想了解教育大模型吗？这份综述给你答案！

目录

文章概览

1. 教育大模型是什么

2. 教育大模型的特点

3. 教育大模型的应用

4. 教育大模型的训练

5. 教育大模型的机会与挑战

---

文章概览

推文改编自实验室最新综述论文《智慧教育中的大语言模型综述》，该论文发表于《智能系统学报》。《智能系统学报》是中国人工智能学会会刊、“中国人工智能学会推荐中文学术期刊”列表中的A类期刊。

文献来源：

肖建力，黄星宇，姜飞. 智慧教育中的大语言模型综述[J]. 智能系统学报，DOI:10.11992/tis.202406040

XIAO Jianli, HUANG Xingyu, JIANG Fei. A survey of large language models in smart education [J]. CAAI transactions on intelligent systems, DOI:10.11992/tis.202406040

论文下载地址：

(1)百度网盘下载

https://pan.baidu.com/s/1MajcEx0HIM43T5_wPe8iFg?pwd=am24

(2)知网下载

https://kns.cnki.net/kcms2/article/abstract?v=e9e-pYHXmff_jcKd3ywHuIUh0-a9q8FMDEcRoowlLMgcKUAx672vsBKldDp9aT0Oz-l_y99WiY0XbQeKnMf-JidLKFw-zBgBXFJ_XnK9XsLQnBhuonNXSUZoMpGgK2y02j9lZdF8FpYKukQapSFWwZ7umfsrQUQqTwhNie-rVkUN0o0xjThyAIqd9oFMU-Rk&uniplatform=NZKPT&language=CHS

1. 教育大模型是什么

教育大模型是大语言模型与教育深度融合的产物。它借助大语言模型的能力，通过大规模数据集训练而成，具备多种特性与功能。在特点方面，能为学生定制个性化学习路径，依据其知识水平、风格和兴趣量身打造；也可以自动生成丰富的学习资源，并且进行动态调整；支持跨模态交互，来适应不同输入输出形式；能够精准诊断学习状况，为教学双方提供有力支持；还提供全周期学习服务，涵盖学生各阶段及职业发展需求。在应用上，涵盖垂直领域如星火语伴、EduChat等在特定教育场景发挥作用，以及通用领域如ChatGPT和GPT4在多学科教育中的应用，虽存在局限，但总体为教育带来更多可能与变革，推动教育朝着智能化、个性化方向发展。

2. 教育大模型的特点

大语言模型的特点、教育的特点以及融合而成的教育大模型的特点，如图1所示。

图1 教育大模型的特点

定制化学习路径：通过分析大数据，依据学生知识水平、学习风格和兴趣点，为每位学生量身定制高效且个性化的学习路径，满足不同学生需求，提升学习效果。

自动生成学习资源：具备强大的生成能力，可自动生成各类学习资源，如试题、习题解析、课程内容等，并能根据课程进度动态调整，为教师和学生提供丰富、便捷的学习材料。

跨模态交互能力：部分模型支持处理文字、图像、语音等多种输入和输出形式，如在自然科学课程中，学生可通过图像输入实验数据获取模型解释，还可语音提问回答，模拟真实课堂互动，适合不同学生群体，增强学习体验。

精准学习诊断：能够对学生学习数据进行深度分析，精准识别知识薄弱点，生成详细的分析报告，帮助教师进行针对性教学，有效提高学习效率，避免资源浪费。

全周期学习支持：不仅服务于在校学生，还为终身学习者提供持续支持，可根据职业发展需求和个人兴趣提供个性化学习资源，助力职场人士提升竞争力，确保学习在不同阶段的连续性和灵活性。

3. 教育大模型的应用

教育大模型的广泛应用为个性化学习带来了更多可能性，使得学习过程更加高效、互动性更强，表1列举了教育大模型的一些应用。

表1 教育大模型的应用

名称	研发团队	使用大模型	是否开源	特点和优势	适用范围
星火语伴	科大讯飞	讯飞星火认知大模型	是	支持多模态交互，具备中英文口语评测、语法纠错及文本问答功能，适合中文学习和口语训练场景	语言学习、口语练习、文本问答、考试模拟
EduChat	华东师范大学	LLaMA/ Baichuan	是	智能问答、作文批改、启发式教学和情感支持，具备检索增强技术，实时更新知识库确保最新内容	K-12及高校教育、心理支持、作文评估
智海-三乐	阿里云	通义千问（7B）	是	提供多学科支持，包含搜索、计算引擎和知识库功能，辅助高校课程和AI助教	高等教育课程辅助、AI助教
子曰	网易有道	自研大模型	否	多模态知识整合，提供个性化学习建议，模拟教师引导学生自我探索，满足不同学习需求	全阶段教育支持、翻译、作文指导
MathGPT	好未来	自研大模型	否	专注于数学领域，具备高精确度的解题步骤分析，能详细讲解题目，帮助学生在数学学习中构建清晰思维	数学教学、解题演示、题目解析
智适应教育大模型	松鼠Ai	自研大模型	否	聚焦个性化学习，自适应调整教学内容，同时提供情绪支持，帮助学生在良好心态下学习	K-12教育、自适应学习、心理支持
看云大模型	猿辅导	自研大模型	否	涵盖K-12阶段多学科辅导，具备实时答疑功能，帮助学生在课堂外及时解决疑问和巩固知识	K-12教育、题目解析、实时答疑
汇雅大模型	超星集团	自研大模型	否	支持在线学习资源管理，整合数字图书馆内容，便于高校师生查阅和管理，适用于教育资源丰富的环境	高等教育、在线学习、教育资源管理
Duolinguo Max	多邻国	GPT-4	否	增强的个性化互动体验，支持多语言学习，提供实时反馈，适合语言学习者提高听、说、读、写各方面技能	语言学习（多语言）、个性化练习
Khanmigo	可汗学院	GPT-4	否	适用于科学和数学教育，提供个性化学习建议和详细解答，帮助学生加深对学科概念的理解和应用	科学和数学教育、个性化辅导

星火语伴：科大讯飞的星火语伴APP搭载讯飞星火认知大模型，支持多模态交互，提供中英文口语评测、语法纠错及文本问答功能，适用于语言学习和口语训练场景，可帮助学生提高口语水平。

EduChat：华东师范大学的EduChat基于LLaMA和Baichuan，具备智能问答、作文批改、启发式教学和情感支持等功能，通过检索增强技术确保知识准确性，可应用于K-12及高校教育，为学生提供学习帮助和心理支持。

智海-三乐：浙江大学的 “智海-三乐” 基于阿里云通义千问开发，有搜索、计算引擎和知识库功能，可辅助高校课程，作为AI助教为学生提供24小时个性化学习支持，推动产教融合。

子曰：网易有道的 “子曰” 模型能提供个性化学习建议，模拟教师引导学生自主探索，支持多模态知识整合，适用于全阶段教育，可在翻译、作文指导等多方面发挥作用。

MathGPT：好未来的 MathGPT专注数学领域，解题准确率高、步骤清晰且讲解详细，有助于学生构建数学思维，可用于数学教学、解题演示和题目解析。

智适应教育大模型：松鼠Ai的智适应教育大模型融合多模态技术，关注学生情绪，提供个性化学习服务，能提高学习效率，适用于K-12教育，帮助学生在良好心态下学习。

看云大模型：猿辅导的看云大模型涵盖K-12阶段多学科辅导，能实时答疑，帮助学生巩固知识，提升个性化学习和互动体验。

汇雅大模型：超星集团的汇雅大模型参数量达340亿，训练资源丰富，具备多种核心功能，支持多样化教育场景，可用于在线学习资源管理、查重和学术管理等，助力智慧校园建设。

Duolinguo Max和Khanmigo：多邻国的Duolinguo Max和可汗学院的Khanmigo都基于GPT4开发，能够提供增强的个性化互动体验，支持多语言学习，实时反馈，有助于提高语言学习者听、说、读、写技能。

4. 教育大模型的训练

目前以OpenAI为首的大语言模型的构建主要包括四个阶段：数据预处理、无监督预训练、有监督微调、模型评估与测试。同样教育大模型的构建方法类似，主要是在微调部分进行变动，如图2所示。

图2 教育大模型构建流程

1. 数据预处理

数据预处理是训练教育大模型的关键第一步，其目的是为模型提供高质量且干净的输入数据。首先，需要从多种渠道收集数据，包括公开数据集（如Wikipedia、Common Crawl）以及教育领域的专用数据（如教材、题库和考试记录）。接下来，通过清洗、去噪和标注步骤剔除低质量或敏感内容，以确保数据的准确性和一致性。此外，还需对数据进行格式化处理（如分词、去除多余符号）以及数据增强操作，生成多样化的训练样本，为模型的后续训练奠定扎实的基础。

2. 无监督预训练

无监督预训练阶段旨在帮助模型学习语言的基本特性和上下文关系。首先，利用大规模未标注的通用数据（如Common Crawl和Pile）进行训练，使模型掌握语言结构与语义规律。随后，加入教育领域的专用数据（如学生答疑记录和课程材料），对模型进行领域适配，提升其在教育任务中的表现。通过掩码语言建模或下一个单词预测等任务，优化模型的权重，使其具备广泛的语言理解与生成能力，为教育场景中的应用打下坚实的基础。

3. 有监督微调

有监督微调阶段聚焦于让模型适应具体的教育任务。首先，需要准备高质量、带明确标签的数据集（如作文评分样本或试题答案解析）作为微调数据。为了减少计算资源的消耗，通常采用高效的微调方法，如LoRA（低秩适配）或Adapter Tuning，仅调整模型的一部分参数。微调的重点是根据目标任务（如个性化学习推荐或情感支持）优化模型权重，从而使其在教育领域内展现出更强的针对性与实用性。

4. 模型评估与测试

最后一步是对模型进行全面的评估与测试，以确保其性能符合教育领域的实际需求。通过权威的教育测试数据集（如C-Eval和GSM8K），可以评估模型在知识覆盖、推理能力和生成质量等方面的表现。从准确性、流畅性到情感支持能力等多个维度进行全面考察，并通过迭代优化不断改进模型在特定任务中的不足。评估结果不仅是模型实际应用效果的直接体现，还为后续的改进提供了重要的指导方向。

5. 教育大模型的机会与挑战

1. 局限性

教育大模型在教育领域的应用日益广泛，但仍面临诸多局限性。首先，模型的理解与推理能力有限，主要依赖统计模式，难以胜任复杂的逻辑推理或创造性任务。其次，知识更新滞后，使其无法及时提供最新的学术和技术信息。此外，模型可能生成不准确甚至错误的信息（即“幻觉”现象），容易导致学生被误导。内容偏见问题同样突出，可能反映性别、种族或文化偏见，从而影响教育公平性。同时，数据隐私与安全仍是亟待解决的难题，学生的敏感信息可能面临泄露或滥用的风险。最后，教育大模型对高计算资源和专业技术的依赖，使得资源有限的教育机构难以广泛应用这些技术。这些局限性为教育大模型的进一步发展提出了新的挑战。

2. 展望

未来，教育大模型有望推动更加智能、互动和个性化的学习环境。通过提升自然语言处理能力，模型将更精准地理解学生需求，提供个性化反馈。多模态技术的广泛应用将整合文本、图像、声音和视频等多种数据形式，为学生打造沉浸式学习体验，激发学习兴趣并提升学习效果。同时，隐私保护技术如端到端加密和联邦学习的采用，将有效确保数据的安全性和可靠性。通过优化模型架构并利用云计算与边缘计算技术，教育资源的覆盖范围将进一步扩大，整体使用成本大幅降低。此外，教育大模型将与教师深度协作，辅助教学设计与评估，提升课程创新和教学质量。更重要的是，这些技术的公平性将助力消除教育不平等，全面推动教育水平的提升与普及。