构建知识图谱体系。通过知识点之间、知识点与教学资 源以及教学资源之间的关系连接实现人工智能引擎运作，为 用户提供智能化、个性化、高价值的教学资源服务，为基础

Extractor 知识抽取 Corpus Generator 语料生成 ( 未来 ) Knowledge Networks Knowledge Graphs 知识图谱 TSModels 传统模型 RDB 关系型数据 LLM 领域大模型 LLM Tools Prompt Builder Prompt 构建 Agent Dev 助手开发 （未来） 虚拟多份逻辑数据集 ，实现不同角色、不同权限用户的数据视图隔离。 • 通过低代码建模 ，快速构建全景图、仪表盘、搜索、链路、告警等多样化的可视 化 及分析模型 ，利用整合规则计算、机器学习及图谱构建等技术 ，实现观测视图 的实 时构建、访问和探索。 • 全息观测技术 ，提供全业务运营流程的问题闭环处理能力。 数据驱动智慧校园建设｜ 15 统一日志管理及可观测性方案 赋能智慧校园运维管理，提升服务水平（ ）。 AnyRobot 统一日志管理及可观测性方案，旨在帮助组织实现对全平台机器数据的统一采集、存储、管理和分析，包括日志、 指标和调用链等。采用云原生架构和大数据处理引擎，利用机器学习算法和知识图谱技术，对各类数据进行集成和处理，全 面满足合规要求并为各类业务系统提供可观测性能力。通过数据驱动业务系统的运营与运维，增强组织数字化韧性： • AnyRobot 机器数据湖支持分布在

养什么人”的根本命题面临价值重构。教育目标不得不在工具理性与价值理性之间寻求平衡——既要培养驾驭 智能技术的数字生存能力，又需坚守人的主体性发展与文化传承使命。其次，教育内容的适应性危机同样严峻。 大模型支撑的知识图谱系统使学生能够自主建构跨学科认知网络，传统课程体系因其封闭性与滞后性显得支离 破碎。再次，学术诚信边界的模糊化带来评价体系的根本性挑战。当学生能够借助人工智能工具瞬间生成高质 量论文、代码和创意 障高校科研和教学数据安全。 36 大模型背景下高等教育数智化转型研究报告 利用大模型，分析教育海量教学网络数据，能够优化教育专网资源分配，显著降低高校在线实验平台的网络延 迟；构建跨学科知识图谱，可以为国家智慧教育公共服务平台用户智能推荐个性化学习路径，让学习更高效； 帮助建立风险评估模型，精准识别敏感数据泄露风险，推动数据安全防护从被动应对转变为主动预防。 区域层面的建设重点在于打破 43 大模型背景下高等教育数智化转型研究报告 3.1 教育大模型能力维度分析 教育大模型是大模型技术在教育领域的专业化演进，既继承了通用模型的底层能力，又通过教育领域数据、学 科 / 专业知识图谱和教学规则的深度整合，具备教育领域的特定能力，实现了从“通用智能”到“教育智能” 的能力强化。 3.1.1 大模型通用能力分析 大模型根据不同维度有不同的分类方式，按模型数据的媒体类型，大模型可以分为大语言模型、视觉大模型和

库 、 融 合 建 库 、 模 型 汇 交、 CIM 部件库； 时空大数据计算：源数据管理、场景管理、服务 资源管理、空间数据分析； 时空知识图谱：时空知识抽取、时空知识融合关 联、时空知识推理计算、基于场景智能的预构建场 景图谱库； 时空信息可视化：描述性可视化、挖掘型可视化、 交互型可视化； 时空数据服务： BIM 模型轻量化、可视化渲染； 全景展示 2 、数据中台 视频运维 网络运维 消防运维 综合管控 报警检测 联勤联动 运维管 理平台 烟感 可燃气 水压 液位 消火栓 空开 电器火灾 用传 气 电 水 人 物 车 人脸比对 人脸图谱 车牌识别 车牌抓拍 AI 预警监控 消防通道占用监控 专 网 公 网 智慧一张图 Web 管理平台 APP 管理端 平台预警 设备报警 入侵报警 数智联动 事件联动 5 、智慧运维 智慧运维

资源入库、审 核 题库资源开 发 资源分发、转 发 资源调度、资源服 务 资源分发、共 享 资源浏览、点播、下载、互动测评、统计 应用 直播活 动 课程直 播 直播转 发 学科 知识 图谱 标签 体系 实现 对资 源智 能化 管 理 军哥系统集成号 军哥系统集成号             军哥系统集成号 军哥系统集成号

算法自动选择 自动化特征工程 自动化机器学习 自动化调参 推理中心 服务发布 A I 应用层 资源 管理层 资源调度引擎 任务执行引擎 深度学习引擎 机器学习引擎 流程编排引擎 图谱计算引擎 协作 AI 编程平台 可视化建模平台 教研 教学 教务 教管 校园 …… PaddlePaddle TensorFlow OneFlow 预置镜像 一键发布 第三方导入 防 API 调 用 固件包部署 人体 & 人 脸 边缘部署 第三方导入 多框架适配 多版本管理 OCR 技 术 服务管理 启停管理 权限管理 权限管理 文本处理 服务监控 知识图谱 一键发布 服务管理 图像技术 ……. …… 智算中心： 算力云平台 - 全栈融 合 全栈融合 l 基于开放云的异构算力融合 l 云与大数据、 A I 深度融合 l 基于“平台 +

知识库限制（公开、私有、即时） • 上下文窗口限制（记忆、成本） 3. 推理能力 n 解决方案 1. 提示词（Prompt） 2. 思维链（CoT） 3. 搜索增强（RAG） 4. 知识图谱（KGE） 5. 模型微调（Fine Tune） 学习交流可加AI肖睿团队助理微信号（ABZ2829） 第28页 生成模型和推理模型适用场景 n 生成模型是玩知识和文字的，推理大模型是玩逻辑和推理的，至于计算问题， 备考与升学指导：智能备考 根据学生的学业表现、兴趣爱好和职 业倾向，提供个性化的高考/中考智 能备考 中等教育系统集成：效能提升 • 对接多维度学习数据，优化教学决策，构建全面学生 成长档案 • 深度整合学科知识图谱，优化学习路径和学习效率 • 多维度支持德育教育，培养良好习惯行为 学习交流可加AI肖睿团队助理微信号（ABZ2829） 第57页 DeepSeek与教育的适配性 教研一体化功能 • 教育文本内容智能生成与优化 教师教学资源准备繁琐。 • 校内业务系统操作复杂。 • 学术研究资源获取不便，文献综述和论文润色工作量大。 • 国际交流中多语言环境支持不足。 实现功能 • 助学：AI抽取教学视频知识点，构建知识图谱，支持学生课前课中学习课后复习。 • 助教：自动生成教学资源，提供不同难度级别的出题功能及自动纠错。 • 助管：关联校内业务系统，快速完成操作和数据调取，自动分析并生成统计图表。 • 助研：对

升。 （三）发展建议 1. 建设以交叉学科为导向的科研协作平台 交叉学科的发展已经成为科学研究的重要趋势，科研项目协作平台是推动交 叉学科建设的有效途径。一方面，应紧密融入学科规划，厘清学科图谱，充分会 聚多学科资源，建设科研项目协作平台；另一方面，要依托人工智能和数据挖掘 等新技术，丰富科研项目协作平台，通过科学程序，筛选具有高融合潜力的学科 领域，并对科研项目进行智能化引导，从而有助于打破传统学科壁垒，促进不同 7% 907 66.7% 教学案例，如教学 设计、课堂实录、 例题等 87 77.0% 395 66.7% 101 80.2% 320 60.5% 903 66.4% 新形态教材，如知 识图谱、电子书、 教学参考资料、教 辅资料等 88 77.9% 336 56.8% 105 83.3% 273 51.6% 802 59.0% 数字化场馆资源， 如数字图书馆、数 字博物馆、数字科 D、教师能力培训场景 230 E、其他 F、无 【多选】36. 学校已建设的数字教育资源种类包括（）。 A、学习网站或相关应用 B、在线课程，如微课、慕课、网校课程等 C、新形态教材，如知识图谱、电子书、教学参考资料、教辅资料等 D、教育电子游戏 E、教学工具软件 F、虚拟仿真系统，如虚拟仿真实验实训平台等 G、教学案例，如教学设计、课堂实录、例题等 H、教学课件或教学素材 I

DeepSeek 技术是一套基于深度学习和人工智能的先进技术解 决方案，旨在通过智能化的数据处理和分析，提升教育场景下的教 学效率和学习体验。其核心技术包括自然语言处理（NLP）、计算 机视觉（CV）、知识图谱构建以及个性化推荐算法，能够实现对教 育数据的多层次、多维度分析与应用。 在自然语言处理方面，DeepSeek 技术能够通过语义理解和上 下文分析，自动生成高质量的教学内容，例如智能出题、个性化作 外，计算机视觉还能应用于试卷扫描和自动评分，显著减少人工批 改的工作量和错误率。 知识图谱是 DeepSeek 技术的核心组成部分，通过对教育资源 的深度关联和挖掘，构建起多维度、跨学科的知识体系。该系统能 够将教材、课程视频、习题库等教育资源进行智能关联，形成动态 的知识网络，帮助学生更好地理解和掌握知识点。同时，知识图谱 还支持个性化学习路径推荐，根据学生的学习进度和兴趣，动态调 整学习内容和难度。 技术的功能，以下是其核心模块 的简要说明：  智能出题系统：基于 NLP 和知识图谱，自动生成符合教学大 纲的习题。  作业批改：通过 NLP 和 CV 技术实现对作业的自动批改和错误 分析。  课堂行为分析：利用 CV 技术实时监测学生的课堂表现，提供 教师反馈。  个性化学习路径：基于知识图谱和推荐算法，为学生定制学习 计划。  智能监考：通过 CV 技术实现远程考试的实时监控和异常行为