张渝江：生成式教学智能体的创建和应用.pdf

1、2023.12.5生成式人工智能带来的机遇和挑战生成式AI助力教和学教师用生成式AI生成教学材料学生与生成式AI对话解疑答惑生成式AI大模型直接给学生使用存在幻觉、偏见、教学失范等问题。内容抄袭、过渡依赖、滥用等风险。没有我们的指导，它们不知道如何帮助学生学习，它们不了解我们机构的背景、价值观或学生需要什么。波士顿学院数字创新学习中心教授Tim Lindgren 在社交媒体上抱怨：学生本应在学校里培养的技能，现在让AI替学生做了。德克萨斯州教师Chanea Bond大模型没有对教学优化大模型提供答案，与合理教学方法相冲突。做不到对关键概念的更深入的解释。以更能激发学习好奇心的方式来呈现信息。虽

2、然 ChatGPT 会输出查询的答案，但这些回复并不是为了优化学生的学习而设计的。斯坦福大学教授Percy Liang生成式AI直接用于教学实践表现不佳的原因在于其背后的大模型没有明确针对教学法进行训练和优化。谷歌教育技术专家Irina Jurenka优化生成式AI的方法提示工程（Prompt Engineering）微调（Fine-tuning）智能体（AI Agent）提示工程优化生成式AI教育功能宾夕法尼亚大学沃顿商学院的Ethan Mollick等两位教授设计了七套提示词交 给 学 生 使 用，帮 助 他 们 用 来 把ChatGpt等生成式人工智能扮演为七种特定角色，以支持自己的独自

3、学习、参与讨论和分享或者参与实践活动等，并取得了一定的效果。提示工程需要教师用自然语言写出套关于良好教学行为的指令来引导生成式人工智能呈现相应的教学行为和内容。首先，提示词无法用简洁的自然语言对良好的教学行为做出清晰的描述，导致提示词内容复杂，影响大模型的正确理解。其次，由于通过提示调整的行为可能与大模型在开发过程中形成的底层规则不相符，这使得提示词产生的效果有限。第三，大模型预训练的数据中缺少相关专业领域知识，即便有明确的提示，大模型也无法生成正确的回答。做法：局限性：微调大模型优化生成式AI教育功能谷歌就基于Gemini 1.0大模型针对教育应用进行微调，得到名叫LearnLM-Tutor

4、通用型教育大模型。与原有大模型相比，LearnLM-Tutor在大多数教学评估指标上都有显著改善，包括提出问题、给予启发式引导、保持对话互动性等积极学习相关的指标。微调是让大模型进行额外训练，使其从底层拥有了教学法相关知识，并能正确理解提示指令中描述的教学行为和策略，以更符合教学规律的行为来与学生互动。其次，微调大模型成本高昂，无法频繁实施以完全覆盖不断更新的课程内容，使得大模型无法生成正确回答的问题继续存在。因此，通用型教育大模型并非生成式人工智能应用于教学的终极形态。首先，在特定的教学任务或场景中，还得需要专门的提示词来引导大模型用于学习指导。即便微调后的大模型对提示词中教学要求的理解也更

5、到位，但还是有诸多弊端。比如，教师需要把设计好的提示词交给学生用来引导大模型，可能导致提示词设置的教学要求学生被修改而失效，且在单次提示后的连续对话中，大模型的性能也可能随着对话轮次的增加而逐渐降低。做法：局限性：创建教学智能体优化生成式AI教育功能智能体是生成式AI行业应用最佳形态大模型即产品智能体即应用s豆 包智能体的优势知识增强 智能体能调用特定领域的信息来补充大模型知识的不足，使其生成的内容更加准确和专业。如：增加非公开的行业知识和经验。工具增强 智能体可以调用外部工具和服务来扩展其功能。如：增加联网搜索、图文识别、绘画功能等。记忆增强 智能体能够存储和回忆使用者信息，如；使用偏好、交

6、互习惯和数据等。这样能为使用者提供更加个性化的服务。任务增强 智能体能整合多个大模型、多种工具来实现复杂任务的自动化完成。如：创建“工作流”自动完成任务。交互增强 智能体能发布集成到使用者熟悉的各种聊天工具或工作平台中，使得使用者易于访问，并且能与多个智能体协作交互。认识生成式教学智能体类型作用基于AI类型优点缺点教学智能体Pedagogical Agent，PA智能辅导系统的拟人代理专用人工智能体（专家系统）准确性高扩展性和适应性不足，开发难度高生成式教学智能体Generative Pedagogical Agent，GPA大语言模型的拟人教学代理生成式人工智能（深度学习模型）扩展性和适应性