通过知识图谱提升高等教育课程创新：学科整合、个性化学习路径与学生投入的并行中介模型

《Acta Psychologica》：Enhancing curriculum innovation in higher education through knowledge graphs: A parallel mediation model of discipline integration, personalized learning pathways, and student engagement

　　

本研究通过采用包含学科整合（discipline integration）、个性化学习路径（personalized learning pathways）与学生投入（student engagement）的并行中介模型，考察知识图谱（Knowledge graphs）的使用如何有助于更好地理解高等教育中的课程创新。知识图谱被概念化为一个高阶构念（higher-order construct），包含四个反映性测量维度：图谱架构（graph architecture）、意义与语境（meaning and context）、跨学科能力（cross-disciplinary capability）和学习路径支持（learning pathway support）。研究人员通过结构化问卷收集了中国413名大学生的数据，并使用带自举程序（bootstrapping procedures）的偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）对所提出的模型进行分析。测量模型显示出令人满意的指标可靠性、内部一致性和有效性，大多数指标的外部载荷（outer loadings）超过0.70，组合信度（composite reliability）值在0.817至0.881之间，平均方差提取量（average variance extracted, AVE）值高于0.50。判别效度通过异质-单质比（Heterotrait-Monotrait ratio, HTMT）准则得到确认。结构模型结果显示，知识图谱与课程创新显著相关（β = 0.595, p < 0.001），并通过学科整合（β = 0.236, p < 0.001）、个性化学习路径（β = 0.052, p = 0.007）和学生投入（β = 0.372, p < 0.001）表现出间接关系。这些发现强调了知识图谱作为整合学科、个性化学习体验和培养学生对支持高等教育背景下创新课程开发的战略工具的作用。

研究背景方面，近年来由于技术快速进步和对个性化学习体验需求的增长，高等教育中的课程创新受到广泛关注。传统课程模式往往具有刚性结构和线性进程，难以满足习惯于动态技术增强型学习的学生需求。现有数字学习框架如学习分析系统、自适应学习平台和语义网教育技术虽能促进数据驱动的洞察，但多聚焦于绩效监测或内容推荐，而非明确表征知识域间的概念关系。知识图谱作为将教育知识建模为互联节点与关系的解决方案，在支持跨学科联系和自适应路径方面具独特优势。然而，关于知识图谱驱动课程创新的作用机制研究有限，其如何影响学生投入或促进跨学科学习的实证探索较少。鉴于自适应学习环境日益重要，有必要考察知识图谱如何通过创建互联且有意义的学径转化教育体验。基于此，研究人员依托社会认知理论（Social cognitive theory）和建构主义视角，提出并验证知识图谱通过学科整合、个性化学习路径与学生投入并行中介作用于课程创新的模型，该研究发表于《Acta Psychologica》。

研究人员为开展研究用到的主要关键技术方法包括：采用目的抽样（purposive sampling）从中国三所顶尖大学选取有数字学习环境经验的本科生，发放500份问卷后保留413份有效问卷用于分析；通过试点测试（pilot test）对30名学生进行问卷清晰度与相关性评估并微调题项；使用多条目量表测量各构念，知识图谱作为高阶构念（higher-order construct）含四个反映性维度，其余为单维反映性构念，均采用五点李克特量表（Likert scale）；运用带自举程序（bootstrapping procedures, 5000次重采样）的偏最小二乘结构方程模型（PLS-SEM）评估测量模型与结构模型，采用两阶段法评估高阶构念，通过外部载荷（outer loadings）、克朗巴哈系数（Cronbach's alpha, CA）、组合信度（composite reliability, CR）、平均方差提取量（AVE）、异质-单质比（HTMT）、方差膨胀因子（VIF）等检验信效度与多重共线性，依据路径系数（β）、t值、置信区间（CIs）、p值、决定系数（R²）与标准化均方根残差（SRMR）检验假设与模型拟合。

研究结果部分保留小标题说明如下：

1. 6.
   Results 结果。研究人员在确认测量模型后评估结构模型以检验假设关系，涵盖路径系数（β）、显著性水平（t统计量、p值）、置信区间（CIs）与预测力（R²），通过5000次自举确定显著性与中介效应，并以方差解释比例（VAF）评估中介强度，最终所有假设均获支持。

6.1. Measurement model 测量模型。研究人员依次检验指标可靠性、内部一致性收敛效度与判别效度。大部分指标外部载荷超0.70，少数介于0.40至0.70因理论重要性保留；CA值0.702至0.827、CR值0.817至0.879均超0.70阈值，AVE值0.500至0.655均超0.50，确认收敛效度；HTMT值均低于0.90保守阈值且置信区间低于1，结合福内尔-拉克尔准则（Fornell–Larcker criterion）确认判别效度良好。

6.2. Higher-order construct assessment 高阶构念评估。因知识图谱建模为反映性-形成性高阶构念（reflective–formative higher-order construct, HOC），研究人员依PLS-SEM指南采用两阶段法评估其第一阶构念（图谱架构、意义与语境、跨学科能力、学习路径支持）。

6.3. Outer loadings of HOC indicators 高阶构念指标外部载荷。图谱架构（0.826）、学习路径支持（0.862）、意义与语境（0.663）超0.50最低推荐载荷，跨学科能力亦显著贡献，确认各维度对知识图谱高阶概念具实质贡献。

6.4. Reliability and convergent validity of HOC 高阶构念信度与收敛效度。知识图谱的CA为0.817、CR为0.881、AVE为0.651，均超推荐阈值，表明高阶构念从其维度捕获充足方差。

6.4.1. Structural model assessment 结构模型评估。模型SRMR值低于0.08推荐阈值，显示可接受拟合；通过自举获得路径系数与中介效应显著性。

6.4.2. Hypotheses testing result 假设检验结果。知识图谱对课程创新直接效应显著（β = 0.595, p < 0.001）；对学科整合（β = 0.665, p < 0.001）、个性化学习路径（β = 0.406, p < 0.001）、学生投入（β = 0.827, p < 0.001）均显著；间接效应中学科整合（β = 0.236, p < 0.001）、个性化学习路径（β = 0.052, p = 0.007）、学生投入（β = 0.372, p < 0.001）均显著，三者起部分中介作用，H1至H7全获支持。

讨论部分总结：研究人员讨论指出，知识图谱通过学科整合、个性化学习路径与学生投入的并行中介直接正向影响课程创新，学生投入的中介效应最强，其次为学科整合与个性化学习路径。理论层面，研究将知识图谱作为高阶构念引入课程创新文献，整合结构、语义、跨学科与自适应特征，扩展技术增强学习概念化，并丰富社会认知理论中环境工具通过行为与认知中介影响结果的机制，填补跨学科学习与新兴技术联结的空白，将个性化学习路径定位为链接知识图谱与课程创新的中介构念。实践层面，研究建议高校将知识图谱整合入课程设计以构建动态课图、促进学科整合打破学科壁垒、投资结合自适应技术的数字平台以提供个性化路径、通过图谱活动提升学生投入，从而打造灵活、个性化与引人投入的学习环境。局限包括横截面设计限制因果推断、中国大学生样本限制跨文化推广、自报告测量潜在偏差、仅聚焦三个中介未纳入数字素养等因素，未来可采用纵向或实验设计、跨文化背景复制、结合客观数据与探索额外机制。

研究结论部分翻译：本研究考察了知识图谱如何直接或通过学科整合、个性化学习路径与学生投入的并行中介间接促进高等教育中的课程创新。利用来自中国413名本科生的数据并采用PLS-SEM，结果证实知识图谱作为高阶构念，通过培养跨学科思维、实现自适应学习路线与维持学生投入，显著提升课程创新。在各中介中，学生投入是最强路径，其次是学科整合与个性化学习路径。在理论上，本研究通过将知识图谱与捕捉创新课程认知、行为与结构层面的构念相整合，推进了技术增强学习文献。在实践上，本研究为大学、课程设计者与教育者利用知识图谱实现课程现代化并创建灵活、个性化与引人投入的学习环境提供了可行见解。尽管研究提供强力实证证据，其横截面设计限制了对知识图谱与学习结果及课程发展间因果关系的推断。未来研究可采用纵向或实验方法捕捉知识图谱对学习结果与课程发展的长期影响。此外，探索其他技术工具或文化因素的作用可进一步丰富对数字创新如何塑造高等教育的理解。