1. 引言
《自动控制原理》作为自动化、电气、机械等工科专业的核心基础课，具有理论性强、逻辑严密、数学工具密集等特点[1]。然而，随着高校课程体系的持续优化与学时压缩，“学时少、内容多、数学难”已成为该课程教学的普遍困境[2]。传统“灌输式”教学难以兼顾学生个体差异，学生在缺乏扎实数学基础的情况下，往往对传递函数、根轨迹、频域分析等抽象概念望而生畏，学习兴趣与信心受挫。同时，大班授课背景下，教师难以实施个性化辅导，学生问题积压，形成“听不懂–不愿学–更跟不上”的恶性循环，亟需突破传统教学范式，探索高效、精准、可扩展的教学改革路径。
近年来，人工智能技术在教育领域的深度融合，正推动教学模式从“标准化”向“个性化”转型。知识图谱技术能够系统化梳理课程知识结构，揭示知识点间的先修、后继与依赖关系[3]；智能推荐算法可根据学习者的行为数据与掌握水平，动态生成适配的学习路径。国内外已有研究在编程教育、数学辅导等领域验证了AI助教系统的有效性，实现了“因材施教”的精准教学[4]。然而，在《自动控制原理》这类工科课程中，系统性整合知识图谱、智能题库与评估反馈的完整教学闭环仍属探索阶段，尤其在实现“自主导航、即时反馈、精准辅导”方面尚存在较大发展空间。
针对上述问题，本文旨在构建一个由人工智能驱动的智能化学习支持系统，突破传统教学的时空与资源限制。系统以课程知识图谱为底层架构，融合AI问题库与智能评估引擎，实现学习路径的动态规划、学习成效的实时诊断与学习资源的精准推送。学生可“自主导航”于知识网络中，系统根据其答题表现即时反馈，识别薄弱环节并推荐进阶或补强内容，真正实现“一人一策”的自适应学习。
2. 面向《自动控制原理》的AI教学系统核心设计
2.1. 整体架构：“数据–算法–应用”三层AI教学辅助模型
本系统采用如图1所示的“数据–算法–应用”三层架构，构建闭环式AI教学辅助体系。数据层整合课程知识点、教学资源、学生学习行为日志与测评数据，形成结构化教学数据库；算法层依托知识图谱构建、机器学习推荐算法与认知诊断模型，实现知识关联分析与个性化决策；应用层则通过学习平台为学生提供智能导航、自适应练习与即时反馈服务，支持教师进行学情监控与精准教学干预。三层协同，形成“感知–分析–响应”的智能教学闭环。
2.2. 基石：课程知识图谱的构建
2.2.1. 知识图谱的设计原则
以《自动控制原理》课程大纲为核心，系统梳理经典控制理论的知识体系，涵盖时域分析、根轨迹法、频域分析、系统校正等核心模块，并向前延伸，关联高等数学、复变函数等数学基础知识点，构建“专业–基础”双向链接网络。图谱设计遵循系统性、逻辑性与可扩展性原则，确保知识点覆盖完整、层级清晰、依赖关系准确。图2所示为控制系统分析与设计部分的知识图谱。
Figure 1. “Data-Algorithm-Application” AI-assisted teaching model
图1. “数据–算法–应用”三层AI教学辅助模型
Figure 2. Knowledge graph for control system analysis and design
图2. 控制系统分析与设计部分的知识图谱
2.2.2. 知识图谱的可视化呈现与智能导航功能
通过图谱可视化界面，学生可直观浏览知识网络结构，查看知识点间的先修与后继关系。系统支持“知识点定位–路径推荐–资源跳转”一体化导航，学生可自主选择学习起点，系统则根据其掌握情况高亮推荐学习路径。
2.2.3. 应用案例
当学生在“频率特性”分析中出现理解偏差时，系统自动识别其知识盲区，通过图谱追溯至“傅里叶变换”“复数运算”等前置数学知识，推送资源链接，帮助学生补足基础，实现“以需定学”。
2.3. 闭环：智能评估与即时反馈系统
2.3.1. 自动批改与错误类型诊断
系统支持客观题自动评分，并对主观题采用模板匹配与语义分析技术进行结果判别。结合答题路径，识别典型错误类型(如概念混淆、计算失误、步骤遗漏)，建立错误标签库。
2.3.2. 个性化学习报告与薄弱点分析
每次练习后生成可视化学习报告，展示知识点掌握热力图、错误类型分布与进步趋势。系统自动标注薄弱知识点，并推荐复习资源与后续练习计划，形成“测评–反馈–提升”闭环。
3. AI驱动的教学流程重塑与实践
3.1. 课前：基于知识图谱的智能预习与前置知识推送
在课前阶段，学生登录AI学习平台，进入“控制系统校正”教学单元。系统自动展示该章节在知识图谱中的位置，标注明其前置知识点(如“系统稳定性判据”“频域性能指标”“Bode图分析”)与数学基础(如“传递函数运算”“对数坐标系”)。平台根据学生历史学习数据，智能识别其知识短板——例如，若学生在“相位裕度”概念上掌握不牢，系统将自动推送相关章节视频与基础练习题，引导其完成“知识补丁”。同时，学生可通过图谱自主点击预习路径，提前了解本节核心内容与逻辑结构，带着问题进入课堂，实现“以学定教”。
3.2. 课中：AI随堂测验与教师精准教学
课堂上，教师首先通过AI系统发布一道“诊断性问题”：“某系统相位裕度过低，应优先考虑哪种校正方式？为什么？”学生在终端作答后，系统实时统计正确率与答题分布，生成班级学情热力图。如果教师据此发现80%以上的同学都回答正确，那就开始进入校正设计环节教学；否则，教师可判断部分学生混淆了“超前校正”与“滞后校正”的适用场景，遂调整教学重点，聚焦于两种校正方式的频率特性对比与物理意义解析。随后，教师调用AI问题库中的“进阶问题链”，逐步引导学生分析校正装置对系统动态性能的影响，并结合仿真动画动态演示Bode图变化过程。在关键节点，系统再次推送随堂小测，实时反馈掌握情况，可实现“教–测–调”一体化的动态教学。
3.3. 课后：个性化作业与智能巩固提升
课后，学生收到系统推送的个性化作业包。掌握较好的学生获得综合性强的开放性任务，如“为某温度控制系统设计超前校正网络，并仿真验证性能提升”；而基础薄弱者则收到分解任务，如“计算给定系统的相位裕度”“绘制校正前后的Bode图对比”等，并附带详细解题步骤与视频解析。学生提交后，系统自动批改客观题，对主观题进行结构化分析，识别常见错误(如“未校正相位裕度计算错误”“校正装置参数设置不合理”)，并生成个性化反馈报告。系统根据错题类型，推荐巩固练习题与拓展阅读材料，形成“作业–诊断–强化”闭环。
3.4. 实践案例：以“控制系统校正”教学单元为例
以“控制系统校正”为例，完整展示AI技术贯穿教学全过程：
(1) 课前：学生A在知识图谱中发现自身“Bode图绘制”掌握度仅60%，系统自动推送3道基础练习题与1个动画讲解视频，完成前置知识补强。
(2) 课中：随堂测验显示，全班对“校正类型选择依据”平均正确率为58%，教师重点讲解“频域指标与校正策略映射关系”，并调用仿真系统动态演示不同校正方式的响应曲线变化。
(3) 课后：学生B完成个性化作业，系统识别其在“校正装置传递函数推导”中出现步骤遗漏，立即反馈错误点，并推荐2道同类题巩固训练。一周后，系统评估其掌握度提升至92%，自动解锁“复杂系统综合校正”挑战任务。
上述教学流程通过AI技术实现了“课前精准预习、课中动态调教、课后个性提升”的全流程重塑，不仅提高了教学效率，更增强了学生自主学习能力与问题解决能力，为工科课程的智能化教学提供了可复制、可推广的实践范式。
4. 结论与展望
本研究实践表明，AI技术在解决《自动控制原理》教学中长期存在的“数学基础差异大、教学进度难统一、抽象概念难理解”等核心难题方面展现出明显成效。通过构建知识图谱，实现学生前置知识的智能诊断与补强，有效弥合了因数学基础参差导致的学习鸿沟。数智赋能的个性化学习路径，使学生能够按需学习、精准提升，显著降低了对复杂数学推导的焦虑感，增强了学习信心。课堂中，基于AI问题库的随堂测验与实时学情反馈，助力教师实现“以学定教”的精准教学，提升了课堂效率。课后，个性化作业与智能解析进一步巩固学习成果。量化与质性分析均证实，AI赋能的教学模式不仅提升了学生在复杂数学推导题上的得分率，更优化了整体学习体验与教学效能。
尽管取得积极成效，当前AI系统仍存在局限。首先，在复杂教学环节(如根轨迹绘制、奈奎斯特图分析)时，AI的评价与反馈能力仍显不足，难以完全替代教师的专业判断。其次，AI对学习情感状态的识别主要依赖行为数据，缺乏对深层心理动机的洞察，个性化推荐的“温度”有待提升。此外，系统对跨学科知识的关联能力有限，难以完全适应不同专业背景学生的多样化需求。这些局限提示我们，AI应作为教学的“增强工具”而非“替代者”，人机协同仍是未来发展方向。