基于大模型增强的通用人工智能教师架构

以ChatGPT为代表的预训练大模型在教育界产生了巨大影响,也为发展通用人工智能教师带来了曙光。预训练大模型应用于教育存在幻觉、深度逻辑缺失、社会情感缺失等局限,如果这些关键问题不解决,大模型不可能在教育中得到真正有价值的应用。本文提出通过增强大模型构建通用人工智能教师架构,其核心思路是精调训练增强场景知识、检索增强认知、外部智能组件编排增强推理、多模态融合增强感知、情感计算增强社会情感,再通过教育知识图谱对大模型输出进行监督。通用人工智能教师主要有六种应用场景：需要渊博知识的场景、洞察创意增强场景、约束与管理场景、社会情感互动场景、个性化指导与反馈场景、多模态内容表现场景。文章最后分析了通用智能时代人类教师面临的机遇与挑战,提出教师需要主动拥抱、使用、驾驭并控制智能技术,解放、增强、进化自我,并跨越陷阱。     

生成式人工智能的教育应用与展望——以ChatGPT系统为例

生成式人工智能（Generative Artificial Intelligence）旨在利用人工智能技术自动化生成文本、图像、视频、音频等多模态数据,受到教育领域的广泛关注。其中,ChatGPT系统因其良好的自然语言理解和生成能力,体现出较高的多领域应用潜力。本研究以ChatGPT作为主要对象,基于其四项核心能力,即启发性内容生成能力、对话情境理解能力、序列任务执行能力和程序语言解析能力,探讨在教师教学、学习过程、教育评价、学业辅导四个方面的潜在教育应用。在此基础上,在真实系统中进行了习题生成、自动解题、辅助批阅等教育应用的初步验证。最后,本文进一步探讨了以ChatGPT为代表的生成式人工智能在教育应用中所面临的局限和对教育的启示。     

多模态大模型的教育应用研究与展望

多模态大模型逐渐成为人工智能领域研究的热点,目前已在通用领域有显著进展,但在教育领域仍处于起步阶段。文章提出可以构建教育领域通用大模型,并使其通过下游任务适配形成三类多模态教育大模型,从而形成三种典型教育应用,即教学资源自动生成、人机协同过程支持与教师教学智能辅助。在此基础上,文章以“多模态汉字学习系统”为例,利用多模态大模型实现跨模态释义生成,展示了多模态大模型在辅助语言学习方面的应用潜力。最后,文章针对教育领域通用大模型研究、多模态教育大模型的创新应用及其带来的潜在风险与可能触发的教育变革,提出针对性的建议与展望。     

大语言模型赋能智能学伴：系统架构与风险防控

大语言模型作为新一代人工智能技术的代表,因其在对话流利性、任务处理通用性和逻辑推理性方面的优势而受到教育领域从业者的广泛关注。当前智能学伴已在促进学习互动、提供个性化辅导、增进情感交流、辅助智能测评等方面进行了一定探索,但是仍然面临对话问答能力弱、感知性差和教学适用性低等挑战。大语言模型强大的推理和表达能力为破解这一难题提供了新的思路。大语言模型赋能智能学伴需要重点解决系统架构设计和风险防控两大问题。具体而言,大语言模型支持下的智能学伴系统架构应包括输入层、数据层、技术实现层、应用层和输出层,通过“多平台协作+智能机器人代理”的方式,实现多角色互动、强交互能力、专业教学问答与深度感知等功能。为避免技术整合过程中可能出现的数据偏见、认知误导、知识版权归属分歧、隐私泄露等风险,智能学伴系统需在数据收集、算法设计和应用实践等方面加强监管和规范,以确保数据的客观性、算法的准确性以及用户的隐私权和知识产权。未来要纵深推进智能学伴的发展,还需结合学科专业知识和教学基础理论,提升知识推理的科学性和教学的专业性。     

教育对人工智能应用的反哺价值探究——基于生成式模型到世界模型的视角

生成式人工智能的出现改变了人工智能与教育的关系,使其从工具型应用跨越到互构式发展。然而,生成人工智能真正走向与教育的融合发展依然面临诸多挑战,集中表现在生成式模型固有的低认知性使其难以与教育垂直领域求真求实的底色相符。因此,从以大语料和高参数为特征的生成式模型向以认知推理学习为基础的世界模型跨越成为人工智能发展的必然方向,教育的基本理论将成为推动这次跨越的重要力量。基于该视角,借助以世界模型为基础逻辑构建的契机,研究从知识、实践、态度和认知四个维度充分探讨教育对人工智能的反哺价值。此外,本研究还从技术实现和理念转变两个角度提出了相应的挑战。在当前生成式模型井喷式发展的节点,研究提出人工智能模型与教育的互构作用,对探索未来人工智能教育生态新高地有较为重要理论价值。     

教育智能体的发展历程、应用现状与未来展望

教育智能体是人工智能领域的重要研究方向,可助力实现教育的智能化、精准化和个性化,其对学习者的学习动机、学习情感、学习效果等有着直接且显著的影响.人工智能与教育的结合愈加紧密,但教育智能体尚处于探索阶段,为使教育智能体更好地服务教与学,文章通过对既有文献的梳理和归纳,对教育智能体的发展历程和应用现状进行了总结,并进一步明确了教育智能体的内涵和特征.教育智能体已在支持个性化学习、扮演虚拟教学角色、实现人机情感交互等领域取得应用,但仍存在决策精度较弱、对话能力有限、外观设计简单、情感交互不足等问题.未来,教育智能体将与大数据、深度学习、情感计算等技术深度融合,以其"智能"促进学习者的"智慧"发展,赋能教与学的变革与重构.     

教育通用人工智能大模型标准体系框架研制

当前,人工智能大模型在各领域迅猛发展,其中教育领域的人工智能大模型虽然能够在知识生产、知识计算和知识服务方面完成多种智能任务以提供教学辅助,但其在功能构建、数据收集与管理、教学测评和应用等方面仍存在局限,同时缺乏适用于多个教育场景的通用人工智能大模型。基于此,文章从人工智能的发展和标准化的现状出发,对教育通用人工智能大模型的概念、原则和属性做出界定,并提出教育通用人工智能大模型标准体系,包括总体框架、信息模型、数据规范、测评规范和教学应用要求等,以从指导角度对教育通用人工智能大模型的研发、应用、管理和评估进行规范。文章通过研究,旨在规范通用人工智能大模型在教育领域的应用与发展,赋能、赋智于教育,推动教育的高质量发展。     

人工智能通用大模型教育应用影响探析

人工智能对教育的影响经历了从利用机器学习优化教育,实现“能存会算”的自动化,到利用深度学习赋能教育,实现“能看会听”的感知化,再到利用通用大模型创新教育,实现“能理解会创作”的认知化。人工智能通用大模型加持下的教育生态,其应用模式将从专用走向通用,应用流程从分发走向生成,应用场景从单一走向多元。通用大模型的兴起及其在教育行业的快速渗透,将引发人才培养目标的转变及教育教学形态更替,并可能加剧伦理安全风险。人工智能与教育的融合发展要坚持以人为本,注重学生高阶思维培育,健全相应的伦理规范体系。     

大语言模型的教育应用：原理、现状与挑战——从轻量级BERT到对话式ChatGPT

大语言模型（Large Language Model）是用于描述海量文本的向量表示和生成概率的自然语言处理技术,随着近来其代表性产品ChatGPT因良好的生成、理解、逻辑推理与对话等能力而受到教育领域的广泛关注,大语言模型的教育应用研究也进入了大众视野,但针对如何合理利用不同技术路线的大语言模型开展教学的研究比较缺乏。基于此,文章以大语言模型的三大技术路线BERT、T5和GPT系列为主要研究对象,首先总结其技术原理、优劣势与应用场景,然后梳理其赋能高阶思维培养、加强阅读理解能力以及提升写作与数学解题水平等教学应用场景,最后进一步探讨了当前大语言模型教育应用的现实挑战与未来发展建议,以期为智能化教学与教育数字化转型提供新思路、新方法与可持续发展路径。     

大语言模型“数据为王”:训练数据的价值、迷思与数字传播的未来挑战

伴随着ChatGPT的问世和流行,关于生成式人工智能的意涵和影响迅速成为学界和业界的关注焦点。在这场由大语言模型引领的非监督性深度学习浪潮中,一个核心议题就是训练数据。对训练数据的规模和质量的追求,演绎了“万模大战”形势下的“数据为王”法则。而在训练数据的价值、功能和误读的背后,是对数据概念的改写、对数据可供性的迷信和对数据所有权的争夺。训练数据的具体架构和内部机制引发了智能传播生态的重建和信息生产秩序的重构,在这一变革之中也蕴藏着大语言模型时代的数字危机,其具体体现为蒸馏式传播的偏见再生产、过滤式传播的信息保守化和随机性传播的意义之消散。大语言模型及其训练数据急需破除规模迷思,着重思考如何让数据切实成为社会技术系统的一部分。     

日本教育大数据的应用现状、特点及启示

文章首先根据数据内容、实用化过程、所涉学科领域,归纳出日本教育大数据的基本概念。随后,文章从官—国家、产—企业、学—高校等三个维度,介绍了日本教育大数据的应用现状,据此揭示出日本教育大数据的研究重点已从数据的收集、存储转向数据分析和数据挖掘。最后,文章分析了日本教育大数据的特点,并结合中国教育大数据的研究情况提出了一些建议,如重视实用化研究、加强与社会各界的合作研究、进行跨学科融合研究等,以期为中国教育大数据的研究和发展提供参考。     

大数据和物联网架构下的城市智能消防系统建设

城市化进程的加快,使得现代化城市消防任务日趋繁重,引入人工智能方案,可解决城市中重点消防对象的消防通病。文章提出了基于大数据和物联网技术融合的消防模式,建立城市智能消防系统原理图,提出设计方案,进而建立系统图,并对各环节进行分析。旨在实现灾情预测、栅格化监管、智能化救援,提升应急处置能力,降低灾情影响。     

生成式人工智能教育创新应用的人本主义追求——对UNESCO《教育与研究领域生成式人工智能指南》的解读

2023年9月,联合国教科文组织发布《教育与研究领域生成式人工智能指南》。该指南特别强调将人本主义作为生成式人工智能（GenAI）的价值旨归,可以视为GenAI在教育领域创新应用的有益探索和先声回应。《指南》包括的6部分内容从风险与挑战、策略与调控、突破与尝试三个维度展开,依次系统分析了GenAI在教育及科研环境中的潜在风险与挑战,设计了全面的治理策略与政策调控方案,并探索了GenAI的教育创新应用。纵览该指南发现,无论是从教育理念到具体实践,抑或是从社会责任到人的发展,GenAI与教育的深度耦合均以“人本”为最终旨归与核心要义。该指南对我国教育数字化转型具有四重启示：理念层面上,GenAI应促进以人为本的教育发展,确保其先进技术的红利能够普惠所有学习者;实践层面上,GenAI应更加贴合人的自然认知和发展规律,确保其服务于教育的核心价值;社会层面上,GenAI应逐步完善伦理准则和法律框架,应对其带来的社会责任与伦理挑战;人本层面上,GenAI应凸显人的主体角色,确保其有助于培养学生的批判性思考能力,并尊重文化和个性的多样性。     

生成式人工智能在教育领域的应用、问题与展望

ChatGPT的出现意味着生成式人工智能又一次掀起了信息化革命的浪潮。本文详细概述了生成式人工智能的发展历程,对生成式人工智能在教育领域的应用现状进行了深入分析,发现该技术存在不透明性和不可解释性、数据隐私和安全、个性化和公平性、有效性和可靠性四个方面的问题,并提出了相应的解决策略,然后从个性化教育、智能教学、联合教育及虚拟教学四个方面,展望了未来教育领域中生成式人工智能的发展趋势,旨在为该领域的研究和实践提供重要的参考价值。     

课堂教学大数据采集与分析平台架构及关键技术研究

针对传统课堂教学分析中存在的信息采集不全面,教学行为或信息流标注转化复杂度高、耗时大,数据采集主观影响大、通用性差等问题,提出了基于大数据的高校课堂教学分析平台,并深入研究了平台架构及关键技术,有利于推动教育与信息技术的深度融合发展,指导教学改进,提升教学质量。     

生成式人工智能教育:关键争议、促进方法与未来议题——UNESCO《生成式人工智能教育和研究应用指南》报告要点与思考

目前我国生成式人工智能教育应用研究理论层面存在顶层设计缺乏、监管框架缺位、政策框架缺失等问题,实践层面缺少相对科学完善的应用指南、监管认证工具、创新实施方法和行动措施,严重削弱了生成式人工智能技术全方位赋能教育数字化转型的能力,制约着生成式人工智能与教育和研究融合创新发展的进程。文章采用文本分析和内容分析法,介绍了联合国教科文组织《生成式人工智能教育和研究应用指南》的发布背景和研究目的,从人本主义批判视角探究生成式人工智能引发的争议和伦理风险,构建了生成式人工智能教育和研究应用的政策框架,提出了生成式人工智能教育和研究创新应用的促进方法和未来关注议题。文章最后结合我国生成式人工智能教育和研究政策规划制定进行了思考,以期为我国加速推进教育数字化,推进生成式人工智能与教育和研究深度融合提供参考。     

以人为本,创新发展智慧教育

智慧教育是教育在智能时代的新升华,是教育信息化推动教育变革的新阶段.它可以促进教育公平与质量提升,并颠覆传统学习过程与方式.发展智慧教育,可以为国家经济社会发展提供人才支撑和智力保障,解决当前教育的难点问题,增强国家竞争力.     

智能学习分组:从通用模型到大数据框架

学习分组是协作学习活动设计的首要阶段。随着学习场所的快速变化、多模态交互过程复杂性的增加,采用传统的随机分组、教师指派或学生自我选择等方法进行协作学习分组的效率十分低下。研究提出基于智能技术构建自适应的协作学习小组。首先,阐述了学习分组的价值,即构建合理的协作学习环境、兼顾学生的个体差异和促进教育资源优质公平;其次,总结了影响智能学习分组的因素,包括个体属性、小组学术与物理构成以及学习者与环境的交互;最后,描述了经典场景下智能学习分组的通用模型,并讨论了大数据背景下智能学习分组的前景与挑战。针对大数据驱动智能学习分组的稳定性问题,基于机器学习中的集成学习思想构建了大数据共识分组框架。此框架有望为人工智能促进未来规模化的个性化教育提供支持。     

人工智能与教育深度融合发展:逻辑、困境与策略

人工智能与教育深度融合发展的目的在于通过高智能性的技术来不断提升教育的科学性和民主化。人工智能与教育深度融合发展的操作原理是通过技术、数据和算法的重组,推动教育走向智能化,具体表现为支持智能教育关键技术的高智能化(技术)、教育资源的整合与教育大数据的形成(数据)和教育供给的科学化(算法+服务)。就目前而言,人工智能与教育深度融合发展还存在技术基础不稳、教育数据缺陷、算法能力不足等现实问题。为此,要想实现人工智能与教育的深度融合发展,教育应尽早谋划,重新思考人工智能时代教育将如何存在,并从技术基础(改善技术的成熟度,重新思考技术世界中的教育)、数据驱动(加快教育数据资源的整合力度,提高教育数据单元质量)和算法服务(创新教育资源的有效供给方式)三个层面协同推进。