大模型如何助力数字教育资源建设

关注“在线学习”

获取更多资讯！

近年来，国内与教育应用相关的大模型如雨后春笋般涌现，涉及备课规划、作业生成、智能辅导、互动答疑、测试评价等多个教学场景。在这些教学场景中，大模型最常用的功能是生成教学所需的图片、音视频、教案、课件、作业、试题等，这些均属于数字教育资源的范畴。

我国数字教育资源建设历经多年发展，在资源开发模式上已较为成熟，整体呈现出多方开发主体协同、多类用户参与、多种共享手段互补的资源开发特色，但仍存在资源体量不够大、资源开发效率不够高等不足。大模型在数字教育资源建设领域中的引入和应用，有助于实现数字教育资源开发的批量化、海量化、高效化，为解决数字教育资源开发中的体量、效率等瓶颈问题提供新的思路和解决方案。

1

大模型可大幅提高数字教育资源建设效率

大模型依靠其文本理解和生成能力，能够准确识别和理解用户所提出的教育资源开发需求，自动生成与用户需求相匹配的文本型资源，如教案、教学大纲、习题等。此外，大模型依靠其多模态处理能力，还可将文本、图像、音频、视频等媒体元素进行融合，生成互动式教育资源，如历史场景对话、语言学习配音、虚拟实验操作等。同时随着大模型在教育中的应用不断延伸，依靠其上下文推理与交互能力，在与学生进行多轮对话过程中，能实时感知和监测学生的学习状态和水平，并据此动态调整资源内容难度和资源呈现方式。

可见，大模型可大幅提高资源开发效率、降低资源开发成本、提升资源精准服务水平。大模型在促进数字教育资源的快速生产，降低人力成本和时间成本的基础上，依靠其先进的算法和强大的算力，可同时满足面向不同学科、不同学段、不同用户的资源生成需求，能有效解决我国教育体量庞大而数字教育资源供给相对不足的问题，助推数字教育资源的快速普及和推广应用。

此外，大模型能通过智能语义分析自动建立资源之间的关联，形成多元化的资源群，构建复杂的知识图谱。借助知识图谱，一方面可使资源在彼此关联基础上形成结构化的知识体系，另一方面可实现资源的个性化分发和精准化推送，实现在数字教育资源层面的因材施教。

2

大模型助力数字教育资源建设的实施路径

由大模型生成的数字教育资源在本质上是一种由资源开发者和大模型共同创作和生成的教育资源，即该类资源并不是由大模型独立生成的，是资源开发者与大模型在彼此互动过程中以教学需求为牵引、以人机对话为手段所生成的数字教育资源。鉴于大模型生成数字教育资源过程中所具有的协同性、互动性、创造性、共生性等特点，在大模型助力数字教育资源建设的具体实施上应遵循三个原则、执行六步流程、做好四方核验。

三个原则即人机互促原则、人机互信原则和人机互补原则。要厘清资源开发者与大模型的各自职责范围，既充分发挥资源开发者的意义建构和知识阐释优势，又大力彰显大模型的信息加工和知识生成优势，在人机相互促进中完成资源创作与生成。

六步流程即确定需求、素材生成、素材审核、重组聚合、分发试用、反馈优化等六个资源开发流程。确定需求是资源开发的前端环节，即以需求调研为基础，精准确定用户对资源内容、表征形式、结构等方面的需求。素材生成是指资源开发者将资源需求转化为精确提示词，与大模型通过互动输入的方式生成多模态数字教育资源素材。素材审核是指资源开发者与大模型以协同方式对生成的资源素材进行形式和内容筛查，剔除不符合要求的素材。重组聚合是指对大模型生成的资源素材进行聚合集成，使其形成功能齐全的资源有机体。分发试用是指将生成的资源进行小范围分发，获取用户试用的第一手资料。反馈优化是指将师生用户试用资源后的体验和感受反馈至资源开发者和大模型，以达成数字教育资源的迭代开发和持续优化。

四方核验即由资源开发者、学科专家、资源使用者、AI检测工具四方协同，对资源进行多维核验，核验通过的资源方可进入正式流通环节。其中，资源开发者主要从规范性、交互性、互操作性、可复用性等维度对资源的技术属性进行把关；学科专家主要从科学性、准确性、权威性、完整性、相关性、时效性等维度对资源内容属性进行审查；资源使用者主要从教学设计合理性、教学活动支持度、教学场景适配性、教学目标达成度等方面对资源的教学性能进行核查；AI检测工具则主要对资源的训练数据来源、语言质量、技术标准等进行自动筛查。

3

控制和化解数字教育资源建设风险

随着大模型在教育教学中的应用日益广泛，由大模型生成的数字教育资源正逐渐成为传统数字教育资源的重要补充。但受制于数据、算法等方面的局限性，数字教育资源开发中应用大模型存在一定的风险，既包括技术及方法层面的风险，也包括内容及伦理层面的风险，如生成资源的版权归属存在争议、生成资源的质量难以保证、用户隐私信息容易泄露等。对这些可能存在的风险进行有效控制和化解，是大模型助力数字教育资源建设可持续性发展的关键所在。

提升训练数据质量，优化大模型算法。大模型生成数字教育资源过程中起点是数据，训练数据决定了大模型的输出质量。一方面，要整合来自不同领域和多种格式的大数据，保证数据源主题和内容的广泛性。另一方面，要建立数据源白名单制度，使用经过官方认证的大数据作为训练数据源，确保数据源的科学性和可靠性。同时，要根据资源开发需求建立学科领域微调模型，基于国内主流大模型架构，根据各学科特点对大模型算法进行微调，提升算法的准确性和适切性。

加强对大模型背后“算法黑箱”的审查和管控。要对教育教学领域的大模型进行全面监管，包括事前、事中和事后全过程监管。事前监管主要指制定严格的标准和指南，事中监管主要指对大模型平台运行过程进行实时监控，事后监管主要指对大模型平台生成的内容进行质量抽检和审查。同时，建议在大模型中添加用户反馈系统模块，设置用户反馈算法，对用户反馈情况进行筛选整合并作为训练数据集的新构成。

大力提升资源开发者的提示素养。大模型在生成资源时依赖于资源开发者输入的提示词，精心设计的提示词可以引导大模型生成更科学准确的资源内容，从这一点上来讲，资源开发者必须具备较强的提示素养。所谓提示素养，是指人与大模型进行有效互动的技能，包括对大模型的理解与认知、提示词编写技能以及对生成内容的评估技能等。要提升资源开发者的提示素养，必须设计科学完备的提示素养课程，开展形式多样的提示素养提升培训活动，使资源开发者系统掌握提示词设计知识和技能；要将提示素养作为资源开发者的关键素养，纳入到对资源开发者的评价考核体系中，设计阶梯式提示素养认证框架，提升资源开发者与大模型的协同互动能力和资源共创水平。

（作者：万力勇，系中南民族大学教育学院院长、教授，本文系教育部人文社会科学研究规划基金项目“高校思政课数字化转型的动力机制、障碍因素与行动路径研究”［24YJA710043］成果）

来源丨中国教育报

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与我们联系，我们将及时更正、删除，谢谢。