演讲实录丨黄河燕教授：人工智能赋能教育的探索与实践

2024 年 11 月 16 日举办的“2024第十三届中国智能产业高峰论坛暨中国人工智能学院院长与名师论坛”上， CAAI 女科技工作者工委会主任、北京理工大学人工智能研究院院长黄河燕教授分享了《人工智能赋能教育的探索与实践》的精彩演讲。

黄河燕教授

以下为演讲内容：

1 时代背景与意义

1.1 背景

推动数字化教育和人工智能技术已成为国家的战略需求。习近平总书记在党的二十大报告中指出，教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑，要坚持教育优先发展，加快建设高质量教育体系，推进产教融合、科教融汇；2023 年 2 月，由教育部与中国联合国教科文组织全国委员会共同举办的首届世界数字教育大会在北京举行，大会聚焦“数字变革与教育未来”的主题；2024 年 9 月，全国教育大会在京召开，习近平总书记出席会议并发表重要讲话，指出要一体推进教育发展、科技创新、人才培养；2024 年 11 月，教育部部长怀进鹏在出席座谈会时，指出需加快推动人工智能赋能创新教育，推动形成创新教育和数字教育、智慧教育互融互促的良好生态，深入实施国家教育数字化战略，扩大优质教育资源受益面。

云计算、大数据、物联网和人工智能大模型等前沿技术的迅猛发展与深度交融创新，在颠覆了传统行业格局的同时，更为教育领域开辟了广阔天地，助力实现个性化、高效化、智能化的教育新形态，引领未来教育模式的深刻转型。云计算技术凭借其强大的计算资源、数据存储和处理能力，为人工智能模型的训练和推理提供了坚实支撑，推动了个性化学习系统、智能评测平台等教育创新应用的开发，进而促进了教育资源的优化配置与高效利用；大数据技术则通过深度挖掘学习数据，助力个性化学习路径的精准推荐与教育资源的优化配置；物联网技术通过实时记录用户学习数据和行为习惯，为个性化教育提供了数据基础，同时通过提供智能教学工具与设备，丰富了教学手段，并在系统评估及资源管理优化等方面发挥了重要作用；最新的人工智能大模型技术则通过智能分析学生的学习数据，实现了个性化教学支持、智能化教具打造、教学内容高效生成与优化、教学过程自动化评估与即时反馈，以及优质教育资源的广泛共享。这些技术的综合应用，共同推动了教育领域的深刻变革，为未来教育的发展创造了无限可能。

在当前的数字化时代，信息技术取得了飞速发展，为教育的现代化转型提供了坚实的技术基础。已有的实践表明数字化浪潮正深刻改变着教育的传统模式，线上课程形式的多样化实践，充分展示了数字化技术在教育领域中的广泛应用与深远影响。新时代的教育目标对教育改革提出了更高的要求。为积极应对这一挑战，我们需要进一步明晰教育改革的思路，并采取切实有效的措施，实现信息技术的深度赋能，推动我国教育事业的持续创新与高质量发展。

1.2 大模型赋能教育

目前，我国面临着教育资源分布不均的问题，城乡及区域间差距尤为明显，这一现状导致了教育质量的参差不齐，影响着教育整体公平与长远发展。与此同时，民众对高质量、多元化的教育资源需求与日俱增。此外，我国的基础教育资源需求持续攀升，高等教育资源的需求则趋向于更加多元化，同时技能培训市场需求也在不断扩大。在这样的大背景下，AI 技术的飞速发展，特别是以大模型等为代表的技术突破，加速了教育模式从“以教师为中心”向“以学生为中心”转变，这要求教育工作者必须更加注重因材施教，推行个性化教育策略。

大模型在教育领域的应用展现出以下三个特点：① 推动知识传授到知识创造的转变。大模型能够支持个性化教学、情景化学习、协作学习，以及知识生成和创造。② 促进学生的主动学习、协作学习和终身学习。主动学习，即大模型通过其智能化、个性化特点激发学生的学习兴趣和主动性；协作学习，即大模型支持多人在线协作，能够跨越时间和空间的限制，共同参与学习活动；终身学习，即通过大模型的数据处理和学习能力提供持续、全面的学习资源和支持。③ 培养学生的问题意识和批判性思维能力。引导学生提出问题、分析问题、独立思考和养成批判性思维，提高综合素质。

新型教育模式涵盖了在线教育、混合教育和自适应教育三个部分。在线教育依托互联网技术，实现了教育资源的跨时空共享；混合教育则巧妙融合了传统面授教学与在线学习的优势；自适应教育则基于大数据和 AI 技术，能够为学生提供量身定制的学习路径与内容，实现教育的个性化发展。

大模型凭借其强大的数据处理和分析能力，为上述新型教育模式落地提供了有力支持。一方面助力在线教育打破时空限制，使优质教育资源得以广泛传播；另一方面推动混合教育融合线上线下优势，创造出更加丰富多元的学习环境；同时支撑自适应教育实现个性化教学方案，引领教育生态向更加平等、开放、高效的方向迈进。通过大模型技术深度融合海量数据与先进算法，能够推动新型教育模式不断迭代发展，实现个性化学习路径精准规划，以及教学资源精准推送教学活动精准辅助，显著提升学习效率与教学质量。如科大讯飞推出的“讯飞星火认知大模型”凭借其星火教师助手、智慧黑板等一系列产品，成功赋能在线教育及混合教育领域，实现了个性化教学的目标，并显著提升了教学质量与效率。该项目深度挖掘大模型的强大潜力，为教育主体、教育模式及教育内容带来了颠覆性的范式变革。

随着国家《教育信息化 2.0 行动计划》《新一代人工智能发展规划》及地方政府相关政策陆续出台，人工智能大模型在多个方面促进了教学资源的均衡分配以及教学质量的提升（见图 1）。

图 1 大模型促进教育资源均衡与质量提升

2现状与挑战

在大模型时代背景下，教育领域正面临着多方面的挑战，包括教育理念重构、教育资源分配不均匀及数据安全等问题。单纯的知识获取已不再是教育竞争力的核心所在。

人工智能技术凭借其高效处理和检索海量信息的能力，加速教育重心转向培养学生的创新思维能力、批判性思考能力、复杂问题解决能力、协作沟通能力及道德伦理判断力等“软技能”。同时，提升学生的 AI 素养和数字公民素养已成为现代教育不可或缺的重要组成，这进一步加剧了教育理念与目标重构的紧迫性。然而，先进的人工智能教育产品和服务往往伴随着高昂的成本，导致经济欠发达地区或资源匮乏的学校难以跟上技术发展的步伐。这种资源分配的不均衡势必加剧教育差距，对教育的公平和包容性增长构成威胁。此外，AI for Education 的众多应用依赖海量学生数据支持，数据隐私和安全问题因此成为教育领域必须面对的重大挑战。如何合理、合法地收集、储存、传输和使用这些数据，同时对用户隐私进行保护也是当前亟待解决的难题。人工智能算法本身存在的偏见或误判风险也需要进行谨慎评估和监督，以确保其在教育领域的公正性和准确性。

2.1 教育理念重构

教育大模型在推动教育理念重构的过程中面临着教育观念更新、教学方法创新，以及教育资源整合等多重挑战。

（1）教育理念的重新定位

教育理念层面需要实现两方面的转变。首先，教育目标应从单纯的知识传授转向能力的培养。传统教育理念侧重于知识的灌输和记忆，而教育大模型则强调个性化学习与能力培养的重要性，这就要求我们从注重知识的直接传授，转变为更加关注学生思维培养与能力提升等综合素养的培育。其次，教学模式需实现从教师主导到学生为中心的转变。教育大模型通过提供个性化的学习路径与丰富资源，使学生能够在学习过程中发挥更大的主动性与能动性，从而真正成为学习的主体。

（2）教学方法的创新

教育大模型能够根据学生的兴趣、能力和学习进度，提供定制化的学习方案，进而实现个性化教学的目标。随着教育大模型的持续进步，人机协同的教学模式将逐步变为现实。因此，教育者需掌握与智能系统协同工作的技能，以共同为学生提供高质量的学习体验。

（3）教学资源的整合与共享

教育大模型的高效运作依赖于丰富的数字化教育资源。教育者需具备整合与利用这些资源的能力，以向学生提供更为丰富、多元的学习材料。同时，教育大模型的发展也促进了教育资源的共享与协作。教育者应积极参与教育资源的建设与共享活动，与同行及其他相关利益方建立紧密的合作关系，携手推动教育事业的蓬勃发展。

2.2 教育资源分配不均

（1）技术普及与接入不均等性

教育大模型的运行与数据实时处理通常需要强大的计算能力和高速的网络连接作为支撑。然而，现实场景中，城乡及区域间的信息技术基础设施存在显著差异。部分经济欠发达地区或农村地区可能缺乏必要的硬件设备和网络环境，而无法有效接入和利用教育大模型所提供的服务，进而加剧了教育机会的不均等性。

（2）数据差异与算法偏见的潜在风险

教育大模型的训练和优化高度依赖于大量数据。不同地区与学校间的教育数据在质量和数量上均存在显著差异。优质教育资源往往集中在发达地区或重点学校，能够产生更为丰富和全面的教育数据，有利于教育大模型的优化与提升。教育资源匮乏的地区和学校则可能因数据不足而导致应用效果不佳，甚至可能因算法偏见而影响教育公平。

（3）教育资源再分配的实践挑战

尽管教育大模型为教育资源的优化配置提供了新的契机，但在实际操作中实现教育资源的再分配仍面临诸多挑战。一方面，教育大模型的研发与维护成本高昂，对于资源匮乏的地区和学校而言，难以承受这一负担；另一方面，教育资源的再分配需要政府、学校及社会各界共同努力，通过协作推动资源的流动与共享，以实现教育资源的均衡配置。

2.3 数据安全

（1）数据泄露与隐私保护

数据泄露主要源于传输过程中的截获、运营方的潜在窥探及大模型记忆导致的泄露这三大风险。敏感数据在主体间传输时易受攻击，导致隐私泄露；运营机构可能非法采集并利用用户数据，进行不当营销或策略制定，甚至将数据贩卖给第三方以谋取私利；大模型训练后保留的历史数据与信息亦面临泄露或滥用风险，为诈骗及针对性攻击提供可乘之机。

（2）数据质量与偏差

大模型的训练数据若含有偏见、错误或敏感信息，将直接影响模型的输出与决策。此外，数据投毒风险不容忽视，即恶意攻击者可通过向训练数据中注入虚假或有害信息，操纵大模型的输出，进而引发不准确的预测或有害行为。

（3）模型安全与算法漏洞

大模型在区分系统指令与用户输入时面临挑战，攻击者可利用提示注入攻击这一漏洞，通过精心设计的提示操纵大模型的输出。同时，大模型的算法本身亦可能存在漏洞或缺陷，为攻击者提供了实施攻击的机会。

3人工智能赋能教育研究

下面本文从基于学生画像的因材施教、个性化辅助教学平台和面向教育的垂域大模型研究这三个方面对人工智能赋能教育进行了探讨和实践。

3.1 基于学生画像的因材施教

3.1.1 学习者画像构建

我们利用多源异构数据源对用户信息进行分析融合，并运用机器学习和深度学习方法，从主客观、显性隐性等多维度提炼出不同层次的用户标签，以构建出既准确又全面的用户画像模型。针对特定领域，提供用户画像系统的应用接口，旨在面向为学生制定可靠的学习路线等实际需求提供直观可靠依据。通过画像的构建，可以对学生的学习行为进行深入的分析和理解，进而为教育者提供强有力的支持。

“因材施教，各尽其才”这一教学理念深刻的揭示了根据学生个性、兴趣和能力制定教学计划的重要性。在该理念的引导下，学习者画像构建与分析成为构建精准、灵活、个性化的教育服务体系的核心环节。通过精心构建学习者的个体画像，能够为学生因材施教提供智能化和个性化学习服务。利用数据分析技术来洞察学生的学习行为和能力，从而为他们提供更精准的学习建议和资源。同时，这一过程也能为教育者提供可参考的学生画像，从而尽早对学习者进行有针对性的学习干预。此外，人工智能技术极大地推动了个性化教学的应用与发展。它不仅能够优化学习资源的分配，还能够根据学生的学习进度和反馈实时调整教学策略，确保每个学生都能在最适合自己的环境中学习成长。

3.1.2 智能情感疏导

当前学生群体面临着沉重的学习压力，容易产生心理与情感方面的种种问题，基于学生画像的智能化分析，能够帮助我们及早发现这些问题，并进行情感疏导。

我们利用基于大规模的开放式在线学习平台，深入分析学生的学习行为数据，通过模拟学生的努力程度和学习能力特征，建立了 ELA（effort and learning ability）模型。该模型首先利用已获得的学习能力序列和努力序列来训练一个多分类器，然后再利用分类器预测学生的学业成绩。同时，基于大语言模型蕴含的心理知识与强大推理能力，推测学生的人格标签和心理状态，通过增强文本信息在语义、情感和语言等方面的表示能力，完善人格标签的解释，提升人格检测模型的效果。我们构建了基于大模型的心理辅导系统，能根据学生的人格特征，深入地理解他们的情感状态和需求，并据此给出相应的建议和辅助。

3.2 个性化辅助教学平台

个性化辅助教学平台通过考卷评估学生的知识水平，并与教学过程紧密配合，共同打造个性化的教学与评测体系，主要包括考卷评估、数据分析和个性化方案生成三大部分。

考卷评估阶段，全面收集学生在此过程的数据，包括学生答题情况、题目得分的统计。测评后进行相应的数据分析，如知识点的掌握情况分析、学生知识的漏洞分析、整体的层级分析。基于分析结果生成个性化的教学与评测方案。教学方面，提供定制化的教学内容，推荐适合的教学方法，并调整习题集以匹配学生的实际需求。评测方面，实施定期的学情检测，根据知识点的反馈与学习进度的追踪，灵活调整教学进度与内容规划。

该平台的人工智能辅助作业评估系统，能够智能化的及时反馈学生的学习进度与知识掌握情况，智能化出题和题目自动评阅等辅助功能让教学方法得以动态调整。确保学生作业提交、评估到个性化的教学方案的生成，再到教师的精准反馈，形成一个辅助教学的闭环。个性化学习方面，设计了两个主要模块，一个是智能化的学生能力评估，通过分析学生的学习数据，评估能力水平，制定个性化学习路径和资源推荐；另一个是教学与测评联动，通过整合智能化教学和个性化学习手段，推动整体教学质量的全面提升。

3.3 面向教育的垂域大模型

面向教育的垂域大模型旨在克服通用大模型在该领域存在的局限性。我们通过自研的明德大模型 MindLLM 及融合大模型与小模型的优势，针对教育应用进行了适配与优化。目前，MindLLM 已有三个不同参数规模的版本。第一个是 1.3B 参数的模型，得益于核心技术的提升，其性能可以比肩 7B 参数的模型；第二个是 3.1B 参数的模型；最后是面向华为硬件的自主预训练的 13B 参数的模型。

研发思路（见图 2）基于小模型比肩大模型的性能。具体而言，首先用大模型的能力卸载，小模型学习做数据蒸馏，大模型评估指标；接着，通过大模型对小模型的持续反馈，进行迭代式指导，实现小模型的对齐；然后，小模型自身也会提供反馈，实现数据预测分布的重新整合；最后，通过小模型的自我博弈实现进一步的模型进化。这一系列措施共同推动了明德大模型在教育领域的深度应用与优化。

图 2 研发思路

功能需求包括模型的知识储备、预测和分析，以及管理与评估。模型的知识储备主要为学生做智能辅导和答疑，以及为教师做教案生成、知识点归纳和学科图谱建设；模型的预测和分析主要用于预测学生行为和个性化分析；管理与评估旨在帮助教育机构进行学生管理、课程安排、教学质量评估等工作，提高教育管理的效率和效果。

在技术方案方面，我们采用了基于 Guidelines 的大模型蒸馏技术，通过蒸馏大模型的内部知识提升小模型的基础领域能力；同时通过自动化生成 Guidelines，引导大模型产生更好的知识提升蒸馏效果。目前，该模型已在我们内部课程试用。

4.人工智能赋能教育实践

明德思学教学平台

明德思学教学平台是一个以MindLLM为基础集多场景多角色多学科知识为一体的教学平台，旨在通过多个具体任务的智能体协作，满足多课程应用需求，并广泛拓展至教育的方方面面。

4.1 MindLLM 技术特点

MindLLM 拥有强大的双语能力，在未使用指令微调和对齐时，它在 MMLU 和 AGIEval 评测上的性能优于 MPT-7B 和 GPT-J-6B 等大型模型。中文方面，MindLLM 在 C-Eval 和 CMMLU 上表现出与更大参数模型相当的性能。具体来说，MindLLM-3B 在数学能力上优于 MOSS-Base-16B、MPT-7B 等较大模型，在双语能力上超过 Baichuan2-7B 和 MOSS-Base-16B。同时，MindLLM-1.3B 在数学上比同等大小的 GPT-Neo-1.3B 表现更好。

此外，MindLLM 还具有很好的扩展能力。如，以用户实际需求为主，提取用户提问关键信息，针对性生成回复；精调 +RAG 优化领域知识经验学习，将模型能力与领域专业知识对齐；多功能智能化代理，满足教育多角色用户在多任务多领域的业务需求。

4.2 核心服务功能

该教学平台的核心服务功能聚焦于两方面：在线智能交互课堂和智能教学资源推荐。它不仅是混合智能的师生学习伙伴，能够有效解决在线教育领域存在的资源分配不均、内容单一化及知识传递效率低等问题，还能集成大模型通用和垂域能力，实现混合交互式的智能化学习和教学辅助。

该平台从功能上分为教师端和学生端两个端口。教师端提供 AI 教研助手及代码审核、作业管理、学生管理、个人信息管理、虚拟教研室和在线课堂交互等模块；学生端包括 AI 学习助手，以及代码助理、作业辅导、自主学习、个人信息管理、虚拟课堂和在线课堂交互等模块。

明德思学教学平台中的智能交互功能由三大模块组成，包括：

① 智能在线课堂。将海量的教育资源进行数字化处理，并通过在线平台进行共享。支持多模态交互，如语音、文字、图像等，使在线课堂能够配备实时的课程助手。该助手能够进行实时课程内容解析，生成针对课程难点的解答，极大促进师生间知识传递效率，也使师生间的互动更加自然和流畅。

② 智能课程推荐。该模块可以根据学生的学习状态和意愿提供个性化学习资源推荐，使学习过程更加具有针对性和吸引力。如，赋能精品课堂模块，为用户提供个性化课程推荐服务；基于用户兴趣、学习背景等多维度，提供精准课程推荐，实现个性化高效学习。

③ 智能师生助手。作为 AI 学习助手、AI 教研助手等角色的多智能体代理，为师生提供一对一即时支持，实现了教师为学生提供及时、准确的问题解答，以及情感、兴趣等生活方面的沟通，是一个亦师亦友的伙伴。同时，教师 - 机器 - 学生混合智能式增强，创造数据飞轮助力师生共同进步。

5 结束语

毋容置疑，人工智能在教育领域的应用前景广阔，并将持续引领教育创新和改革。随着人工智能算法的进步，将能更精准地识别学生的学习风格、学情基础和能力需求，实现智能化的分析与学习路径推荐，从而提供完全定制化的教育内容和路径，以及全面个性化的学习体验。不仅涉及学术学习，还包括情感和行为学习的支持，实现真正的因材施教。通过混合式学习和翻转课堂，以及虚拟教室和AR/VR 技术等，将使教师的角色从知识传授者转变为学习引导者和策略家，使教师有更多时间关注学生的个性化需求，专注创造性和互动性的教学设计并创新教学方法。此外，人工智能赋予教育，将助力教育资源的合理配置与进一步优化，建立优质教育资源共享系统，实现更方便实用的在线教育和远程教学；实现学习过程和行为表现的全方位评价，构建更加多元化智能化的评测评价系统。同时，教育领域将加速与与心理学、认知科学、数据科学等其他学科的深度融合，利用人工智能技术研究全链条学习过程和教学优化方法。

（参考文献略）

黄河燕

CAAI 女科技工作者工委会主任，北京理工大学人工智能研究院院长、特聘教授，CAAI Fellow，CIPS Fellow；教育部计算机类专业教学指导委员会副主任委员，中国中文信息学会监事长，信息技术新工科产学研联盟常务副理事长，北京市海量语言信息处理与云计算应用工程技术研究中心主任，曾获国家科技进步一等奖、二等奖等奖项，被授予“全国优秀科技工作者”称号。

选自《中国人工智能学会通讯》

2025年第15卷第1期

人工智能赋能教育