一、研究背景与意义

（一）研究背景

随着全球科技革命和产业变革的加速推进，以人工智能、云计算、大数据为代表的新兴技术正在深刻改变社会生产方式和人才培养体系。《国家职业教育改革实施方案》《关于推动现代职业教育高质量发展的意见》等政策明确提出，要深化人工智能技术与职业教育的融合，构建智能化教学资源体系。2023年以来，生成式人工智能（AIGC）、大语言模型（如ChatGPT、文心一言）等技术的快速迭代，为教育资源的内容生成、组织方式和传播模式带来了革命性变革。这些技术为继续教育数字资源建设提供了新工具、新理念和新路径，推动资源从“内容数字化”向“内容智能化”“服务精准化”“路径个性化”转型。

（二）研究意义

本研究立足AI技术前沿，聚焦职业技能型人才的继续教育需求，探索数字资源建设的智能化路径，具有多重意义：

1.理论创新意义：通过梳理生成式AI、知识图谱、大模型等技术在教育资源中的应用机制，构建“AI+继续教育”的理论框架，为教育数字化转型提供理论支撑，推动资源开发从静态到动态、从统一到个性化的转型。

2.实践应用价值：研究成果可有效解决职业继续教育资源更新慢、适配性差、互动性不足等问题，推动资源从“以教为中心”向“以学为中心”转变，提升技能型人才学习的精准性和实效性，为职业院校和培训机构提供可操作的资源建设模式。

3.政策与平台建设支撑：本研究为教育管理者提供AI时代资源平台的设计思路和路径规划建议，助力区域职业教育体系的智能化升级和数字资源生态构建，推动职业教育与产业需求的无缝对接。

4.服务产业与人才战略：通过智能化资源建设，优化技能型人才培养体系，助力构建与产业升级相适应的技术工人队伍，为制造强国、数字中国、人才强国战略的实施提供支持。

二、“AI+继续教育”的技术融合基础

在“AI+继续教育”的背景下，人工智能技术的快速发展为职业技能型人才的数字资源建设提供了强大的技术支撑。生成式人工智能（AIGC）、教育大模型、知识图谱以及虚拟现实（VR/AR）等技术的融合应用，正在重塑继续教育资源的生产、组织、推荐与交互方式，为实现智能化、个性化、体系化的资源建设奠定了基础。

1. 生成式人工智能（AIGC）在教育资源中的应用

生成式人工智能（AIGC）基于大语言模型和多模态生成技术，能够自动生成文本、图像、视频、试题等多样化内容，极大地拓展了教育资源的生产效率与形式。AIGC在继续教育中的核心应用包括：一是内容自动生成：AIGC可根据职业标准和课程目标，快速生成教学文本、微课脚本、案例分析和实操指南。例如，针对电工培训，系统可生成“电路故障诊断流程”视频或“安全操作规范”文本，缩短资源开发周期。二是个性化内容重构：通过分析学习者的职业背景和能力水平，AIGC动态调整教学内容的难度和形式，实现“千人千面”的资源供给。例如，为初级焊工生成基础操作视频，为高级焊工生成复杂工艺案例。三是智能交互与辅助：AIGC支持智能问答、虚拟对话和任务脚本生成，增强资源交互性。例如，在护理实训中，AIGC可生成“虚拟病人”对话场景，模拟真实临床情境，提升学习沉浸感。

2. 教育大模型与个性化学习引擎

教育大模型是在通用大语言模型基础上，通过教育领域数据精调训练形成的支持教学任务的智能系统。其在继续教育中的应用主要体现在个性化学习引擎的构建：一是学习者画像构建：通过采集学习者的职业背景、学习行为和技能水平数据，教育大模型生成多维学习画像，为个性化资源推荐提供依据。二是智能推荐与路径规划：基于学习画像，模型动态匹配课程、实训任务和测评内容，并生成自适应学习路径。例如，针对不同水平的数控机床操作员，推荐从基础编程到复杂加工的递进式课程。

3. 知识图谱在技能知识体系中的构建价值

知识图谱通过“实体-属性-关系”的结构化表示，将碎片化的职业教育知识整合为可计算、可推理的知识网络。在继续教育中，知识图谱的应用包括：一是体系化知识组织：将职业技能分解为知识点、技能单元和任务场景，形成结构化的知识体系。例如，构建“机电维修”图谱，关联电路原理、设备维护和故障诊断等节点。二是个性化推荐支持：基于图谱推理，系统可识别学习者的知识缺口，推荐针对性资源，如为未掌握“PLC编程”的学员推荐相关微课。三是内容生成优化：知识图谱为AIGC提供知识约束，提升生成内容的专业性和逻辑性。例如，生成焊接案例时，调用图谱中的工艺标准和常见问题节点。

4. 虚拟现实（VR/AR）与虚拟实训系统

VR/AR技术通过沉浸式仿真和虚实融合，为职业技能实训提供了低成本、高安全的解决方案。其在继续教育中的应用包括：一是高危岗位模拟：VR技术可模拟高风险场景，如高压电操作或化工厂应急处置，让学习者在安全环境中反复练习。二是操作技能沉浸式学习：AR技术通过叠加虚拟指导信息，辅助学习者完成复杂操作，如设备拆装或医疗护理流程。三是智能交互与反馈：结合AI技术，虚拟实训系统可实时评估操作行为、识别错误并提供改进建议，增强实训效果。

三、职业技能型人才数字资源建设现状与问题

近年来，我国职业教育在“技能强国”和教育数字化转型的推动下，职业技能型人才数字资源建设取得了显著进展。然而，与人工智能技术的快速发展和产业升级的需求相比，当前资源建设仍存在诸多问题，亟需通过智能化手段加以改进。

1.建设现状：资源规模扩大，平台初具雏形：国家职业教育智慧平台、智慧职教等公共平台已上线，涵盖智能制造、纺织、机电等多个专业领域的课程资源、虚拟仿真和题库系统。部分职业院校和企业合作开发了行业特色资源库，推动资源向线上迁移。技术应用初步展开：部分平台引入AI推荐、虚拟仿真和大数据分析技术，初步实现资源数字化管理。例如，我校开发了基于VR的纺织虚拟实训室，应用于织布、服装设计等场景。校企合作增强：校企协同机制逐步形成，我校与纺织服装行业龙头企业共建课程设计与实训资源开发，提升了资源的产业适配性。

2.存在问题：资源形式单一，互动性不足：当前资源多以视频、PPT和文本为主，缺乏交互式、沉浸式内容，难以满足技能型人才的实操需求。例如，许多课程仅停留在理论讲解，缺乏任务驱动型设计。

内容更新滞后，产业对接不足：资源更新机制缺失，难以快速反映新技术、新工艺的行业标准。例如，部分智能制造课程未涵盖最新的工业4.0技术，导致内容与岗位需求脱节。碎片化严重，体系化不足：资源多以单一课件或微课形式存在，缺乏基于职业能力成长的系统性设计，难以形成从基础知识到高级技能的完整学习路径。智能化水平有限，个性化支持不足：尽管引入了AI技术，但多数平台仅实现简单的资源检索和推荐，缺乏基于学习者画像的自适应学习支持，难以实现精准化教学。实训资源匮乏，虚拟化程度低：虚拟实训资源开发成本高、覆盖面窄，许多高危或复杂工种仍依赖线下实训，导致实践教学资源不足。

3.问题成因：技术应用深度不足：AI技术在资源生成和个性化服务中的融合不够深入，多数平台停留在初级自动化阶段。标准规范缺失：缺乏统一的资源建设标准和更新机制，导致资源质量参差不齐，难以实现跨平台共享。师资与技术能力有限：教师和开发团队的AI素养不足，难以主导智能化资源设计与应用。投入与机制不足：资源建设的资金投入有限，校企协同机制尚未完全形成，影响资源的产业适配性和持续更新。

四、AI赋能职业技能型人才数字资源建设的路径探索

人工智能技术的快速发展为职业技能型人才数字资源建设提供了全新的解决方案。通过生成式AI（AIGC）、大模型、知识图谱、虚拟现实（VR/AR）等技术的深度融合，可实现资源的高效生成、个性化推荐、体系化构建和沉浸式实训。以下提出五条AI赋能的资源建设路径，以提升继续教育资源的智能化水平和产业适配性。

1. 基于AIGC的课程内容自动化与模块化生成机制

生成式AI能够快速生成多样化教学资源，降低开发成本并提升效率。路径要点包括：

（1）自动化内容生成：利用AIGC技术，根据职业标准和岗位需求，自动生成微课、案例分析、实操任务脚本和试题。例如，针对电工专业，生成“电工焊接操作”视频和情境测评题。

（2）模块化设计：通过AIGC将课程内容分解为知识点、技能单元和任务场景，形成可灵活组合的资源模块，支持跨课程复用。

（3）教师-AI协同：建立AIGC编辑平台，教师通过自然语言输入需求，AI生成初稿后由教师优化，确保内容的专业性和教学适用性。

2. 以大模型驱动的智能问答与学习辅助系统

教育大模型通过理解教学语境和学习者需求，提供个性化的学习支持。路径要点包括：

（1）智能学习助手：基于大模型开发语音交互式学习助手，支持实时答疑、任务指导和学习反馈。例如，在电工培训中，学员可通过语音询问“如何处理短路故障”，系统即时生成解决方案。

（2）个性化辅导场景：结合学习者画像，大模型动态调整辅导内容和难度，实现“边学边问”的沉浸式学习体验。

（3）多模态交互：支持文本、语音、图像等多模态输入输出，适应不同学习场景，如通过AR眼镜获取设备操作指导。

3. 构建面向能力本位的知识图谱资源体系

知识图谱通过结构化知识表示，支撑资源的体系化组织和精准分发。路径要点包括：

（1）技能知识建模：基于国家职业标准，构建“技能单元-任务场景-资源节点”三位一体的知识图谱。例如，针对智能制造，关联数控编程、设备维护和质量检测等节点。

（2）精准资源匹配：利用图谱推理，识别学习者的能力缺口，推荐针对性资源，如为未掌握“PLC编程”的学员推送相关课程。

（3）动态更新机制：通过行业数据和专家反馈，定期更新图谱内容，确保资源与产业技术同步。

4. 打造智能推荐与进阶式学习路径规划系统

智能推荐系统通过数据驱动实现个性化和递进式学习支持。路径要点包括：

（1）行为数据分析：采集学习者的学习行为、测评结果和职业目标数据，构建动态学习画像。

（2）自适应路径规划：基于深度学习算法，生成从基础到高级的递进式学习路径。例如，为初级焊工推荐“基础焊接技术”课程，逐步过渡到“复杂构件焊接”。

（3）实时调整机制：根据学习效果动态优化推荐内容和路径，确保学习的连续性和针对性。

5. 建设AI赋能的虚拟实训平台与仿真资源库

虚拟实训通过VR/AR和AI技术，提供低成本、高安全的实践教学环境。路径要点包括：

（1）沉浸式实训场景：基于VR/AR构建高仿真场景，如高压电操作或医疗急救模拟，支持学员反复练习。

（2）智能反馈与评估：AI实时分析操作行为，识别错误并提供改进建议，如在焊接实训中提示“焊接角度不规范”。

（3）行业资源整合：与企业合作，开发多工种协同训练内容，如智能制造中的“设备操作+团队协作”仿真任务。

五、典型案例分析（以广东职业技术学院为例）

为验证“AI+继续教育”背景下职业技能型人才数字资源建设的有效性，本文选取广东职业技术学院图文信息中心在2024年的实践案例，分析其在智能化资源建设、虚拟实训平台开发和个性化学习支持方面的应用成效，总结经验与不足，为未来资源建设提供参考。

（一）案例背景：广东职业技术学院图文信息中心作为学校数字化转型的核心部门，负责推动智慧校园建设和教育资源智能化升级。2024年，中心围绕“AI+继续教育”理念，结合职业技能型人才培养需求，实施了多项创新项目，包括数字资源管理优化、虚拟实训系统开发和智能化服务提升。这些项目提升了资源供给效率、教学精准性和产业适配性。

（二）案例一：基于AIGC的数字资源建设与管理优化

传统图书馆资源以纸质图书和静态数字内容为主，更新速度慢、形式单一，难以满足职业技能培训的动态需求。中心引入生成式AI技术，优化资源生成与管理流程。

1.实施措施：AIGC内容生成：利用大语言模型和多模态生成工具，自动生成职业技能课程资源，如“纺织服装工艺流程”微课视频、“智能制造案例分析”文本和“机电维修”试题库。智能化管理系统：部署RFID电子标签和大数据分析平台，实现资源编目、借还和盘点的自动化。系统通过学习者行为数据，动态调整资源推荐逻辑。多模态资源整合：结合AIGC生成文本、视频、动画等资源，形成模块化资源库，支持跨专业复用。

2.成效：2024年，图书馆数字资源上架速度提升30%，借阅量增长15%。基于AIGC生成的微课资源覆盖率达60%，显著缩短了课程开发周期。

（三）案例二：AI赋能的虚拟实训平台建设

传统实训受限于场地、设备和高危操作风险，难以满足大规模技能培训需求。中心联合企业开发基于VR/AR的虚拟实训平台。

1.实施措施：沉浸式场景构建：针对纺织服装、机电维修等专业，开发VR仿真场景，如“缝纫机操作模拟”和“设备故障诊断”。AI智能反馈：平台集成AI算法，实时分析学员操作行为，识别错误并提供语音指导。例如，在焊接实训中，系统提示“焊缝不均”并推荐改进方法。校企资源协同：与行业企业合作，嵌入最新工艺标准和岗位任务，确保实训内容与产业需求同步。

2.成效：虚拟实训平台覆盖10个专业，培训学员5000余人，实训成本降低40%，操作失误率降低25%。学员反馈显示，沉浸式体验显著提升学习兴趣和技能掌握效率。

（四）案例三：基于大模型的个性化学习支持系统

传统资源平台缺乏个性化支持，难以满足不同学员的学习需求。中心开发基于教育大模型的学习助手系统，提供精准化学习服务。

1.实施措施：学习者画像构建：通过采集学员的职业背景、学习行为和测评数据，生成动态学习画像。智能推荐与辅导：大模型根据画像推荐个性化课程和实训任务，并提供实时答疑。例如，针对初级电工，推荐“基础电路原理”课程和模拟练习。自适应路径规划：系统根据学习进度动态调整内容难度和学习路径，确保学习连续性。

2.成效：系统上线后，学员课程完成率提升20%，学习满意度提高15%。智能问答功能日均交互次数达2000次，显著降低教师辅导负担。

六、结论与展望

本文通过理论分析、技术路径探索和典型案例验证，系统阐述了生成式AI、教育大模型、知识图谱和虚拟现实技术在资源建设中的应用价值。广东职业技术学院图文信息中心的实践案例进一步验证了AI技术在提升资源开发效率、教学精准性和实践能力方面的显著成效，同时也揭示了标准规范、成本控制和数据质量等方面需进一步优化的现实问题。本研究为职业教育数字化转型提供了理论框架和实践参考，为推动继续教育高质量发展贡献了力量。

一作信息：陈王丰，男（1978.07—），汉族，籍贯 广东茂名，本科，副教授。研究方向：网络工程，信息技术

二作信息：刘娜，女（1980.7—），汉族，籍贯 山东青岛，硕士，讲师。研究方向：职业教育，课程与教学