一种基于大语言模型的计算机课程优化构建方法

摘要: 本技术涉及人工智能课程优化,更具体地说,本技术涉及一种基于大语言模型的计算机课程优化构建方法。背景技术:1、随着人工智能技术的快速发展和教育数字化转型的深入推进...
一种基于大语言模型的计算机课程优化构建方法

本技术涉及人工智能课程优化,更具体地说,本技术涉及一种基于大语言模型的计算机课程优化构建方法。

背景技术:

1、随着人工智能技术的快速发展和教育数字化转型的深入推进,大语言模型在教育领域的应用日益广泛,该技术能够对教学大纲、教材课件、代码资源与学习行为等数据进行语义理解、知识抽取与结构化生成,为计算机课程的自动化构建与优化提供技术支撑。智能课程优化旨在利用人工智能技术对课程内容、结构、资源及实施过程进行系统性分析与自动调整,以提升教学质量与学习效果,同时降低人工维护成本。该技术需要兼顾多源数据的统一表示、课程知识的结构化建模以及教学内容的可验证生成,主动适配计算机课程中知识体系严密、先修依赖明确、代码资源可执行要求高的学科特点与教学场景需求。

2、然而,现有基于大语言模型的课程构建与教学设计生成方法多依赖单次文本生成方式,直接输出教学设计、教案或课程大纲,缺少结构化的约束校验机制,使得课时超限、先修关系冲突、知识点遗漏或重复等问题无法在课程发布前被自动识别;同时,现有方案对于计算机课程特有的代码资源缺乏系统性的可执行验证能力,代码示例是否可运行、依赖是否完整以及实验数据是否可复现缺少自动检测手段;此外,生成内容多采用“端到端”模式,缺少可追溯的证据来源和版本管理机制,教师难以定位生成依据、识别模型幻觉或追踪版本差异,不利于课程审核与专业认证;现有方案也缺少基于课程实施反馈的闭环优化机制,无法根据学生学习表现和代码运行失败情况对课程内容进行针对性的增量更新。因此,如何在大语言模型生成课程方案时进行结构化约束校验与代码可执行验证,以提高课程构建的自动化水平是本领域亟待解决的技术问题。

技术实现思路

1、本技术提供一种基于大语言模型的计算机课程优化构建方法,可以在大语言模型生成课程方案时进行结构化约束校验与代码可执行验证,以提高课程构建的自动化水平。

2、第一方面,本技术提供一种基于大语言模型的计算机课程优化构建方法,包括如下步骤:

3、获取计算机课程在人工智能教学过程中产生的多源异构数据,并根据所述多源异构数据构建异构课程图谱;

4、接收课程构建请求,通过所述课程构建请求和所述异构课程图谱中确定图谱证据片段,通过大语言模型对所述图谱证据片段进行处理,得到多个结构化候选课程方案;

5、对所有的结构化候选课程方案进行可行性约束校验,得到可行候选方案,对所述可行候选方案中的资源层代码资源进行可执行验证,若存在未通过验证的资源层代码资源,则通过所述大语言模型进行修正,并对修正后的资源层代码资源重新进行可执行验证,直至全部验证通过,得到可执行代码资源;

6、根据所述可行候选方案和所述可执行代码资源生成课程构建包,将所述课程构建包部署用于课程实施过程,同时采集人工智能教学反馈数据。

7、在本实施例中,获取计算机课程在人工智能教学过程中产生的多源异构数据,并根据所述多源异构数据构建异构课程图谱具体包括:

8、获取所述多源异构数据,对所述多源异构数据进行结构化处理,转换为课程对象;

9、将所述课程对象作为节点,所述课程对象之间的关联关系作为边,构建异构课程图谱框架;

10、利用大语言模型对所述异构课程图谱框架进行校正,得到所述异构课程图谱。

11、在本实施例中,利用大语言模型对所述异构课程图谱框架进行校正,得到所述异构课程图谱具体包括:

12、通过大语言模型抽取所述异构课程图谱框架中的实体与关系,得到候选抽取项;

13、通过预设的课程逻辑规则库和所述异构课程图谱的图结构一致性检查对所述候选抽取项进行校正;

14、对所述异构课程图谱框架进行结构精炼,得到所述异构课程图谱。

15、在本实施例中,通过所述课程构建请求和所述异构课程图谱中确定图谱证据片段具体包括:

16、根据所述课程构建请求中的课程构建目标和待优化范围,确定检索条件;

17、根据所述检索条件,从所述异构课程图谱和所述多源异构数据中检索得到依据材料;

18、对所述依据材料标注来源信息,得到所述图谱证据片段。

19、在本实施例中,通过大语言模型对所述图谱证据片段进行处理,得到多个结构化候选课程方案具体包括:

20、根据所述图谱证据片段构建提示模板;

21、将所述提示模板输入大语言模型,生成多个候选课程方案;

22、对生成的候选课程方案进行解析,得到结构化候选课程方案。

23、在本实施例中,对所有的结构化候选课程方案进行可行性约束校验,得到可行候选方案具体包括:

24、获取所述课程构建请求中的课程管理约束;

25、逐项判断每个结构化候选课程方案是否满足所述课程管理约束;

26、将满足所述课程管理约束的结构化候选课程方案作为所述可行候选方案。

27、在本实施例中,对所述可行候选方案中的资源层代码资源进行可执行验证具体包括:

28、获取所述资源层代码资源对应的测试用例,在所述资源层代码资源的运行环境中执行所述测试用例,得到运行结果;

29、若所述运行结果通过率达标且无异常,则判定所述资源层代码资源通过验证。

30、在本实施例中,若存在未通过验证的资源层代码资源,则通过所述大语言模型进行修正具体包括:

31、获取未通过验证的资源层代码资源及其对应的验证失败信息;

32、根据所述验证失败信息,从所述异构课程图谱中检索功能等价的替代代码资源,若检索到且所述替代代码资源通过验证,则以所述替代代码资源替换所述未通过验证代码资源;

33、若未检索到通过验证的替代代码资源,则根据所述代码资源和所述验证失败信息构建修正提示,将所述修正提示输入所述大语言模型,生成修复代码资源。

34、在本实施例中,并对修正后的资源层代码资源重新进行可执行验证,直至全部验证通过,得到可执行代码资源具体包括:

35、对所述修复代码资源重新进行可执行验证;

36、若验证通过,则标记为通过状态,并纳入可执行代码资源;

37、若验证未通过,则再次修正后重新验证;

38、当所有修复代码资源均验证通过后,将全部验证通过的资源层代码资源作为所述可执行代码资源。

39、在本实施例中,根据所述可行候选方案和所述可执行代码资源生成课程构建包,将所述课程构建包部署用于课程实施过程,同时采集人工智能教学反馈数据具体包括:

40、将所述可行候选方案与所述可执行代码资源进行打包,生成带版本标识的课程构建包,并发布至教学平台供学生访问;

41、在课程实施过程中,通过所述教学平台埋点和作业系统接口采集课程数据,并将所述课程数据格式化后得到人工智能教学反馈数据。

42、本技术公开的实施例提供的技术方案具有以下有益效果:获取计算机课程在人工智能教学过程中产生的多源异构数据,并根据所述多源异构数据构建异构课程图谱;接收课程构建请求,通过所述课程构建请求和所述异构课程图谱中确定图谱证据片段,通过大语言模型对所述图谱证据片段进行处理,得到多个结构化候选课程方案;对所有的结构化候选课程方案进行可行性约束校验,得到可行候选方案,对所述可行候选方案中的资源层代码资源进行可执行验证,若存在未通过验证的资源层代码资源,则通过所述大语言模型进行修正,并对修正后的资源层代码资源重新进行可执行验证,直至全部验证通过,得到可执行代码资源;根据所述可行候选方案和所述可执行代码资源生成课程构建包,将所述课程构建包部署用于课程实施过程,同时采集人工智能教学反馈数据。

43、由此可见本技术中,首先,通过获取计算机课程教学过程中的多源异构数据,构建包含知识节点、能力节点、任务节点、资源节点和评价节点的异构课程图谱,将分散在不同格式和系统中的课程数据整合为结构化的知识网络,解决现有技术中课程目标与教学内容之间映射关系模糊、先修依赖难以量化表达的问题,从数据层面实现课程要素的可计算关联;其次,从异构课程图谱中确定图谱证据片段并经大语言模型处理,生成多个结构化候选课程方案,将大语言模型的生成能力与课程图谱的结构化知识相结合,避免单次生成结果格式混乱和内容不可控的问题,使候选方案以统一结构输出,为自动化校验提供可操作的数据基础;然后,对候选方案执行课时容量、先修闭环、目标覆盖和资源可用性等多重约束校验,并对代码资源进行可执行验证,未通过验证的代码资源经大语言模型修正后重新验证直至全部通过,解决现有技术中课程代码示例无法运行、实验资源不可复现以及生成结论难以审计的问题,使课程方案从文本描述提升为经过实际运行检验的可执行资产;多个环节相互配合,将课程构建过程从依赖人工经验的文本编写模式转化为可计算、可验证、可迭代的自动化流程,显著提升了计算机课程构建的效率与质量。

44、综上所述,本技术采用的技术方案可以在大语言模型生成课程方案时进行结构化约束校验与代码可执行验证,以提高课程构建的自动化水平。