相關商品
商品簡介
作者簡介
名人/編輯推薦
序
目次
商品簡介
近半年來，以GPT為代表的大型語言模型風起雲湧，不僅完全改變了人工智能領域的研究範式，也使得通用人工智能(AGI)和人工智能生成內容(AIGC)成為公眾領域的熱點，而教育領域有可能成為大型語言模型最先落地的領域，各類應用層出不窮，各類觀點也此起彼伏。為了應對這一技術與社會的焦點，中國人工智能學會智能教育技術專業委員會聯合編撰該研究報告。通過梳理各類同行評議論文、預印本、政策文件、新聞報道、研究報告、內部技術資料、專家調研與訪談材料、在線論壇等不同來源的400多份資料，幫助讀者理解大型語言模型(如GPT-3、GPT-4)的基礎知識、應用及其對教育領域產生的廣泛影響。
作者簡介
陳向東，教授，博士生導師，華東師範大學教育學部副主任 。中國人工智能學會智能教育技術專業委員會主任，教育部華東高師師資培訓中心副主任。主要從事計算機支持的協作學習、人工智能教育應用、信息技術教學法、智能學習空間、新媒體閱讀、技術支持下的教師教育等方面的研究。
名人/編輯推薦
1．大型語言模型教育應用領域的第一份系統的研究報告
本書關注各類相關論文、開源代碼、前沿討論等資料來源，站在技術和應用的雙重高度，系統性地梳理大型語言模型在教育領域的應用現狀，並探討其在教育中的實踐意義和潛在價值。
2. 聚焦當下熱點話題，啟發思考
● 大型語言模型對哪些職業有重大影響？
● 哪些職業會被人工智能所取代？
● ChatGPT對學術研究的利與弊？
● 人類與AI有哪些差異？
3. 上海師範大學教育學部部長、華東師範大學教授范國睿傾情推薦
本研究報告的誕生標誌著我國在大型語言模型教育應用領域研究和實踐的進一步深入，有助於推動大型語言模型服務於教育的數字化轉型。本研究報告既注重價值導向，也兼顧實踐應用，可以成為一份供教育決策者、管理者、技術研發者和教學實踐者瞭解大型語言模型教育應用的指導性文獻。
本書關注各類相關論文、開源代碼、前沿討論等資料來源，站在技術和應用的雙重高度，系統性地梳理大型語言模型在教育領域的應用現狀，並探討其在教育中的實踐意義和潛在價值。
2. 聚焦當下熱點話題，啟發思考
● 大型語言模型對哪些職業有重大影響？
● 哪些職業會被人工智能所取代？
● ChatGPT對學術研究的利與弊？
● 人類與AI有哪些差異？
3. 上海師範大學教育學部部長、華東師範大學教授范國睿傾情推薦
本研究報告的誕生標誌著我國在大型語言模型教育應用領域研究和實踐的進一步深入，有助於推動大型語言模型服務於教育的數字化轉型。本研究報告既注重價值導向，也兼顧實踐應用，可以成為一份供教育決策者、管理者、技術研發者和教學實踐者瞭解大型語言模型教育應用的指導性文獻。
序
推薦序
積極探索大型語言模型的教育應用
從互聯網到物聯網，到人工智能，到元宇宙，再到ChatGPT，數字化、網絡化、智能化、多元化、協同化的技術迭代升級與集群突破，使教育面臨著一輪又一輪的挑戰，也為實現“以學習者為中心”的教育理念創造了可能和條件。其中，以ChatGPT為代表的 “大型語言模型”（Large Language Model，LLM，又被譯為“大語言模型”或“大模型”），使人工智能技術在更好地理解和生成人類語言、賦能人類學習等方面，顯現出越來越強大的功能。自ChatGPT上線以來，大型語言模型及其應用領域本身競爭激烈，技術迭代日新月異，有關大型語言模型教育應用的理論探討也逐步深入，各種觀點相互交織甚至針鋒相對，涉及教育變革、教師角色、學生素養、知識產權、技術倫理諸多維度。此外，在實踐應用層面，越來越多的學校、教師和學生嘗試將大型語言模型應用於教與學，或規劃個性化學習內容和進度，或提供實時的學習反饋，或輔助教學設計，或生成針對特定學習目標的學習資源，或用於自動化作業評價……總之，大型語言模型的產生和教育應用，不僅為教育數字化轉型提供了新的路徑和工具，更是給整個教育系統帶來了自工業革命以來以確定性知識的授受為基本特徵的教育生態以顛覆性、革命性的變革。
如火如荼的大型語言模型及其應用
從20世紀50 年代基於語料庫詞頻統計進行語詞預測的n-gram 模型，到穀歌（Google） 2017年發佈的Transformer模型，再到2022 年 11 月OpenAI的ChatGPT 上線，大型語言模型發展迅猛。OpenAI 的 GPT 模型從 GPT-3.5、 GPT-4、GPT-4 Turbo到GPTs，一路高歌猛進；微軟發佈了整合GPT-4 Turbo和圖像生成器DALL-E 3以及其他一些升級功能的Copilot；Google在PaLM（Bard）的基礎上發佈了包括適用於高度複雜任務的Gemini Ultra、適用於各種任務的最佳模型Gemini Pro以及適用於端側設備的Gemini Nano三個版本的Gemini 1.0。
2023年11月6日， OpenAI通過首屆開發者大會向世人展示OpenAI在大模型降費提速、定制化、多模態應用、GPT商店等方面的顯著進展。用戶無需任何代碼、全程支持可視化點擊操作的自定義GPTs功能對所有ChatGPT Plus全面開放，用戶只需要給ChatGPT對話指令、額外的知識數據，然後選擇是否需要網絡搜索、數據分析和圖片生成等多模態功能，就能構建法律、寫作、營銷等特定領域的ChatGPT助手，並且可同時分享給他人使用。僅僅不到一個月，穀歌推出了“最通用、功能最強大”的全新大型語言模型Gemini 1.0，支持32K的上下文長度，具有複雜多模態推理能力，可以同時識別文本、圖像、音頻、視頻和代碼五種信息，能夠發現大量數據中難以辨別的知識，因此能夠更好地理解微妙的信息，並回答複雜的問題，從而可以進行數學和物理等複雜學科的推理。據穀歌聲稱，Gemini Ultra在32個常用學術基準的30個上領先GPT-4，並以90.0%得分（高於GPT-4的86.4%）成為第一個在MMLU（massive multitask language understanding，大規模多任務語言理解） 測試中超過人類專家的模型。在教育應用上，Gemini 能夠獨立批改物理作業，在正確“讀懂”題目、識別淩亂手寫筆跡的同時，指出學生解題過程中的錯誤，並給出正確的解題步驟。
自GPTs公開發佈以來，技術門檻的下降帶來了越來越多天馬行空般的創意。至2023年12月初，GPTs Hunter上已彙聚3.3萬個GPT應用，在全球流量排名Top 50的GPT應用中，ChatGPT官方發佈的多款GPT應用穩居榜單前列，DALL·E、數據分析（Data Analysis）、ChatGPT經典版、創意寫作教練（Creative Writing Coach）、ChatGPT-狂野修改（ChatGPT - Hot Mods）佔據前五。非官方的GPT應用也憑藉著個性化應用異軍突起，如可畫（Canva）因其在商標設計方面的強大功能進入榜單前十。在科研和教育領域，建立在2億篇學術論文基礎上的“研究GPT”（ResearchGPT）、能讀PDF的“問你PDF研究助手”（Askyourpdf Research Assistant）、個性化AI家教應用“馴鹿先生”（Mr. Ranedeer）等位居前列；在編程、網站搭建和視圖設計領域，支持輕鬆創建精美網站的“設計師GPT”（DesignerGPT）、智能處理網頁信息的得力助手 “網頁嚮導”（WebPilot）、輸入公司名生成商標的“商標設計師”（Logo Creator）等表現不俗。這些應用覆蓋編程、設計、辦公、科研、教育、遊戲、營銷、寫作、生活等各個領域，甚至還有解夢算命、雞尾酒調製、與蘇格拉底對話、戀愛陪伴……大型語言模型及其應用正向著更大、更好、更快、更強（Bigger, better, faster, stronger）發展 。
大型語言模型教育應用的積極探索與規制
作為一種有數十億甚至萬億級參數的人工神經網絡，目前的大型語言模型主要基於Transformer 架構，通過自監督學習（self-supervised learning）或半監督學習（semi-supervised learning）的方式，使用大量未標記文本並進行（預）訓練，從而獲得人類語言中的語法和語義特徵，“記住”大量事實，並進行推斷與決策。
以 ChatGPT為例，它能夠通過學習和理解人類的語言來進行對話，通過上下文互動，回答問題，承認錯誤，質疑不正確的前提，並拒絕不適當的請求，完成撰寫郵件、論文、視頻腳本、文案、翻譯、編寫代碼等任務。自ChatGPT上線以來，大型語言模型在生成文本、回答問題、進行對話等任務中展現出創造性、邏輯推理、理解上下文等方面的強大能力在教育領域引起了巨大的反響，在備受用戶歡迎的同時，也引發了許多教育管理者和教師對於眾多負面效應的憂慮。例如，ChatGPT不可避免地成為一些學生代寫作業的工具，Nature對ChatGPT會成為學生寫論文的工具的擔心 似乎不可避免地成為現實，而正是基於對這些負面影響的擔心，歐美許多地區，例如紐約市的公立學校在2023年年初曾以“擔心對學生學習的負面影響以及內容的安全性和準確性”為由，阻止學校網絡和設備對於 ChatGPT的訪問 。但是，隨著大型語言模型應用場景的豐富和應用規範的不斷完善，與AI一起學習、工作、遊戲成為必然趨勢。因此，如何進一步規制大型語言模型的教育應用，成為政策制定者、人工智能企業和教育界人士共同關心的課題。
早在2019年5月，中國政府與聯合國教科文組織合作舉辦主題為“規劃人工智能時代的教育：引領與跨越”的國際人工智能與教育大會，會議通過的《北京共識——人工智能與教育》（Beijing Consensus on artificial intelligence and education）成為國際社會對智能時代教育發展的共同願景 。為落實2019年《北京共識》中的若干建議，聯合國教科文組織在2021年發佈《人工智能與教育：政策制定者指南》（AI and Education Guidance for Policy-makers） ，旨在為政策制定者提供瞭解人工智能的指南，幫助他們知曉如何應對人工智能給教育領域帶來的挑戰和機遇，具體介紹了關於人工智能的必備知識，包括其定義、底層技術、技術應用、潛能和局限性。在此基礎上，聯合國教科文組織又於2023年9月7日頒佈了全球首份生成式人工智能應用於教育和研究的指南性文件——《生成式人工智能教育和研究指南》（Guidance for Generative AI in Education and Research），旨在促使生成式人工智能能夠更好地融入教育。 2023年8 月 31 日，OpenAI 首次發佈針對特定行業——教學的應用指南，即《利用人工智能教學》（Teaching with AI） ，通過分享一些教師使用ChatGPT輔助學生學習的案例，指導教師如何使用 ChatGPT，給出了幫助教師使用ChatGPT的提示語示例，解答了教師在教學過程中遇到的常見問題，以便幫助教師更有效地在課堂上使用ChatGPT。
對於人類學習和知識生產而言，大型語言模型的應用是一把雙刃劍。積極探索大型語言模型的教育應用，意味著不僅要充分利用大型語言模型在信息集成、運算、表達等方面的優勢，積極開發大型語言模型教育應用的資源與場景，以促進人類學習，提高學習效能，同時還需要應對人工智能帶來的相關教育機遇和挑戰，規避可能引發的問題，如加劇數字鴻溝、超越國家監管能力、未經授權使用內容、缺乏對現實世界的深入瞭解，以及產生深度贗品等爭議和風險 。在此意義上，大型語言模型的教育應用，既涉及技術標準、環境建設等宏觀政策層面的問題，又涉及課堂教學、自主學習等微觀層面問題，更涉及相關的安全與倫理問題。
加強人工智能安全與倫理研究，確立和保障“以人為本”的智能倫理觀。
作為通過機器來模擬人類認知能力的人工智能，大型語言模型應用必然涉及安全、倫理與變異安全等問題。其中，安全問題涉及國家安全、社會安全、經濟安全、個人安全等，倫理問題則包括隱私、公平、透明、歧視、就業等領域，而因智能技術的不可控而產生的對社會與人類的傷害等變異安全問題，同樣是大型語言模型教育應用的潛在威脅。加強人工智能的安全與倫理研究，規範、保障和促進大型語言模型的教育應用，需要重申“以人為本”的價值觀，促進大型語言模型在教育應用中人的能動性、包容、公平、性別平等、文化和語言多樣性，以及多元的意見和表達，確保教育數據和算法使用合乎倫理、透明且可審核，培養與人工智能時代生活和工作相適應的價值觀和技能，以確保大型語言模型的教育應用真正造福教師、學習者和研究人員。
加強人工智能法律與宏觀教育政策供給，引領和規制大型語言模型的教育應用。
在實踐層面，需要將智能倫理轉化為法律與政策供給，兼顧人工智能治理與發展，規劃人工智能和大型語言模型的教育應用法律法規、政策、標準、規則與發展計劃，規範人工智能治理，加強智能治理的監管與執法，以數字化轉型改進教育管理和供給，確保研究人員、教師和學習者以負責任和合乎道德的方式使用大型語言模型，瞭解數據標簽和算法中可能存在的偏見等道德問題，遵守有關數據隱私和知識產權的法律法規，嚴格審慎地對待輸出數據的準確性、有效性及其限度。
以大型語言模型賦能教學、教師和學習支持，變革教與學的方式，提高學習效能。
儘管借助人工智能增強教育和學習的新興實踐案例層出不窮，但借助大型語言模型改進人類學習的探索才剛剛起步。一方面，我們需要密切跟蹤大型語言模型技術及其教育應用的迭代更新；另一方面，開發更加專業化的細分學習技術與場景，以大型語言模型賦能教師，賦能教學，賦能學生的學習。這就需要對教師和學生進行基於大型語言模型的教與學技術的培訓與指導，培養對大型語言模型符合倫理和有意義使用的理解和技能，引導教師和學生正確使用大型語言模型，支持個性化、開放化的學習選擇，提高學習品質與效能；需要改進基於數據的教學管理規定，從根本上改進學習評價，檢測學習過程，關注和規避教學風險；需要提高學習的包容性，擴大學習機會，關照殘障學習者等弱勢群體，服務全民終身學習。在這一過程中，尤其要關注的是，改善學習者的思維品質，培養和提高學習者的計算思維（computational thinking），使其有能力評估信息，分解問題，並通過適當使用數據和邏輯制定解決方案。培養和提高學習者的跨學科遷移學習的能力、提問與下達指令的能力以及批判性思維能力，在使用大型語言模型學習的過程中，不僅能夠提出基於證據、合乎邏輯、科學有效的“真”問題，而且在ChatGPT、Gemini等大型語言模型都沒有能夠很好地解決幻覺與一本正經地胡說八道的問題的情況下，借助相關智能工具自主鑒別人工智能生成的大量存在偏差的信息甚至是虛假信息 ，進而能夠區分、標識和使用大型語言模型輸出數據與自主學習成果，規避學習過程中基於生成式人工智能的成果剽竊，維護學術誠信。
探索中的《大型語言模型的教育應用》研究報告
為了系統性地推進大型語言模型在教育領域的應用，探討其對於教育數字化轉型的實踐意義和潛在價值，華東師範大學教育學部副主任、中國人工智能學會智能教育技術專業委員會主任委員陳向東教授及其團隊在前期研究的基礎上，跟蹤大型語言模型技術及其在教育領域的應用進展，編撰了這本《大型語言模型的教育應用》研究報告，並於2023年9月17日在江西省南昌市第十二屆中國智能產業高峰論壇上予以發佈。這是中國教育人工智能領域，特別是大型語言模型教育應用領域的重要事件。
作為我國（也可能是全球）大型語言模型教育應用領域的第一份系統的研究報告，本書梳理了大型語言模型教育應用的多場景案例，探討了大型語言模型對於專業設置、教育治理、教師職業能力、學生培養、教育研究等不同方面的影響；剖析了大型語言模型教育應用的典型場景，包括個性化學習、智能備課、教學評價、智能代理等；以人工智能基礎教育為例，介紹了大型語言模型對於青少年人工智能教育課程教學的內容、方法和工具的革命性影響；分析了機器心理學視角的人工智能研究，從人類與人工智能差異、人類心理評估方法應用以及機器心理學引起的爭議等角度介紹了這一新興領域的發展前景；針對人工智能應用產生的倫理問題，從數據隱私、風險行為、可解釋性與透明度等角度分析了大型語言模型倫理問題的獨特性，並且對教育領域的應對提供了建議。
毫無疑問，以ChatGPT為代表的大型語言模型對於教育而言是一種顛覆性技術，相對於常規技術而言，顛覆性無法通過傳統技術預測的方法線性地評估其應用的前景。為此，本研究報告採用技術預見的方法和技術，不僅關注大型語言模型本身的技術特徵、應用現狀，而且將大型語言模型的教育應用鑲嵌在社會整體數字化轉型的宏觀背景，關注社會變革對於教育變革的需求、未來科技對於教育的推動，基於經濟、社會和教育整體發展的需求辨識助推社會理想的智能技術，預測從精英主義或專家驅動的過程轉變為更具有參與性和包容性的活動，呼籲吸納專家、教育管理者、一線教師、家長、學生等更加廣泛的社會團體共同探討面向未來教育的問題。本研究報告的誕生標誌著我國在大型語言模型教育應用領域研究和實踐的進一步深入，有助於推動大型語言模型服務於教育的數字化轉型。本研究報告既注重價值導向，也兼顧實踐應用，可以成為一份供教育決策者、管理者、技術研發者和教學實踐者瞭解大型語言模型教育應用的指導性文獻。
正如聖塔菲研究所（the Santa Fe Institute）人工智能研究員梅拉妮·米歇爾（Melanie Mitchell）所稱，“對於許多任務來說，多模態模型還有很長的路要走，才能普遍而穩健地發揮作用” 。在人工智能發展一日千里的大時代，一切似乎才剛剛開始，對於奇點的突破除了人工智能巨頭，也需要更多的創新探索者。同樣，人工智能的教育應用，也屬越來越多的創新者、探索者。未來，大型語言模型教育應用希望如可汗學院創辦人薩爾·可汗（Sal Khan）所展望的那樣：“人工智能將促成教育界有史以來最大的積極變革，為地球上每個學生提供無比出色的個人導師，為每個教師提供卓越非凡的助教。” 教育改革發展的未來之路，將一如既往地需要解放思想、與時俱進，跟蹤、研究智能技術發展前沿，主動應對智能技術挑戰，讓基於大型語言模型的教學與學習成為新時代的新學習生態。
是為序！
華東師範大學教授
上海師範大學教育學部部長
積極探索大型語言模型的教育應用
從互聯網到物聯網，到人工智能，到元宇宙，再到ChatGPT，數字化、網絡化、智能化、多元化、協同化的技術迭代升級與集群突破，使教育面臨著一輪又一輪的挑戰，也為實現“以學習者為中心”的教育理念創造了可能和條件。其中，以ChatGPT為代表的 “大型語言模型”（Large Language Model，LLM，又被譯為“大語言模型”或“大模型”），使人工智能技術在更好地理解和生成人類語言、賦能人類學習等方面，顯現出越來越強大的功能。自ChatGPT上線以來，大型語言模型及其應用領域本身競爭激烈，技術迭代日新月異，有關大型語言模型教育應用的理論探討也逐步深入，各種觀點相互交織甚至針鋒相對，涉及教育變革、教師角色、學生素養、知識產權、技術倫理諸多維度。此外，在實踐應用層面，越來越多的學校、教師和學生嘗試將大型語言模型應用於教與學，或規劃個性化學習內容和進度，或提供實時的學習反饋，或輔助教學設計，或生成針對特定學習目標的學習資源，或用於自動化作業評價……總之，大型語言模型的產生和教育應用，不僅為教育數字化轉型提供了新的路徑和工具，更是給整個教育系統帶來了自工業革命以來以確定性知識的授受為基本特徵的教育生態以顛覆性、革命性的變革。
如火如荼的大型語言模型及其應用
從20世紀50 年代基於語料庫詞頻統計進行語詞預測的n-gram 模型，到穀歌（Google） 2017年發佈的Transformer模型，再到2022 年 11 月OpenAI的ChatGPT 上線，大型語言模型發展迅猛。OpenAI 的 GPT 模型從 GPT-3.5、 GPT-4、GPT-4 Turbo到GPTs，一路高歌猛進；微軟發佈了整合GPT-4 Turbo和圖像生成器DALL-E 3以及其他一些升級功能的Copilot；Google在PaLM（Bard）的基礎上發佈了包括適用於高度複雜任務的Gemini Ultra、適用於各種任務的最佳模型Gemini Pro以及適用於端側設備的Gemini Nano三個版本的Gemini 1.0。
2023年11月6日， OpenAI通過首屆開發者大會向世人展示OpenAI在大模型降費提速、定制化、多模態應用、GPT商店等方面的顯著進展。用戶無需任何代碼、全程支持可視化點擊操作的自定義GPTs功能對所有ChatGPT Plus全面開放，用戶只需要給ChatGPT對話指令、額外的知識數據，然後選擇是否需要網絡搜索、數據分析和圖片生成等多模態功能，就能構建法律、寫作、營銷等特定領域的ChatGPT助手，並且可同時分享給他人使用。僅僅不到一個月，穀歌推出了“最通用、功能最強大”的全新大型語言模型Gemini 1.0，支持32K的上下文長度，具有複雜多模態推理能力，可以同時識別文本、圖像、音頻、視頻和代碼五種信息，能夠發現大量數據中難以辨別的知識，因此能夠更好地理解微妙的信息，並回答複雜的問題，從而可以進行數學和物理等複雜學科的推理。據穀歌聲稱，Gemini Ultra在32個常用學術基準的30個上領先GPT-4，並以90.0%得分（高於GPT-4的86.4%）成為第一個在MMLU（massive multitask language understanding，大規模多任務語言理解） 測試中超過人類專家的模型。在教育應用上，Gemini 能夠獨立批改物理作業，在正確“讀懂”題目、識別淩亂手寫筆跡的同時，指出學生解題過程中的錯誤，並給出正確的解題步驟。
自GPTs公開發佈以來，技術門檻的下降帶來了越來越多天馬行空般的創意。至2023年12月初，GPTs Hunter上已彙聚3.3萬個GPT應用，在全球流量排名Top 50的GPT應用中，ChatGPT官方發佈的多款GPT應用穩居榜單前列，DALL·E、數據分析（Data Analysis）、ChatGPT經典版、創意寫作教練（Creative Writing Coach）、ChatGPT-狂野修改（ChatGPT - Hot Mods）佔據前五。非官方的GPT應用也憑藉著個性化應用異軍突起，如可畫（Canva）因其在商標設計方面的強大功能進入榜單前十。在科研和教育領域，建立在2億篇學術論文基礎上的“研究GPT”（ResearchGPT）、能讀PDF的“問你PDF研究助手”（Askyourpdf Research Assistant）、個性化AI家教應用“馴鹿先生”（Mr. Ranedeer）等位居前列；在編程、網站搭建和視圖設計領域，支持輕鬆創建精美網站的“設計師GPT”（DesignerGPT）、智能處理網頁信息的得力助手 “網頁嚮導”（WebPilot）、輸入公司名生成商標的“商標設計師”（Logo Creator）等表現不俗。這些應用覆蓋編程、設計、辦公、科研、教育、遊戲、營銷、寫作、生活等各個領域，甚至還有解夢算命、雞尾酒調製、與蘇格拉底對話、戀愛陪伴……大型語言模型及其應用正向著更大、更好、更快、更強（Bigger, better, faster, stronger）發展 。
大型語言模型教育應用的積極探索與規制
作為一種有數十億甚至萬億級參數的人工神經網絡，目前的大型語言模型主要基於Transformer 架構，通過自監督學習（self-supervised learning）或半監督學習（semi-supervised learning）的方式，使用大量未標記文本並進行（預）訓練，從而獲得人類語言中的語法和語義特徵，“記住”大量事實，並進行推斷與決策。
以 ChatGPT為例，它能夠通過學習和理解人類的語言來進行對話，通過上下文互動，回答問題，承認錯誤，質疑不正確的前提，並拒絕不適當的請求，完成撰寫郵件、論文、視頻腳本、文案、翻譯、編寫代碼等任務。自ChatGPT上線以來，大型語言模型在生成文本、回答問題、進行對話等任務中展現出創造性、邏輯推理、理解上下文等方面的強大能力在教育領域引起了巨大的反響，在備受用戶歡迎的同時，也引發了許多教育管理者和教師對於眾多負面效應的憂慮。例如，ChatGPT不可避免地成為一些學生代寫作業的工具，Nature對ChatGPT會成為學生寫論文的工具的擔心 似乎不可避免地成為現實，而正是基於對這些負面影響的擔心，歐美許多地區，例如紐約市的公立學校在2023年年初曾以“擔心對學生學習的負面影響以及內容的安全性和準確性”為由，阻止學校網絡和設備對於 ChatGPT的訪問 。但是，隨著大型語言模型應用場景的豐富和應用規範的不斷完善，與AI一起學習、工作、遊戲成為必然趨勢。因此，如何進一步規制大型語言模型的教育應用，成為政策制定者、人工智能企業和教育界人士共同關心的課題。
早在2019年5月，中國政府與聯合國教科文組織合作舉辦主題為“規劃人工智能時代的教育：引領與跨越”的國際人工智能與教育大會，會議通過的《北京共識——人工智能與教育》（Beijing Consensus on artificial intelligence and education）成為國際社會對智能時代教育發展的共同願景 。為落實2019年《北京共識》中的若干建議，聯合國教科文組織在2021年發佈《人工智能與教育：政策制定者指南》（AI and Education Guidance for Policy-makers） ，旨在為政策制定者提供瞭解人工智能的指南，幫助他們知曉如何應對人工智能給教育領域帶來的挑戰和機遇，具體介紹了關於人工智能的必備知識，包括其定義、底層技術、技術應用、潛能和局限性。在此基礎上，聯合國教科文組織又於2023年9月7日頒佈了全球首份生成式人工智能應用於教育和研究的指南性文件——《生成式人工智能教育和研究指南》（Guidance for Generative AI in Education and Research），旨在促使生成式人工智能能夠更好地融入教育。 2023年8 月 31 日，OpenAI 首次發佈針對特定行業——教學的應用指南，即《利用人工智能教學》（Teaching with AI） ，通過分享一些教師使用ChatGPT輔助學生學習的案例，指導教師如何使用 ChatGPT，給出了幫助教師使用ChatGPT的提示語示例，解答了教師在教學過程中遇到的常見問題，以便幫助教師更有效地在課堂上使用ChatGPT。
對於人類學習和知識生產而言，大型語言模型的應用是一把雙刃劍。積極探索大型語言模型的教育應用，意味著不僅要充分利用大型語言模型在信息集成、運算、表達等方面的優勢，積極開發大型語言模型教育應用的資源與場景，以促進人類學習，提高學習效能，同時還需要應對人工智能帶來的相關教育機遇和挑戰，規避可能引發的問題，如加劇數字鴻溝、超越國家監管能力、未經授權使用內容、缺乏對現實世界的深入瞭解，以及產生深度贗品等爭議和風險 。在此意義上，大型語言模型的教育應用，既涉及技術標準、環境建設等宏觀政策層面的問題，又涉及課堂教學、自主學習等微觀層面問題，更涉及相關的安全與倫理問題。
加強人工智能安全與倫理研究，確立和保障“以人為本”的智能倫理觀。
作為通過機器來模擬人類認知能力的人工智能，大型語言模型應用必然涉及安全、倫理與變異安全等問題。其中，安全問題涉及國家安全、社會安全、經濟安全、個人安全等，倫理問題則包括隱私、公平、透明、歧視、就業等領域，而因智能技術的不可控而產生的對社會與人類的傷害等變異安全問題，同樣是大型語言模型教育應用的潛在威脅。加強人工智能的安全與倫理研究，規範、保障和促進大型語言模型的教育應用，需要重申“以人為本”的價值觀，促進大型語言模型在教育應用中人的能動性、包容、公平、性別平等、文化和語言多樣性，以及多元的意見和表達，確保教育數據和算法使用合乎倫理、透明且可審核，培養與人工智能時代生活和工作相適應的價值觀和技能，以確保大型語言模型的教育應用真正造福教師、學習者和研究人員。
加強人工智能法律與宏觀教育政策供給，引領和規制大型語言模型的教育應用。
在實踐層面，需要將智能倫理轉化為法律與政策供給，兼顧人工智能治理與發展，規劃人工智能和大型語言模型的教育應用法律法規、政策、標準、規則與發展計劃，規範人工智能治理，加強智能治理的監管與執法，以數字化轉型改進教育管理和供給，確保研究人員、教師和學習者以負責任和合乎道德的方式使用大型語言模型，瞭解數據標簽和算法中可能存在的偏見等道德問題，遵守有關數據隱私和知識產權的法律法規，嚴格審慎地對待輸出數據的準確性、有效性及其限度。
以大型語言模型賦能教學、教師和學習支持，變革教與學的方式，提高學習效能。
儘管借助人工智能增強教育和學習的新興實踐案例層出不窮，但借助大型語言模型改進人類學習的探索才剛剛起步。一方面，我們需要密切跟蹤大型語言模型技術及其教育應用的迭代更新；另一方面，開發更加專業化的細分學習技術與場景，以大型語言模型賦能教師，賦能教學，賦能學生的學習。這就需要對教師和學生進行基於大型語言模型的教與學技術的培訓與指導，培養對大型語言模型符合倫理和有意義使用的理解和技能，引導教師和學生正確使用大型語言模型，支持個性化、開放化的學習選擇，提高學習品質與效能；需要改進基於數據的教學管理規定，從根本上改進學習評價，檢測學習過程，關注和規避教學風險；需要提高學習的包容性，擴大學習機會，關照殘障學習者等弱勢群體，服務全民終身學習。在這一過程中，尤其要關注的是，改善學習者的思維品質，培養和提高學習者的計算思維（computational thinking），使其有能力評估信息，分解問題，並通過適當使用數據和邏輯制定解決方案。培養和提高學習者的跨學科遷移學習的能力、提問與下達指令的能力以及批判性思維能力，在使用大型語言模型學習的過程中，不僅能夠提出基於證據、合乎邏輯、科學有效的“真”問題，而且在ChatGPT、Gemini等大型語言模型都沒有能夠很好地解決幻覺與一本正經地胡說八道的問題的情況下，借助相關智能工具自主鑒別人工智能生成的大量存在偏差的信息甚至是虛假信息 ，進而能夠區分、標識和使用大型語言模型輸出數據與自主學習成果，規避學習過程中基於生成式人工智能的成果剽竊，維護學術誠信。
探索中的《大型語言模型的教育應用》研究報告
為了系統性地推進大型語言模型在教育領域的應用，探討其對於教育數字化轉型的實踐意義和潛在價值，華東師範大學教育學部副主任、中國人工智能學會智能教育技術專業委員會主任委員陳向東教授及其團隊在前期研究的基礎上，跟蹤大型語言模型技術及其在教育領域的應用進展，編撰了這本《大型語言模型的教育應用》研究報告，並於2023年9月17日在江西省南昌市第十二屆中國智能產業高峰論壇上予以發佈。這是中國教育人工智能領域，特別是大型語言模型教育應用領域的重要事件。
作為我國（也可能是全球）大型語言模型教育應用領域的第一份系統的研究報告，本書梳理了大型語言模型教育應用的多場景案例，探討了大型語言模型對於專業設置、教育治理、教師職業能力、學生培養、教育研究等不同方面的影響；剖析了大型語言模型教育應用的典型場景，包括個性化學習、智能備課、教學評價、智能代理等；以人工智能基礎教育為例，介紹了大型語言模型對於青少年人工智能教育課程教學的內容、方法和工具的革命性影響；分析了機器心理學視角的人工智能研究，從人類與人工智能差異、人類心理評估方法應用以及機器心理學引起的爭議等角度介紹了這一新興領域的發展前景；針對人工智能應用產生的倫理問題，從數據隱私、風險行為、可解釋性與透明度等角度分析了大型語言模型倫理問題的獨特性，並且對教育領域的應對提供了建議。
毫無疑問，以ChatGPT為代表的大型語言模型對於教育而言是一種顛覆性技術，相對於常規技術而言，顛覆性無法通過傳統技術預測的方法線性地評估其應用的前景。為此，本研究報告採用技術預見的方法和技術，不僅關注大型語言模型本身的技術特徵、應用現狀，而且將大型語言模型的教育應用鑲嵌在社會整體數字化轉型的宏觀背景，關注社會變革對於教育變革的需求、未來科技對於教育的推動，基於經濟、社會和教育整體發展的需求辨識助推社會理想的智能技術，預測從精英主義或專家驅動的過程轉變為更具有參與性和包容性的活動，呼籲吸納專家、教育管理者、一線教師、家長、學生等更加廣泛的社會團體共同探討面向未來教育的問題。本研究報告的誕生標誌著我國在大型語言模型教育應用領域研究和實踐的進一步深入，有助於推動大型語言模型服務於教育的數字化轉型。本研究報告既注重價值導向，也兼顧實踐應用，可以成為一份供教育決策者、管理者、技術研發者和教學實踐者瞭解大型語言模型教育應用的指導性文獻。
正如聖塔菲研究所（the Santa Fe Institute）人工智能研究員梅拉妮·米歇爾（Melanie Mitchell）所稱，“對於許多任務來說，多模態模型還有很長的路要走，才能普遍而穩健地發揮作用” 。在人工智能發展一日千里的大時代，一切似乎才剛剛開始，對於奇點的突破除了人工智能巨頭，也需要更多的創新探索者。同樣，人工智能的教育應用，也屬越來越多的創新者、探索者。未來，大型語言模型教育應用希望如可汗學院創辦人薩爾·可汗（Sal Khan）所展望的那樣：“人工智能將促成教育界有史以來最大的積極變革，為地球上每個學生提供無比出色的個人導師，為每個教師提供卓越非凡的助教。” 教育改革發展的未來之路，將一如既往地需要解放思想、與時俱進，跟蹤、研究智能技術發展前沿，主動應對智能技術挑戰，讓基於大型語言模型的教學與學習成為新時代的新學習生態。
是為序！
華東師範大學教授
上海師範大學教育學部部長
目次
目錄
第1 章 引言 / 1
第2 章 大型語言模型對教育的影響 / 6
2.1 職業與專業 / 7
2.1.1 對於不同職業的影響 / 8
2.1.2 職業和勞動力市場的變化 / 13
2.1.3 人才職業技能的更新 / 15
2.1.4 人才培養的變革 / 17
2.2 教師職業能力 / 18
2.2.1 教師職業能力的變化 / 18
2.2.2 教師自身的專業發展 / 20
2.3 學生培養 / 24
2.3.1 學生培養的變化 / 25
2.3.2 學生應具備的素養 / 30
2.4 學習資源 / 32
2.4.1 學習內容和材料 / 32
2.4.2 教學任務 / 35
2.4.3 語言學習資源 / 37
2.5 學習環境 / 40
2.5.1 教育虛擬環境 / 40
2.5.2 模擬行為代理 / 42
2.6 教育評價 / 45
2.6.1 作業與任務的智能評估 / 45
2.6.2 評估題目的設計 / 48
2.6.3 學生測評的過程變化 / 50
2.6.4 教師技能的評估 / 51
2.7 教育治理 / 53
2.8 教育研究 / 54
2.8.1 為母語非英語研究者提供支持 / 55
2.8.2 提供參考信息和研究思路 / 56
2.8.3 數據處理和分析 / 58
2.8.4 拓展研究方法 / 62
第3 章 典型的教育應用場景 / 65
3.1 應用場景分析 / 65
3.2 學生學習場景 / 67
3.2.1 智能課程輔導 / 67
3.2.2 醫患對話練習 / 71
3.2.3 英語口語訓練 / 73
3.2.4 情境模擬 / 73
3.3 教師教學場景 / 76
3.3.1 備課助手 / 76
3.3.2 課堂教學 / 77
3.3.3 教學評價 / 80
3.3.4 智能學情分析 / 83
3.3.5 職前培訓 / 84
3.4 學校管理場景 / 86
3.5 教育企業應用場景 / 87
第4 章 大型語言模型與機器心理學 / 89
4.1 人類與AI的差異 / 90
4.1.1 智力差異 / 92,
4.1.2 人格差異 / 93
4.1.3 行為差異 / 94
4.2 人類心理評估方法的應用 / 94
4.2.1 基於心理理論的心理學實驗 / 95
4.2.2 心理學經典實驗在模型上的再現 / 96
4.3機器心理學的爭議 / 97
4.3.1 語言輸入的局限性 / 97
4.3.2 依賴先前訓練材料 / 98
4.3.3 結果的不穩定性 / 98
4.4 機器心理學的實踐應用 / 100
4.4.1 推進心理學的發展 / 100
4.4.2 對心理治療的作用 / 102
4.4.3 決策支持 / 103
第5 章 面向大型語言模型的人工智能基礎教育 / 105
5.1 大型語言模型對於傳統人工智能教育的衝擊 / 106
5.2 面向大型語言模型的知識體系 / 108
5.2.1 課程目標和內容 / 109
5.2.2 課程評價方式 / 117
5.3 基於大型語言模型的教學方法 / 118
5.3.1 代碼生成和解釋 / 119
5.3.2 問題解答和指導 / 121
5.3.3 個性化學習資源生成 / 123
5.3.4 編程學習評價 / 124
5.4 面向大型語言模型的學習平臺 / 125
5.4.1 互動遊樂場/探索工具 / 126
5.4.2 提示符生成/修改工具 / 129
5.4.3 專用提示平臺/存儲庫 / 131
5.4.4 輔助編程工具 / 133
第6 章 教育應用的倫理 / 137
6.1 大型語言模型的演變及其社會影響 / 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 數據隱私 / 144
6.2.1 訓練數據的隱私洩露 / 144
6.2.2 交互方式帶來的數據隱私風險 / 145
6.2.3 交付方式帶來的數據隱私風險 / 146
6.3 大型語言模型的風險行為 / 146
6.3.1 展示偏見 / 147
6.3.2 生成有毒內容 / 149
6.3.3 大型語言模型的幻覺 / 151
6.4 可解釋性與透明度 / 154
6.5 政策法規的監管動向 / 156
6.6 教育領域的應對策略 / 161
6.6.1 相關政策 / 161
6.6.2 推進機制 / 164
6.6.3 倫理教育內容 / 165
6.6.4 倫理課程 / 169
6.6.5 應對現狀 / 171
參考文獻 / 173
後記 圖書館、博格族和大型語言模型 / 197
第1 章 引言 / 1
第2 章 大型語言模型對教育的影響 / 6
2.1 職業與專業 / 7
2.1.1 對於不同職業的影響 / 8
2.1.2 職業和勞動力市場的變化 / 13
2.1.3 人才職業技能的更新 / 15
2.1.4 人才培養的變革 / 17
2.2 教師職業能力 / 18
2.2.1 教師職業能力的變化 / 18
2.2.2 教師自身的專業發展 / 20
2.3 學生培養 / 24
2.3.1 學生培養的變化 / 25
2.3.2 學生應具備的素養 / 30
2.4 學習資源 / 32
2.4.1 學習內容和材料 / 32
2.4.2 教學任務 / 35
2.4.3 語言學習資源 / 37
2.5 學習環境 / 40
2.5.1 教育虛擬環境 / 40
2.5.2 模擬行為代理 / 42
2.6 教育評價 / 45
2.6.1 作業與任務的智能評估 / 45
2.6.2 評估題目的設計 / 48
2.6.3 學生測評的過程變化 / 50
2.6.4 教師技能的評估 / 51
2.7 教育治理 / 53
2.8 教育研究 / 54
2.8.1 為母語非英語研究者提供支持 / 55
2.8.2 提供參考信息和研究思路 / 56
2.8.3 數據處理和分析 / 58
2.8.4 拓展研究方法 / 62
第3 章 典型的教育應用場景 / 65
3.1 應用場景分析 / 65
3.2 學生學習場景 / 67
3.2.1 智能課程輔導 / 67
3.2.2 醫患對話練習 / 71
3.2.3 英語口語訓練 / 73
3.2.4 情境模擬 / 73
3.3 教師教學場景 / 76
3.3.1 備課助手 / 76
3.3.2 課堂教學 / 77
3.3.3 教學評價 / 80
3.3.4 智能學情分析 / 83
3.3.5 職前培訓 / 84
3.4 學校管理場景 / 86
3.5 教育企業應用場景 / 87
第4 章 大型語言模型與機器心理學 / 89
4.1 人類與AI的差異 / 90
4.1.1 智力差異 / 92,
4.1.2 人格差異 / 93
4.1.3 行為差異 / 94
4.2 人類心理評估方法的應用 / 94
4.2.1 基於心理理論的心理學實驗 / 95
4.2.2 心理學經典實驗在模型上的再現 / 96
4.3機器心理學的爭議 / 97
4.3.1 語言輸入的局限性 / 97
4.3.2 依賴先前訓練材料 / 98
4.3.3 結果的不穩定性 / 98
4.4 機器心理學的實踐應用 / 100
4.4.1 推進心理學的發展 / 100
4.4.2 對心理治療的作用 / 102
4.4.3 決策支持 / 103
第5 章 面向大型語言模型的人工智能基礎教育 / 105
5.1 大型語言模型對於傳統人工智能教育的衝擊 / 106
5.2 面向大型語言模型的知識體系 / 108
5.2.1 課程目標和內容 / 109
5.2.2 課程評價方式 / 117
5.3 基於大型語言模型的教學方法 / 118
5.3.1 代碼生成和解釋 / 119
5.3.2 問題解答和指導 / 121
5.3.3 個性化學習資源生成 / 123
5.3.4 編程學習評價 / 124
5.4 面向大型語言模型的學習平臺 / 125
5.4.1 互動遊樂場/探索工具 / 126
5.4.2 提示符生成/修改工具 / 129
5.4.3 專用提示平臺/存儲庫 / 131
5.4.4 輔助編程工具 / 133
第6 章 教育應用的倫理 / 137
6.1 大型語言模型的演變及其社會影響 / 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 數據隱私 / 144
6.2.1 訓練數據的隱私洩露 / 144
6.2.2 交互方式帶來的數據隱私風險 / 145
6.2.3 交付方式帶來的數據隱私風險 / 146
6.3 大型語言模型的風險行為 / 146
6.3.1 展示偏見 / 147
6.3.2 生成有毒內容 / 149
6.3.3 大型語言模型的幻覺 / 151
6.4 可解釋性與透明度 / 154
6.5 政策法規的監管動向 / 156
6.6 教育領域的應對策略 / 161
6.6.1 相關政策 / 161
6.6.2 推進機制 / 164
6.6.3 倫理教育內容 / 165
6.6.4 倫理課程 / 169
6.6.5 應對現狀 / 171
參考文獻 / 173
後記 圖書館、博格族和大型語言模型 / 197
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。