教育大模型的發展現狀、創新架構及應用展望

曹培杰 謝陽斌 武卉紫 楊媛媛 沈苑 左曉梅 黃寶忠

摘要：從通用大模型到教育大模型，是人工智能大模型技術深化發展的重要趨勢?；趯逃竽Ｐ桶l展現狀、典型案例、潛在挑戰的分析，文章認為教育大模型是適用于教育場景、具有超大規模參數、融合通用知識和專業知識訓練形成的人工智能模型，是大模型技術、知識庫技術及各類智能教育技術的集成，能夠推動人類學習和機器學習的雙向建構，進而提出了應用驅動、共建共享的創新架構和“以學習者為中心”的未來應用場景，旨在建立人工智能大模型與各類數字化教育應用的開放接口，持續訓練和完善能夠更好地解決教育專業問題的教育場景模型，形成讓廣大師生常態化使用的智能教育開放模型集群和知識庫，在提煉和萃取深度教育知識的同時，破解人工智能教育應用中的風險和挑戰。

關鍵詞：教育大模型；生成式人工智能；智能教育；教育大數據

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）02—0005—08 【DOI】10.3969/j.issn.1009-8097.2024.02.001

當前，以ChatGPT、Gemini、文心一言、訊飛星火為代表的人工智能大模型技術迅猛發展，在全球引起了廣泛關注。憑借強大的自然語言處理能力，大模型能夠完成問題解答、內容創作、代碼生成等復雜任務，呈現出解放社會生產力的巨大潛能，可能對人類的信息獲取方式、知識結構、教育模式等產生深刻影響。但是，這些通用大模型并不擅長解決專業性的教育問題，從通用大模型到教育領域的專用大模型，是人工智能大模型技術深化發展的必然趨勢。教育大模型不是在通用大模型基礎上的微調和優化，而是以重構未來教育圖景為目標、以開放算法模型架構為基礎、以創新教育應用場景為核心的系統性變革。如何厘清教育大模型的理念內涵，并立足技術本質設計系統架構，以進一步打造教育應用新場景，成為關乎教育數字化轉型和智能化升級的時代課題。

一 教育大模型的發展現狀

1 相關核心概念的界定及辨析

大模型作為新興研究領域，在學界產生了很多相關概念，如AIGC、生成式人工智能、大模型等。厘清這些概念的內涵，對深化教育大模型認識、構建高質量的教育大模型具有重要意義。

①AIGC（Artificial Intelligence Generated Content）可直譯為“人工智能生成內容”，它是相對于專業生成內容（Professionally Generated Content，PGC）、用戶生成內容（User Generated Content，UGC）而提出的概念。AIGC是基于監督學習、強化學習、預訓練模型、自然語言處理等智能技術，通過已有數據的學習和訓練，自動生成各種形式的內容，如文本、圖片、音視頻、3D交互內容等[1]。

②生成式人工智能（Generative Artificial Intelligence）是一種根據自然語言對話提示詞（Prompt）自動生成響應內容的人工智能技術[2]。生成式人工智能的技術實現過程通常由兩個步驟組成：首先根據已有的數據進行訓練或學習（預訓練）；之后當輸入新的指示或命令時，根據學習到的意圖自動生成新的內容。

③大模型（Large Models）是指具有數十億到數百億甚至更多可訓練參數的人工智能模型，它是深度學習、GPU硬件、大規模數據集等多種智能技術共同發展的產物。大模型所展現的強大能力實質上是人工智能算法中“量變引起質變”的結果，這一過程被形象地稱為“智能涌現能力”，即從原始訓練數據中自動學習并發現新的、更高層次的特征和模式的能力[3]。這些能力突出表現為強大而通用的用戶意圖理解能力、上下文連續對話能力、智能交互修正能力、新內容生成能力等。

總之，AIGC、生成式人工智能、大模型等概念緊密相關，都強調新一代人工智能技術從被動設計走向主動生產的躍遷，代表著新一輪科技革命的演進趨勢。但是，三者在技術特征上各有側重，AIGC更強調生成內容的類型多元，生成式人工智能更強調自主生成性和創造性，大模型更強調算法模型的參數特征。

在此基礎上，本研究認為教育大模型是適用于教育場景、具有超大規模參數、融合通用知識和專業知識訓練形成的人工智能模型，是大模型技術、知識庫技術及各類智能教育技術的集成，能推動人類學習和機器學習的雙向建構。它不僅包含人類文明傳承所需的教育知識，還提煉了過去只存在于教師頭腦中的教育經驗和教育方法，能在人機對話交互中引導學習者深入思考，為學習者的自主探索提供指導和支持，并在此過程中不斷更新升級，達到更高的專業水平。

2 教育大模型的研究動態

教育大模型具有巨大的變革潛力，不僅引發了人們對教育教學的新認識和新思考，也深刻改變著教育理念、教育內容、教育模式等，甚至會引發學校教育形態的重塑[4]。有學者認為，生成式人工智能通過人機共教、普惠智能、互動評價，可促進教育高質量發展[5]，催生“更加開放包容、交叉學科融合”的教育教學理念，形成“以人為主、教育為輔”的多元化AI教學系統[6]；也有學者認為，教育大模型將重構學校教育結構，使標準化的評價手段逐步轉向個性化的評價標準，形成終身制的“學分銀行”[7]。

同時，教育大模型也可能帶來知識產權糾紛、數據使用偏見、算法濫用等潛在風險，生成內容的質量和安全性仍需提升，普遍存在缺乏連貫性和邏輯性的問題，因此并非所有教育場景都適合使用大模型[8]。有學者指出，教育大模型可能會引發人機關系的失衡，帶來技術依賴、數據安全等科技倫理風險[9][10]。

總之，人工智能的快速發展為教育帶來了重要機遇，也存在著一系列未知風險。如何讓教育大模型有效支撐教育改革創新，發展有溫度的智能教育，已成為全球教育面臨的共同挑戰。

3 教育大模型的應用現狀

目前，全球各國高度重視教育大模型的應用探索。美國發布《人工智能與未來教學：洞見與建議》，總結了人工智能在教學、學習、評估、研究方面的機遇和風險，并提出了新一代人工智能應用于教與學的七條行動建議[11]。英國發布《生成式人工智能在教育中的應用》，提出教育部門應充分利用各種新技術，為學習者提供優質的教育，使其具備適應社會發展的各項能力[12]。同時，學校方面也嘗試開展了相應實踐探索。2023年9月，中國香港針對初中生開發了人工智能課程，要求公立學校開設10～14小時的人工智能課程，包括ChatGPT、人工智能倫理和人工智能的社會影響等主題。2023年10月，日本文部科學省宣布將53所中小學作為生成式人工智能試點學校，通過使用新技術來提高教育活動和校務管理的效率[13]。澳大利亞宣布，從2024年起，包括ChatGPT在內的人工智能將被允許在所有學校使用[14]。這些實踐探索彰顯了新一代人工智能技術在教育中的重要作用，凸顯了教育的數字化轉型、智能化升級趨勢不可阻擋。

4 教育大模型的典型案例分析

在全球范圍內，教育大模型正進行著廣泛深入的探索發展，已經在口語練習、數學學習、情感分析和個性化推薦等領域形成了解決方案。本研究梳理了五種典型的教育大模型應用案例（如表1所示），對其應用場景、技術進展和現有不足等進行了分析。

從應用場景來看，星火語伴主要用于語言學習，支持多語言文本、語音和圖片的實時翻譯，并能糾正語法錯誤、提供口語陪練等。EmoGPT用于提供心理疏導，能識別和響應用戶情緒，提供持續的心理支持。MathGPT面向全球數學愛好者和科研機構，提供解題和講題算法，支持用戶進行數學解題和練習。智海-三樂用于AI知識學習，提供搜索引擎、計算引擎和本地知識庫等功能，支持智能問答和試題生成。Khanmigo通過對話式AI聊天機器人為學習者提供個性化學習方案，涵蓋數學、科學等多學科。

從技術進展來看，教育大模型在模型性能、應用場景、技術特點方面展現出明顯的優勢，其涵蓋了大部分學科內容，主要聚焦于自主學習場景，包括知識問答、語言學習、學習引導和教學輔助等。在技術路線方面，“通用+微調”的路徑已證明其有效性，許多技術方案以通用大模型為基礎，通過指令微調方式實現針對特定學科知識的有效回答。

從現有不足來看，現有教育大模型在準確性、教學內容多樣性、支持核心教育場景、包容學習者多樣性方面受到限制，存在錯誤率較高、缺乏共情理解能力等問題；主要側重于學科知識教學和應試教育情境，在跨學科學習、學習者綜合能力與高階思維培養等方面仍有不足；主要聚焦于支持自主學習，對于如何在真實課堂、同伴協作、混合教學等場景下充分發揮大模型的作用尚未進行有效探索。

總之，大模型在教育領域的應用取得了明顯進展，但仍面臨著現實問題，需要進一步提升訓練數據的質量和規模，尤其是將先進教育理念、教育深度知識和教育核心場景的真實需求深度嵌入技術設計，結合用戶反饋進行多輪迭代，形成更智能、更靈活的教育大模型。

二 教育大模型面臨的主要挑戰

人工智能技術的不斷更新升級，推動大模型的規?；瘧?。部署建立垂直領域大模型，已經在智能客服、數字助理、多模態檢索等場景大顯身手，未來還將深度融入經濟社會發展的各領域、各環節，賦能千行百業智能升級，助力社會生產力躍升。但是，相較于其他領域，在教育中實現真正的自動化和智能化往往面臨著更高的要求，因為大部分教育任務是“非程式化”的，可自動化難度更高[15]，在能力、價值、數據、算法等方面還面臨一系列嚴峻挑戰。

在能力層面，教育大模型具有強大的內容生成和創造能力，能夠直接提供問題的答案，一旦過于依賴大模型，將會導致師生思維惰化，弱化其問題解決能力，進一步加劇知識獲取的被動化、淺層化、碎片化。長此以往，將會造成人類思維能力的退化。實際上，教育大模型只是對人類認知能力的模擬，并不具備真正的智慧，并不具備“解未知”“創新知”的能力，引導師生具備駕馭教育大模型的能力和素養至關重要。在價值層面，教育大模型帶來的價值偏差，可能會導致出現“幻覺”現象，生成一些錯誤或者不存在的內容。如果訓練用數據帶有某種價值觀，那么該與價值觀相符的語料便會被重復，從而被轉換器識別為關鍵文本并作為標準答案輸出。一些基于歐美語料庫的大模型會借助文本、圖像、視頻等內容產品的掩蓋，以難以察覺且難以抵制的方式集中投射“價值觀和文化標準答案”，潛移默化地對青少年進行價值觀滲透，并導致弱勢群體“數字殖民”的升級[16]。因此，必須加強教育目標和價值引導，注重“價值觀對齊”，并建立相應的風險防范和干預機制。在數據層面，教育大模型需要海量的訓練數據，這進一步擴大了數據安全和隱私保護風險，師生隱私問題將會成為一個前所未有的重要挑戰。我們既要強化教育數據安全保障，在不改變大模型生成內容質量的情況下對原始數據進行加密和解密，防止師生隱私數據泄露，同時也要建立教育數據共建共享的有效機制，擴展高質量的公共訓練數據資源，推動教育大模型的健康可持續發展。在算法層面，以深度學習為技術基礎的教育大模型通常被視為“黑箱”，難以解釋其決策過程，可能會出現難以理解和接受的教育行為，甚至會動搖學習者的主體地位。從某種角度來說，個性化學習算法似乎提高了信息推送的精準度，但也可能使學習者陷入“信息繭房”，只能看到與自己已有觀點相符的信息內容，導致其視野越來越狹隘，并進一步影響學習者的全面發展。

目前，教育大模型正處在研發應用的關鍵時期，需進一步提升訓練數據的質量和規模，尤其是將先進教育理念、教育深度知識和教育核心場景的真實需求深度嵌入算法模型的底層架構，并結合學習者需求進行更新迭代，從而實現教育大模型的實踐落地。

三 教育大模型的創新架構

當前，教育大模型研發主要采取兩種技術路線：一是直接調用通用大模型，通過微調或提示學習的方式使之具備一定的專業能力；二是利用教育領域專業數據，專門訓練用于解決教育任務的大模型。然而，雖然這兩種技術路線都取得了一定的進展，但實現效果仍有待提升。其問題在于：由于缺乏足夠的專業數據訓練，加上教育領域的深度知識不夠，導致當前大模型的智能性不強，難以靈活處理復雜多變的教育任務。而如何研發教育大模型，破解之道在于將兩條技術路線整合起來。這并非簡單相加，而是利用應用驅動、共建共享的方式，通過開放數據接口源源不斷地獲得來自常態化教育應用中的數據，實現“大模型”和“小模型”、“大數據”和“小數據”的有機結合，滿足師生日常教學的實際需求，打破“數據孤島”[17]；同時，以專家知識庫作為大模型的補充[18]，將教育知識和教學法有意識地“教”給大模型，并整合應用各類智能教育技術，形成具有靈活處理各類復雜教育任務的專用大模型。

1 底層邏輯

教育大模型的核心競爭力既不是技術，也不是數據，而是對教育的深度理解。要把“學習者中心”的理念作為研發教育大模型的底層邏輯，融入算法模型的架構設計和原型開發的全過程?！皩W習者中心”就是以學習者主動性、創造性發展為目的，圍繞學習者需求、興趣和能力配置教育資源，設計學習活動，規劃成長路徑，實現大規模因材施教。在這種理念的指導下，教育大模型不再是冷冰冰的機器或工具，而是促進學、優化學、激發學的重要助手和協同主體，幫助學習者從被動的知識接受者變為主動的求知者、探究者和合作者。但是，這種“學習者中心”不是“精準刷題”，更不能陷入“高效應試”的窠臼，而是要秉持“每個學習者都是全面發展的人、綜合立體的人”的理念，利用教育大模型了解學習者的成長狀態，以提供個性化、適應性、有溫度的學習支持和教學指導服務，促進學習者全面而個性的發展。

2 開放創新架構

教育大模型是以通用大模型為基礎，通過連接各類教育數字化應用，持續訓練教育場景模型，不斷提高解決教育專業任務的能力。教育大模型的開放創新架構分為三層，分別是基礎能力層（L0）、專業能力層（L1）、應用服務層（L2），具體如圖1所示。

L0：基礎能力層。該層包括大語言模型、視頻分析模型、學科大模型、情感計算大模型等。其中，大語言模型負責處理文本數據；視頻分析模型負責處理視頻數據，如課堂錄像等；學科大模型負責處理學科專業任務；情感計算大模型負責處理身心相關指標，涉及心理健康、學習過程情緒監測、人際交互情感分析等任務。在任務完成過程中，多個大模型協同工作、互相支持，任務中心對不同模型輸出的結果進行整合處理。

L1：專業能力層。該層包括兩部分：①教育場景模型庫。教育場景模型庫主要包括學習行為分析模型、課堂互動分析模型、能力評估模型、學業預測模型、情感計算模型、決策輔助模型等，該庫預先配置一部分常用模型，在應用過程中持續優化、擴充。②專家知識庫。專家知識庫包含兩類知識，一類是學科內容知識，另一類是學科教學知識。兩類知識整合后，以多維動態知識圖譜的形式進行存儲和呈現。隨著教學過程不斷發展，廣大師生既是知識圖譜的使用者，又是共同編輯者、創作者，最終形成學習者個人知識圖譜以及班級、學校、區域等不同層次的共享知識圖譜。

L2：應用服務層。教育大模型最重要的創新理念就是“應用驅動”，即將各類教育數字化應用接入大模型，在大模型為應用賦能的同時，將應用數據源源不斷地傳入大模型，持續提高大模型的教育專業能力。這些應用涵蓋教、學、評、管等各類教育場景，通過開放數據接口，形成統一標準的高質量訓練數據。同時，師生用戶可通過統一使用門戶發出任務指令，大模型根據任務性質，自動調用相應的功能模塊，形成一種以學習者為中心的應用模式，達到即便沒有任何人工智能知識仍然可以無障礙地使用大模型的效果。

3 建設部署思路

教育大模型并非單一、封閉的模型，而是一個開發者和用戶共同參與、持續完善的過程，由專業團隊研發模型基礎架構與核心部件，各類用戶在應用過程中共同參與完善優化。廣大師生和各類教育數字化應用開發者都是教育大模型的使用者，也是教育大模型的貢獻者、建設者，由此形成共建共享的智能教育創新生態，其會經歷基礎建設和應用完善兩個重要階段：①在基礎建設階段，依據“數據+知識”雙輪驅動的人工智能技術路線，集成多種教育人工智能技術，建立模型體系、應用體系、數據體系，形成模型持續訓練機制。從技術實現的角度來說，該階段包括大規模多元教育數據采集、數據預處理、特征工程、模型設計、模型預訓練、微調與遷移學習、模型評估與調優七個步驟。②在應用完善階段，教育大模型不斷進行算法和模型創新、數據應用創新、應用開發創新。

四 教育大模型的應用展望

教育大模型將從學習空間、學習資源、教師角色三個方面推動教育數字化轉型和智能化升級，形成人機協同共生的教育新生態。

1 學習空間互動生成

在教育大模型支持下，學習者通過人機互動獲得學習支持、創生學習成果，建構個人學習空間和集體學習空間，形成物理空間與網絡空間相互融通的學習場景，讓所有學習者都可以在任何地方、任何時刻獲取所需的任何信息[19]。一方面，學習者利用知識圖譜、數字教材等工具，整理創作學習成果集、建立個人和團隊知識庫、協作編寫“數字學案”，形成基于學習資源常態化共建共享的學習共同體，并在此過程中發展出學習資源的用戶評價和標識機制，由知識消費式學習轉變為知識創生性學習。另一方面，學習者的學習經驗被智能算法從學習行為數據中提煉出來，總結成為新的學習法，不斷優化完善教育教學策略模型和知識庫，實現人類學習和機器學習的雙向賦能。

2 學習資源按需供給

借助教育大模型的學習分析能力，縮小教育資源需求側與供給側的鴻溝，為學習者提供個性化學習資源，破解優質教育資源供給與學習需求匹配的問題。一方面，建立資源應用過程中的學習需求分類體系。在已知的資源分類基礎上，由學習者對資源類型進行標識，不斷擴展豐富資源分類框架，讓資源標識更加接近真實的學習需求。從技術角度來看，這個過程其實是教育大模型與人類價值取向的“對齊”，使大模型遵從人類的價值、偏好和倫理原則，確保為學習者提供海量、適切的學習資源支持。另一方面，建立以用戶為中心的教育資源評價機制，根據師生應用反饋，促進教育資源的優勝劣汰，激發廣大師生應用資源的積極性，并從中發現、培養一批優質教育資源建設者，推動“教育專用資源”邁向“教育大資源”。

3 教師角色轉型升級

教育大模型將逐步取代重復低效的教育勞動，提升教育教學工作的科學性和創造性，推動教師從“教的專家”轉向“學的專家”[20]，通過創造性的教學設計，為每個學習者提供個性化支持。一方面，依托智能知識庫和應用集，開展大規模、精準化的知識傳遞，解放教師的時間、精力和創造力，讓教師專注于學習組織和指導活動，催生深層次師生對話。另一方面，教師逐漸成為學習指導者和教學研究者，有望通過人機協同的學習數據分析和診斷來了解學習者在學習中的思維過程，并基于學習者的真實學習狀態進行有針對性的教學活動設計，推動經驗性教學逐漸走向循證式的教育專業實踐活動。未來教師既是富有經驗和智慧的實踐者，又是善用大數據分析和智能教研工具的研究者，通過進一步探究人工智能條件下的教育新規律和教學新方法，最終形成智能教育的新知識體系。

五 結語

目前，我國的教育大模型技術與國際領先水平之間還存在差距，但發展勢頭良好，積累了一定的科技實力，在海量數據方面具有明顯優勢，能夠依托教育領域大規模、多模態、長周期的教育數據，對學習過程進行準確捕捉與深度理解，以進一步明晰教與學的底層機制，推動教育算法的快速迭代，建立更具針對性、專業性、準確性的大語言模型，實現彎道超車。同時，教育大模型將會帶來一系列全新挑戰和未知風險，應盡快明確其開發原則和使用范圍，加強倫理風險評估審核，制定有針對性的師生使用指引，確保在教育大模型開發應用生命全周期中彰顯教育公平、包容、可持續發展的底色。

參考文獻

[1]姜莎，趙明峰，張高毅.生成式人工智能（AIGC）應用進展淺析[J].移動通信，2023，（12）：71-78.

[2]Miao F C， Holmes W. Guidance for generative AI in education and research[OL].

[3]Wei J， Tay Y， Bommasani R， et al. Emergent abilities of large language models[OL].

[4]李永智.以數字化開辟教育發展新賽道[N].人民日報，2023-10-13（9）.

[5]李艷燕，鄭婭峰.生成式人工智能的教育應用[J].人民論壇，2023，（23）：69-72.

[6]陳曉紅，楊檸屹，周艷菊，等.數字經濟時代AIGC技術影響教育與就業市場的研究綜述——以ChatGPT為例[J].系統工程理論與實踐，2024，（1）：1-13.

[7]朱永新，楊帆.ChatGPT/生成式人工智能與教育創新：機遇、挑戰以及未來[J].華東師范大學學報（教育科學版），2023，（7）：1-14.

[8]盧宇，余京蕾，陳鵬鶴，等.生成式人工智能的教育應用與展望——以ChatGPT系統為例[J].中國遠程教育，2023，（4）：24-31.

[9]楊俊鋒，沈中奇，陳睿寧.生成式人工智能的教育應用及倫理風險探析[J].湖州師范學院學報，2024，（1）：1-8.

[10]陳倩倩，張立新.教育人工智能的倫理審思：現象剖析與愿景構建——基于“人機協同”的分析視角[J].遠程教育雜志，2023，（3）：104-112.

[11]US Department of Education. Artificial intelligence and the future of teaching and learning： Insights and recommendations[OL].

[12]UK Government. Generative artificial intelligence （AI） in education[OL].

[13]賈赟.日本設立生成式人工智能試點學校[J].教育國際交流，2023，（6）：78-79.

[14]Australian Government Department of Education. Australian framework for generative artificial intelligence （AI） in schools[OL].

[15]Autor D H， Levy F， Murnane R J. The skill content of recent technological change： An empirical exploration[J]. The Quarterly Journal of Economics， 2023，（4）：1279-1333.

[16]苗逢春.生成式人工智能技術原理及其教育適用性考證[J].現代教育技術，2023，（11）：5-18.

[17]桑新民，謝陽斌，余中，等.教育數字化轉型系統工程筆談[J].現代教育技術，2023，（1）：5-16.

[18]魏斌.符號主義與聯結主義人工智能的融合路徑分析[J].自然辯證法研究，2022，（2）：23-29.

[19]曹培杰.智慧教育：人工智能時代的教育變革[J].教育研究，2018，（8）：121-128.

[20]曹培杰.人工智能教育變革的三重境界[J].教育研究，2020，（2）：143-150.

The Development Status， Innovation Architecture and Application Prospects of Educational Big Models

Abstract： The transition from general big models to educational big models represents an important trend of the deepening development of artificial intelligence big model technology. Based on the analyses of the development status， typical cases， and potential challenges of educational big models， it was believed in this paper that the educational big model was an artificial intelligence model that was suitable for educational scenarios， had ultra large scale parameters， integrated general knowledge and professional knowledge training. Meanwhile， the educational big model was an integration of big model technology， knowledge base technology， and various kinds of intelligent education technologies， and can promote the bidirectional construction of human learning and machine learning. Furthermore， it proposed an application-driven， co-construction and sharing innovative architecture and a “learner-centered” future application scenarios， aiming to establish an open interface between artificial intelligence big models and various kinds of digital educational applications， continuously train and refine educational scenario models tailored to better address education professional issues， and form a cluster of intelligent education open models and knowledge bases for regular use by teachers and students. While refining and extracting deep educational knowledge， the risks and challenges in the application of artificial intelligence in education could be cracked.

Keywords： educational big models; generative artificial intelligence; intelligent education; educational big data