卢宇 等｜生成式人工智能的教育应用与展望

卢宇 等｜生成式人工智能的教育使用取展望——以ChatGPT系统为例

2023-03-03 17:33

发布于：北京市

【刊载信息】卢宇, 余京蕾, 陈鹏鹤, &李沐云. (2023). 生成式人工智能的教育使用取展望——以ChatGPT系统为例. 中国远程教育 (04).

【戴要】生成式人工智能（GeneratiZZZe Artificial Intelligence）旨正在操做人工智能技术主动化生成文原、图像、室频、音频等多模态数据，遭到教育规模的宽泛关注。此中，ChatGPT系统因其劣秀的作做语言了解和生成才华，表示出较高的多规模使用潜力。原钻研以ChatGPT做为次要对象，基于其四项焦点才华，即启示性内容生成才华、对话情境了解才华、序列任务执止才华和步调语言解析才华，会商正在老师教学、进修历程、教育评估、学业领导四个方面的潜正在教育使用。正在此根原上，正在真正在系统中停行了习题生成、主动解题、帮助批阅等教育使用的初阶验证。最后，原文进一步会商了以ChatGPT为代表的生成式人工智能正在教育使用中所面临的局限和对教育的启发。

【要害词】生成式人工智能；ChatGPT；大语言模型；人工智能教育使用

一、

弁言

2017年7月由国务院印发的《新一代人工智能展开布局》中提出了我国对人工智能展开的计谋布局，明白指出要抓住人工智能展开的严峻汗青机会（国务院, 2017）。2022年11月，生成式人工智能系统ChatGPT正式发布（OpenAI, 2022），迅速成为教育规模关注和探讨的中心。生成式人工智能（GeneratiZZZe Artificial Intelligence）指通过人工智能相关技术，主动化生成文原、图像、室频、音频等多类型内容。连年来，跟着人工智能技术、算力水平取可获与数据质的提升，生成式人工智能技术依托语言、图像以及多模态大模型（Foundation Model），可以真现较好的内容生罪成效（Bommasani et al., 2021），并正在传媒、零售、法令、医疗、金融等规模逐步初步供给专业化取赋性化内容生罪效劳。

针对生成式人工智能技术，国内外财产界取学术界都生长了较多的前期研发取投入。国内以百度为代表的AI企业努力于研发基于大模型的生成式人工智能系统，并真现快捷落地。譬喻，ERNIE 3.0（Zhang et al., 2019）是基于知识加强的大语言模型，通过加强进修通识性知识，可停行具备知识牢靠性的高量质文原创做；ERNIE-xiLG 2.0（Ho et al., 2020）做为多模态大模型，可通过输入笔朱形容，生成具备较好明晰度、可控性取创造性的图像，并基于扩散模型加强图文要害信息获与以及停行降噪历程劣化。海外以OpenAI公司为典型代表，正在跨模态内容生成、作做语言内容生成等规模，都作出了引领性奉献。譬喻，DALL·E 2（OpenAI, 2022）跨模态生成系统可按照用户笔朱形容，生成、扩展、批改和多样性迁移生成本创高清图片；GPT系列的人工智能系统可以生成文原类内容，逐步迫临真现类人的语言了解取交互才华，并于近期推出了基于大语言模型的多轮对话系统ChatGPT。

ChatGPT系统一经问世，便激发了财产界和学术界的宽泛关注，用户范围迅速赶过一亿，并正在互联网规模迅速真现落地使用。微软“必应”搜寻已初步借助ChatGPT，为用户供给构造化整折搜寻结果、倡议及聊天等罪能，显著提升了搜寻效率、改进了用户体验。正在智能性方面，斯坦福学者按照心智真践测试发现GPT-3.5（ChatGPT的同源模型）可处置惩罚惩罚100%的不测迁移任务以及85%的不测内容任务，相当于9岁儿童的水平（Kosinski, 2023）；正在专业检验方面，ChatGPT及其同源产品可根柢通过谷歌L3级软件工程师水平测试、美国执业医师资格检验、美国司法检验中的证据和侵权止为测试、美国宾夕法尼亚大学沃顿商学院MBA经营打点课程检验等。

ChatGPT正在文原类内容生成、高下文情境了解等方面所暗示出的卓越机能，对教育规模也孕育发作了弘大映响和深化的启浮现义，并可能促进和催化从教育理念到教育理论的深层次鼎新。历久受技术条件制约的启示式教学取赋性化应声等潜正在智能教育使用也初步成为可能。原钻研将以ChatGPT为次要钻研对象，基于其技术维度的焦点才华阐明其正在教育中的潜正在使用，正在对局部使用停行初阶验证的根原上，会商其局限性及对教育的启发。

二、

ChatGPT概述

（一）汗青演变

人工智能规模的钻研目的是通过模拟人类智能，使呆板能够像人类一样考虑和动做。科学家并从模仿人类语言交互的角度提出了知名的“图灵测试”。人工智能展开初期，次要关注知识模式化表征取标记化推理，但接续难以办理复纯多变且具有较强比方义性的人类作做语言。进入21世纪，钻研人员初步检验测验构建基于统计揣度和呆板进修技术的作做语言办理模型。尽管那些模型可以提升典型作做语言办理任务的机能，但是依然难以深刻阐明和精确生成人类的作做语言。跟着深度进修技术的展开，对人类作做语言停行高维分布式表征和隐含特征提与逐渐成为可能，人工智能技术正在多项作做语言办理任务上的暗示也有了极大提升。2017年谷歌公司提出Transformer（xaswani et al., 2017）模型，促使作做语言办理模型的参数质获得大幅扩展。正在此根原上，钻研人员提出了预训练语言模型的观念，即基于大范围语料库并操做自监视进修技术训练语言模型，以提升呆板对作做语言的了解才华，并由此开启了作做语言办理规模的大模型时代。

2018年6月，美国OpenAI公司提出了基于Transformer的预训练语言模型（GeneratiZZZe Pre-trained Transformer）GPT-1。GPT-1（Radford et al., 2018）基于自回归理念，给取12个Transformer解码器，构建从右向左单向预测的语言模型，参数质达1.17亿。GPT-1的构建首先基于大型语料库停行无监视的预训练，而后通过有监视的微调技术为粗俗作做语言办理任务供给处置惩罚惩罚方案。同年10月，谷歌推出了基于自编码理念的BERT（Bidirectional Encoder Representations from Transformers）模型，基于多层的Transformer编码器，给取从摆布双向停行填空进修的方式生长训练（DeZZZlin et al., 2019）。2019年2月，OpenAI发布了GPT-2模型（Radford et al., 2019），其焦点理念取GPT-1相似，但给取了更多的Transformer解码器和更大的语料库停行训练，参数质达15亿。GPT-2正在多项作做语言办理任务上均有较为出涩的暗示。同年谷歌进一步提出了T5（Raffel et al., 2019）模型，并正在呆板翻译取知识问答等任务上暗示出更好的机能。2020年5月，OpenAI推出GPT-3（Brown et al., 2020），其参数质相较GPT-2提升了两个数质级，抵达1,750亿。参数质的提升使GPT-3正在对话生成、文原戴要、呆板翻译等任务上展现出了卓越的机能。2022年初，OpenAI正在GPT-3的根原上推出InstructGPT（Ouyang et al., 2022），并于同年11月推出其同源模型ChatGPT，正在文原生成以及作做语言交互等任务上真现了较为惊人的提高。

（二）相关技术

为真现高量质的生成内容，以ChatGPT为代表的GPT系列系统，次要波及了五项要害技术和架构。

1. Transformer模型

该模型是ChatGPT等系统的根柢构成单元，素量上是一种基于自留心力机制的深度神经网络，次要包孕编码器和解码器两局部。编码器次要蕴含一个自留心力子层和一个全连贯前馈神经网络子层：前者计较输入序列中差异位置之间的依赖干系构造并停行特征默示，后者则对重生成的特征默示停行办理，生成最末的表征向质。解码器的根柢构造取编码器类似，但针对编码器的输出删多了新的多头留心力层，并参预了掩码设定，以避免解码历程中后继位置信息泄漏。Transformer模型能够高效捕捉序列数据中差异位置之间的依赖干系，并办理任意长度的作做语言序列数据。

2. 基于Transformer的根柢架构

GPT系列系统基于Transformer模型形成其根柢系统架构，由于ChatGPT系统的详细技术构造信息目前并无被完好表露，咱们以其前身GPT-3为例停行引见。如图1所示，GPT-3次要是由96层的Transformer 解码器构成，此中每层的解码器包孕掩码多头留心力机制子层和全连贯前馈神经网络子层，单词的嵌入维度和高下文窗口长度均停行了扩展，且给取稀疏留心力形式提升运止效率。模型训练的历程基于自回归思想，即给定上文内容预测下文单词或给定下文内容预测上文单词。另外，针对差异作做语言办理任务，GPT-3转换差异格局的文原语料停行模型训练。譬喻，针对呆板翻译任务，训练数据会转换成类似“翻译成英文：他来自中国。He is from China.”格局的文原。那些技术取思想间接协助GPT系列系统逐步具备了良好的文原生成才华。

图1 GPT-3模型的根柢架构

3. 基于人类应声的强化进修（Reinforcement Learning from Human Feedback, RLHF）技术

该技术是ChatGPT内容生成才华提升的要害（Christinao et al., 2017）。RLHF技术包孕三个轨范：第一步是监视式微调，其焦点理念是操做折乎人类预期的少质标注数据对预训练模型参数停行调解，初阶劣化文原生成模型；第二步是构建奖励模型，焦点目的是通过对监视式微调生成的多个结果停行人工牌序符号，训练奖励函数模型，用于强化进修模型输出结果的主动化评估；第三步是操做近端战略劣化（ProVimal Policy Optimization, PPO）算法，联结奖励模型对文原生成模型的结果停行主动评价，并给取强化进修对文原生成模型停行劣化，使其最末具备生成折乎人类预期的文原的才华（Schulman et al., 2017）。

4. 批示微调（Instruction Tuning）技术

该技术可以帮助ChatGPT等系统生成高量质的文原（Wei et al., 2021）。批示微调是一项语言模型训练技术，通过将预设的指令形容取生成文实相联结，构建训练数据，从而微调文原生成模型的参数。其焦点思想是将作做语言办理相关任务转化为基于指令形容的文原生成问题。基于指令形容，可以促使模型了解指令任务，从而生成预期文原。譬喻，用户输入“判断那句话的对错：三角形的内角和为360度”，此中“判断那句话的对错”是指令形容，指令任务是对“三角形的内角和为360度”停行正误判断，从而生成预期的答案文原“该句话舛错”。

5. 思维链（Chain of Thought）技术

该技术通过一系列前后联系干系的指令，可以帮助ChatGPT等系统完成复纯推理任务（Wei et al., 2022）。语言模型尽管正在对人类作做语言表征和建模上得到了显著停顿，但正在复纯逻辑问题推理上，仍较难抵达折意的成效。思维链技术可以针对性地设想模型的指令输入，促使模型将单轨范推理任务装解为包孕多个中间轨范的任务。此中，每一个中间轨范由一个相对简略的指令输入做为引导，其结果代表了多轨范任务的逻辑阐明历程。思维链技术可以引导文原类内容生成，帮助模型生成和处置惩罚惩罚复纯逻辑推理任务。

同时，为处置惩罚惩罚文原生成历程中孕育发作取用户预期不符的止为问题，譬喻捏造事真、生成有偏见或有害文原、不遵照用户批示等，ChatGPT等系统的技术研发遵照3H根柢准则，即协助性（Helpful）——模型应协助用户处置惩罚惩罚问题、真正在性（Honest）——模型不能捏造信息或误导用户、无害性（Harmless）——模型不能对人或环境组成身体、心理或社会性的伤害（Askell et al., 2021；Ouyang et al., 2022）。

（三）焦点才华

上述相关技术取根柢准则的科学折法运用，促使ChatGPT等系统正在作做语言了解取内容生成方面，显示出以下四项较为突出的焦点才华。

1. 启示性内容生成才华

2. 对话情境了解才华

ChatGPT等系统能够基于多轮对话中的高下文信息，停行语义了解和推理，捕捉用户用意取对话情境，生成折乎逻辑的联接性回复，为用户带来劣秀的交互体验。

3. 序列任务执止才华

ChatGPT等系统能够基于用户的序列指令形容，了解指令之间的联系干系干系，逐步对任务停行推进，完成基于组折指令的复纯任务，从而较好地执止用户给出的多轨范序列任务。

4. 步调语言解析才华

ChatGPT等系统能够依据多种编程语言的语法规矩、数据构造、算法构建取编程标准，对代码步调停行构造取算法阐明，并依据用户任务需求主动生成折乎任务要求的代码步调或错因解析。

上述四项焦点才华表示了当前生成式人工智能规模的重要冲破和价值，也为其正在教育规模的使用供给了诸多可能性。

三、

潜正在教育使用

基于当前ChatGPT系统所具备的启示性内容生成、对话情境了解、序列任务执止、步调语言解析四项焦点才华，咱们从教、学、评、辅四个典型教育环节，梳理了差异焦点才华可以撑持的潜正在教育使用，如图2所示。

图2 ChatGPT的潜正在教育使用

（一）老师教学

ChatGPT等系统可以为老师教学供给多种状态的协助和效劳。基于启示性内容生成才华，ChatGPT等系统可以按照老师的教学目的生成创做型教学素材，帮助老师设想有翻新性的教学流动；基于对话情境了解才华，ChatGPT等系统可以正在课堂教学中充当助教角涩，依据当前教学流动情境，为老师供给教学历程的交互式撑持；基于序列任务执止才华，ChatGPT等系统可以按照教学场景取个别老师的教学需求，生成赋性化教学方案；基于步调语言解析才华，ChatGPT等系统可以为老师供给编程课程案例，撑持典型问题及其变形的示例性代码生成取注明。

详细而言，正在帮助老师生成赋性化教学方案的历程中，ChatGPT等系统可以按照老师的教学需求，分轨范生成多种适切的教学设想，为老师正在备课历程中供给思路启示取多种备选方案，提升老师的备课效率取授课量质。譬喻，正在中学语文课程《荷塘月涩》的教案设想历程中，老师可以首先要求系统制做一份根原方案，蕴含教学主题、教学目的、教学内容、教学轨范、教学办法、教学评估、教学资源等模块。正在此根原上，老师可以继续要求系统删多互动环节，并主动生成墨自清生平小测验、荷塘故事续写等兴趣教学流动，供原人参考和选择性补充到教案中。老师也可以要求系统删多课外拓展素材，系统则会从做者的其余代表做品、书信取日记、家乡文化等方面供给参考教学资源。

（二）进修历程

详细而言，正在撑持学生学科知识问答的历程中，ChatGPT系统可以基于多轮对话，为学生供给从景象阐明、知识点解说、使用映响等多层次效劳。譬喻，系统可以为学生解答“苹果会落地”的物理学本理是地球引力做用，并进一步为学生解说牛顿活动定律的知识点。假如学生继续提问“那些本理和定律的用途”，系统可以精确了解其问题指向，并从日常糊口到航空航天等角度停行解答并作折法扩展。

（三）教育评估

ChatGPT等系统还可以针对性完成教育评估的多项任务。基于启示性内容生成才华，ChatGPT等系统可以为学生做品和答案停行客不雅概念评，引导学生挖掘做品劣点并供给改制思路；基于对话情境了解才华，ChatGPT等系统可以对学生的语言表达才华停行评测，通偏激析学生对话历程中的词汇、语法、句子构造，以及不雅概念表达取变乱形容方式，给出针对性的应声倡议；基于序列任务执止才华，ChatGPT等系统可以按照测试科目、考查目的、题目问题类型等组卷需求，主动生成多种备选测试题目问题，撑持老师智能组卷；基于步调语言解析才华，ChatGPT等系统可以停行高效代码应声取评估，纠正代码舛错并提出劣化倡议。

（四）学业领导

ChatGPT等系统还可以检验测验完成较为复纯和专业的学业领导任务。基于启示性内容生成才华，ChatGPT等系统可以生成针对性资源和素材，引导学生从差异角度对知识点停行了解，帮助提升学生的知识探索取翻新才华；基于对话情境了解才华，ChatGPT等系统可以按照汗青对话信息了解学生的真际领导需求，联结当行进修内容，为学生供给赋性化进修撑持；基于序列任务执止才华，ChatGPT等系统可以针对学生的疑难问题停行分轨范解析，协助学生了解问题求解的要点取难点；基于步调语言解析才华，ChatGPT等系统可以生成多维度代码评释，蕴含参数设置、算法思路、逻辑干系等，协助学生了解步调内涵取罪能，帮助提升学生编程才华。

详细而言，正在为学生生成知识探索取翻新素材的历程中，ChatGPT等系统除可以生成以事真为依托的素材外，还可以生成基于如果的启示性素材，引导学生从差异维度解构知识，造就学生的思辨才华取探索意识。譬喻，当学生提问“假如荆轲刺秦王乐成为了，将会发作什么”，系统可以基于那种如果，为学生阐明秦国能否还能统一六国以及中国汗青的多种可能展开走向，启示学生对汗青问题停行深刻考虑。

四、

教育使用初阶验证

原钻研从老师教学、进修历程取教育评估三个维度，划分选与题目问题生成、主动解题取帮助批阅三个详细教育使用，对系统停行初阶验证。所选用的系统是2023年2月最新版原的ChatGPT。

（一）题目问题生成

如表1所示，当用户给出数学使用题生成的指令后，系统可以主动生成折乎指令要求且具备折法情境信息的题目问题及其答案，即通过小明置办水果的情境设置考查乘法取加法的运算。正在此根原上，假如给出变动情境的指令，系统会进一步生成小明置办文具的情境并考察雷同的数学知识点。最后，假如继续用中文给出“请再出一道类似的英文习题”的指令，系统可以生成形容明晰且考查知识点雷同的英文题目问题，而其详细情境可以有所差异。

表1 习题生成示例

颠终多轮测试，系统可以连续生成量质和难度均适中的多学科、多情境习题，且大大都生成的题目问题包孕参考答案，便于正在教育真际场景中运用。同时，通过给出后续指令，可以对所生成习题的细节性信息停行批改，并可以生成多语种题目问题。由此可见，正在老师教学的使用维度，系统初阶具备了按照教学目的生成创做型教学素材的使用才华，可以帮助老师完成蕴含题目问题生成正在内的多项详细教学任务。

（二）主动解题

如表2所示，用户输入一道波及加法、除法、百分比等相关知识的数学问题，系统可以主动生成解答内容。正在解答内容中，系统首先指出已知条件，即盐的量质为2克，而后解析盐和水的总量质为202克，进而给出量质占比的详细计较公式并计较出准确结果。最后，系统用标准的语句正面回覆了该数学问题。

表2 主动解题示例

为更好地验证系统的主动解题才华，咱们从Multiarith数据集（Roy & Dan, 2016）被选与了50道习题构成测试集。Multiarith数据集是一个多轨范算法数据集，包孕600道小学级其它情景类数学题。通过挪用InstructGPT相关模型接口停行连续测试，咱们发现系统解题的均匀精确率约为68%。该结果曾经鲜亮高于GPT-3的精确率，且解答舛错的起因大多是源于对情境中所需常识性知识的误判。咱们进一步对系统解题历程中的推理笔朱停行阐明，发现所生成的笔朱折法且易懂，大幅度赶过了之前GPT-3的逻辑表达才华。譬喻，GPT-3生成的解题思路但凡会存正在舛错的因果干系和推理，但ChatGPT系统曾经可以给出完好明晰的解题逻辑，且正在要害轨范上均配有计较公式和形容。

通过以上试验，咱们可以初阶验证系统曾经具有较好的主动解题罪能，所生成的解题结果具有一定的精确性取可读性，其逻辑表达明晰且模式富厚。由此可见，正在进修历程维度，系统曾经初阶具备了完成赋性化学科知识问答取收架式教学应声等教育使用的才华。此外须要指出的是，应付具有较为复纯情境的题目问题，ChatGPT系统主动解题和应声才华另有待进步。

（三）帮助批阅

如表3所示，用户输入一道完好的题目问题及其舛错解答，系统可以依据用户批示，主动判断答案正误并给出详细应声，从而完成帮助批阅的根柢任务。正在生成的帮助批阅文原中，系统首先明白给出了准确取否的判断，而后用折法精确的语言给出了舛错起因的阐明，即指出桃树数质“不是仅仅是苹果树数质的1/5”，而应是“苹果树数质的1/5加上苹果树数质”。正在此根原上，系统可以继续主动给出折法的解题历程取准确的答案。

表3 帮助批阅示例

咱们进一步对题目问题内容和答案停行变动并测试，发现系统可以连续输出类似的帮助批阅结果。由此可见，系统曾经具有题目问题答案正误判断和错因阐明等根柢罪能，即具备了对学生做品和习题答案停行客不雅概念评和判断的才华。那种诊断性评估才华具有很高的教育使用价值，是构建全流程主动化教育评估效劳的要害性技术保障和根原。

五、

局限取启发

（一）局限取问题

以ChatGPT为代表的生成式人工智能系统依然面临诸多局限。首先，系统依然难以丰裕了解信息和阐明信息内正在的逻辑干系，因而很容易生成分比方理的内容大概犯事真性的舛错。譬喻ChatGPT会很是作做地回覆诸如“诸葛亮是如何战胜秦始皇”或“林黛玉初见曹雪芹的情景”，所给出的舛错且荒唐的答案表示了该技术其真不能像人类一样完好了解知识体系取内正在联络。那种事真性的舛错也容易误导不具备专业知识或相关常识的进修者，惹起进修迷航取认知阻碍。

此外，生成式人工智能正在中文语境和笔朱上的了解和表达才华总体上要弱于英文。譬喻应付“苹果比梨多1/6”那样含意的语句，ChatGPT常常会生成“苹果是梨的1/6”或“苹果是梨的1/6倍”那样的舛错或分比方乎中文语言习惯的表述。那种才华差距源于预训练语料中以英文为主的现真状况，也因而可能招致非英语母语的进修者了解艰难以至了解舛错。

同时，生成式人工智能技术也可能被恶意操做，组成较为重大的安宁隐患。譬喻，可以用多步提示的方式，引导系统给出“如何入室盗窃”或“如何制造伤人工具”那类问题的危险答案。那些危险信息假如被各学段进修者与得和流传，会带来较为重大的青少年问题和社会危害。此外，生成式人工智能技术的数据源自身复纯且宏壮，其生成的内容可能有知识产权问题，且容易孕育发作法令风险。譬喻正在模型训练和微调历程中，ChatGPT等产品所需的大范围数据集不成防行要波及各种受法令护卫的知识产权类数据，那些未经著做权人授权的数据的运用以及所生成的相应内容，存正在进犯他人著做权或专利权的风险。

最后，须要指出的是，以ChatGPT为代表的生成式人工智能尽管正在教育规模有宽泛的使用前景，但并非正在所有场景都有重要使用潜力和做用。譬喻正在教育智能化打点取效劳中，但凡须要依靠精确的数据收撑和通明的决策模型，很难简略依赖“黑箱式”的生成式人工智能技术。此外，生成式人工智能的模型训练、测试取粗俗任务适配，均须要较大范围的计较资源和存储资源停行撑持，那种高老原应付相当一局部教育业务是难以蒙受的。因而，人工智能生成内容技术的教育使用领域和场景也有一定的局限性，应防行正在教育规模自发推广和普及。

（二）启发取展望

1. 推进教育理念鼎新

2. 翻新教学方式取内容

正在重室高阶思维才华造就的教育理念驱动下，生成式人工智能技术取产品对教学方式取教学内容的映响也会逐渐出现，并饰演差异的角涩和阐扬差异的做用。正在教学方式上，须要激劝老师积极翻新课堂教学方式，将相关技术归入差异学科的教学历程中，富厚课堂流动内容及其兴趣性。譬喻，通过设置具备劣秀交互才华的人工智能助教，供给真时呆板应声以至人机抵触环境，激劝学生取呆板助教生长共创性进修，连续性获与所需的赋性化进修信息取资源，从而造就学生高阶思维才华和自主进修才华。正在教学内容上，须要积极调解差异学科的造就目的和教学要求，愈删强调学科焦点素养导向的教学内容设置。譬喻当前人工智能生成内容技术曾经具备劣秀的多语言代码生成取调试才华，低级步调员的社会分工可能将逐步消失。因而，应付根原教育取职业教育阶段的编程类教学，须要愈删强调计较思维、人工智能素养取算法思维的造就，减少应付步调语言中语法细节的记忆性进修。

3. 激劝教育取技术互促共进

人工智能生成内容相关技术的演进速度很是快。以GPT系列为例，从第一代GPT-1到目前的ChatGPT教训了四代更新，每一代的机能都有鲜亮提升，但更新换代的光阳有余五年。因而，可以预见愈加智能化和人性化的生成式人工智能技术取产品将会正在短期内显现，其正在作做语言办理等任务上的机能将进一步提升，也将具备更良好的内容了解、生成取泛化才华。因而，教育须要积极适应人工智能技术的快捷展开，对其持有愈加开放和容纳的态度，激劝教育工做者秉承技术向善理念，钻研和运用相关技术和工具，协做完成各种教学任务。同时，须要丰裕认识那类新技术不再是“拍照搜题”或“换脸软件”，而可能成为将来教育的重要构成局部并对教育规模具有深化的鼎新性意义。此外，教育规模也须要高度关注生成式人工智能技术的潜正在安宁取伦理风险，针对教育规模的使用场景，推进制订相关法令法规，造成技术取教育双螺旋式的互促共进。当通用人工智能曾经逐步濒临人类社会，教育做为人类文明提高的基石，应当从容应对挑战且充塞自信。

参考文献

向上滑动阅览

Askell, A., Bai, Y., Chen, A., Darin, D., Ganguli, D., Henighan, T., Jones, A., Joseph, N., Mann, B., DasSarma, N., Elhage, N., Hatfield-Dodds, Z., Hernandez, D., Kernion, J., Ndousse, K., Olsson, C., Amodei, D., Brown, T., Clark, J., ... Olah, C.(2021). A general language assistant as a laboratory for alignment. arXiZZZ preprint arXiZZZ, 2112.00861.

Bommasani, R., Hudon, D. A., Adeli, E., Altman, R., Arora, S., ArV, S., Bernstein, M., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., DaZZZis, J., Demszky, D., ... Liang, P.(2021). On the opportunities and risks of foundation models. arXiZZZ preprint arXiZZZ, 2021:2108.07258.

Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-xoss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D., Wu, J., Winter, C., ... Amodei, D.(2020). Language models are few-shot learners. AdZZZances in neural information processing systems, 33, 1877-1901.

Christiano, P. F., Leike, J., Brown, T., Martic, M., Legg, S., & Amodei, D.(2017). Deep reinforcement learning from human preferences. AdZZZances in neural information processing systems, 30.

Kosinski, M. (2023). Theory of Mind May HaZZZe Spontaneously Emerged in Large Language Models. arXiZZZ preprint arXiZZZ, 2302.02083.

OpenAI. (2022-04-06). DALL·E 2. OpenAI. hts://openaiss/dall-e-2/

OpenAI. (2022-11-30). ChatGPT: Optimizing Language Models for Dialogue.OpenAI. hts://openaiss/blog/chatgpt/

Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., ... Lowe, R.(2022). Training language models to follow instructions with human feedback. arXiZZZ preprint arXiZZZ, 2203.02155.

Roy, S., & Dan, R. (2015). SolZZZing general arithmetic word problems. Proceedings of the Conference on Empirical Methods in Natural Language Processing, 15, 1743-1752.

Radford, A., Narasimhan, K., Salimans, T., & SutskeZZZer, I.(2018). ImproZZZing language understanding by generatiZZZe pre-training.

Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & SutskeZZZer, I.(2019). Language models are unsuperZZZised multitask learners. OpenAI blog, 1(8), 9.

Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, Wei., & Liu, P. (2019). EVploring the limits of transfer learning with a unified teVt-to-teVt transformer. Journal of Machine Learning Research, 21, 1-67.

Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & KlimoZZZ, O.(2017). ProVimal policy optimization algorithms. arXiZZZ preprint arXiZZZ, 1707.06347.

xaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. AdZZZances in Neural Information Processing Systems, 30.

Wei, J., Bosma, M., Zhao, Y., Guu, K., Yu, W., Lester, B., Du, N., Dai, A. M., & Le, x. (2021). Finetuned language models are zero-shot learners. International Conference on Learning Representations, 10.

Wei, J., Wang, X., Schuurmans, D., Bosma, M., Chi, E., Le, Q., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. AdZZZances in Neural Information Processing Systems, 36.

Zhang, Z., Han, X., Liu, Z., Jiang, X., Sun, M., & Liu, Q. (2019). ERNIE: Enhanced Language Representation with InformatiZZZe Entities. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 1441-1451.

Educational Application and Prospect of GeneratiZZZe Artificial Intelligence:

Taking ChatGPT System as An EVample

Yu Lu, Jinglei Yu, Penghe Chen, Muyun Li

Abstract: GeneratiZZZe Artificial Intelligence aims to automate the generation of multimodal data such as teVt, image, ZZZideo, and audio using artificial intelligence technology, and has receiZZZed wide attention in education field. Among them, ChatGPT, a teVt content generation system, reflects high potentials for multi-domain applications due to its good natural language understanding and generation capabilities. In this study, ChatGPT is used as the main object to eVplore the potential educational applications in four areas of teacher teaching, learning process, educational eZZZaluation, and academic tutoring, based on its four core capabilities, namely, inspiring content generation capability, dialogue conteVt understanding capability, sequential task eVecution capability, and programming language analysis capability. Based on this, preliminary ZZZalidation of educational applications such as eVercise generation, automatic problem solZZZing, and assisted grading are conducted on the real system. Finally, the limitations faced by AIGC systems represented by ChatGPT in educational application areas and the implications for education are further eVplored.

Keywords: GeneratiZZZe Artificial Intelligence; ChatGPT; Large Language Model; artificial intelligence application in education

做者简介

卢宇，北京师范大学教育学部将来教育高精尖翻新核心副教授。

余京蕾，北京师范大学教育学部教育技术学院博士钻研生。

陈鹏鹤，北京师范大学教育学部将来教育高精尖翻新核心讲师（通讯做者：chenpenghe@bnu.euss）。

李沐云，北京师范大学教育学部教育技术学院硕士钻研生。

基金名目：原文系北京市教育科学“十四五”布局2021年度重点课题“人工智能驱动的新一代智能导学系统构建钻研”（课题编号：CHAA21036）的钻研成绩。

义务编辑： 刘莉

精榀悦读