中国人工智能系列研究报告:大型语言模型的教育应用

第1 章 引言 / 1 第2 章 大型语言模型对教育的影响 / 6
2.1 职业与专业 / 7
2.1.1 对于不同职业的影响 / 8
2.1.2 职业和劳动力市场的变化 / 13
2.1.3 人才职业技能的更新 / 15
2.1.4 人才培养的变革 / 17
2.2 教师职业能力 / 18
2.2.1 教师职业能力的变化 / 18
2.2.2 教师自身的专业发展 / 20
2.3 学生培养 / 24
2.3.1 学生培养的变化 / 25
2.3.2 学生应具备的素养 / 30
2.4 学习资源 / 32
2.4.1 学习内容和材料 / 32
2.4.2 教学任务 / 35
2.4.3 语言学习资源 / 37
2.5 学习环境 / 40
2.5.1 教育虚拟环境 / 40
2.5.2 模拟行为代理 / 42
2.6 教育评价 / 45　　　　
2.6.1 作业与任务的智能评估 / 45
2.6.2 评估题目的设计 / 48
2.6.3 学生测评的过程变化 / 50
2.6.4 教师技能的评估 / 51
2.7 教育治理 / 53
2.8 教育研究 / 54
2.8.1 为母语非英语研究者提供支持 / 55
2.8.2 提供参考信息和研究思路 / 56
2.8.3 数据处理和分析 / 58
2.8.4 拓展研究方法 / 62 第3 章 典型的教育应用场景 / 65
3.1 应用场景分析 / 65
3.2 学生学习场景 / 67
3.2.1 智能课程辅导 / 67
3.2.2 医患对话练习 / 71
3.2.3 英语口语训练 / 73
3.2.4 情境模拟 / 73
3.3 教师教学场景 / 76
3.3.1 备课助手 / 76
3.3.2 课堂教学 / 77
3.3.3 教学评价 / 80
3.3.4 智能学情分析 / 83
3.3.5 职前培训 / 84
3.4 学校管理场景 / 86
3.5 教育企业应用场景 / 87 第4 章 大型语言模型与机器心理学 / 89
4.1 人类与AI的差异 / 90
4.1.1 智力差异 / 92,
4.1.2 人格差异 / 93
4.1.3 行为差异 / 94
4.2 人类心理评估方法的应用 / 94
4.2.1 基于心理理论的心理学实验 / 95
4.2.2 心理学经典实验在模型上的再现 / 96
4.3 机器心理学的争议 / 97
4.3.1 语言输入的局限性 / 97
4.3.2 依赖先前训练材料 / 98
4.3.3 结果的不稳定性 / 98
4.4 机器心理学的实践应用 / 100
4.4.1 推进心理学的发展 / 100
4.4.2 对心理治疗的作用 / 102
4.4.3 决策支持 / 103 第5 章 面向大型语言模型的人工智能基础教育 / 105
5.1 大型语言模型对于传统人工智能教育的冲击 / 106
5.2 面向大型语言模型的知识体系 / 108
5.2.1 课程目标和内容 / 109
5.2.2 课程评价方式 / 117
5.3 基于大型语言模型的教学方法 / 118
5.3.1 代码生成和解释 / 119
5.3.2 问题解答和指导 / 121
5.3.3 个性化学习资源生成 / 123
5.3.4 编程学习评价 / 124
5.4 面向大型语言模型的学习平台 / 125
5.4.1 互动游乐场/探索工具 / 126
5.4.2 提示符生成/修改工具 / 129
5.4.3 专用提示平台/存储库 / 131
5.4.4 辅助编程工具 / 133
　　　　
第6 章 教育应用的伦理 / 137
6.1 大型语言模型的演变及其社会影响 / 138
6.1.1 2017年—2022年10月 / 139
6.1.2 2022年11月—2023年5月 / 141
6.2 数据隐私 / 144
6.2.1 训练数据的隐私泄露 / 144
6.2.2 交互方式带来的数据隐私风险 / 145
6.2.3 交付方式带来的数据隐私风险 / 146
6.3 大型语言模型的风险行为 / 146
6.3.1 展示偏见 / 147
6.3.2 生成有毒内容 / 149
6.3.3 大型语言模型的幻觉 / 151
6.4 可解释性与透明度 / 154
6.5 政策法规的监管动向 / 156
6.6 教育领域的应对策略 / 161
6.6.1 相关政策 / 161
6.6.2 推进机制 / 164
6.6.3 伦理教育内容 / 165
6.6.4 伦理课程 / 169
6.6.5 应对现状 / 171 参考文献 / 173 后记 图书馆、博格族和大型语言模型 / 197