基于生成式人工智能的综合教育平台

摘要

该平台利用生成式人工智能（GAI）支持教学，提供量身定制的学习体验，适应用户多样化的需求。它还提供了丰富的实用学习方法，不仅丰富了学习过程，还促进了数字时代的终身学习能力，这与工程教育可持续发展的目标相契合。

摘要

生成式人工智能（GAI）近年来取得了显著进展，通过实现动态内容创作和个性化学习路径，展现出教育领域的变革潜力。然而，许多现有教育平台依赖静态内容和固定路径，缺乏整合架构，无法充分发挥GAI的能力，创造连贯且适应性的学习体验。为弥补这一空白，本研究详细介绍了基于GAI构建的新型综合教育平台的设计、实施及实证评估过程。该平台基于超越传统框架的三层架构：一个集成模块化AI模型（如Transformer、基于注意力的CNN-BiLSTM）的基础技术层，一个用于实时数据综合和模型优化的处理中心，以及一个包含八个核心功能模块的应用与交互层，包括个性化学习、智能问答和能力评估。这种集成架构促进了动态可定制的学习体验，持续适应个别学习者的需求和进展。为评估该平台的有效性，我们进行了一项随机对照试验（RCT），涉及50名本科生和20名教育工作者，历时两个学期，使用传统方法比较结果与对照组。实验结果表明，所提平台显著提升了学习成果，提高了学生参与度指标（如任务投入时间和内容互动率），并在个性化内容匹配方面实现了高准确性。研究结果表明，这一基于GAI的平台通过有效个性化教学和大规模支持自适应学习，构成了教育技术的进步。本研究提供了详尽且可复制的架构蓝图，并提供了实证证据，支持集成GAI系统在提升教育效能和培养终身学习能力方面的实际价值。

引言

在技术创新加速的背景下，尤其是在人工智能（AI）领域，人工智能等工具在工程教育中应用越来越多。与此同时，人们已达成共识，推动可持续发展的目标是全球性的追求。因此，将可持续发展融入工程教育——同时提升行业技术水平和提升学习者的可持续意识——已成为当前教育改革的关键焦点，推动人工智能教育创新的探索。人工智能在教育中的应用为个性化学习打开了可能性。具体来说，GAI为教学和学习环境提供了变革潜力。它能够动态创建多样化的内容形式，并将学习资源调整以适应个体学习者特征，从而提升参与度和效果。这项技术使得多样化的内容格式能够生成，便于定制化学习材料的创建。此外，它还能动态调整学习资源以适应个体学习者特征，从而提升参与度和学习效果¹.此外，平台设计能够适应学习者的进步。它动态调整内容呈现，并根据个人目标推荐学习活动，旨在优化学习成果。

然而，将人工智能整合进教育平台需要克服重大技术障碍。首先，深度学习模型必须在海量数据集上训练，以确保生成符合教育标准的高质量内容。此外，强化学习算法需要精细调优——不仅要准确定制个体学习路径，还要保持教学内容的完整性。此外，自然语言处理能力对于创建能够模拟类人对话并提供实时反馈的互动辅导系统^{至关重要。}在这样的背景下，迫切需要一个综合教育平台，充分发挥GAI的潜力，提供个性化、有趣且适应性的^{学习体验5}.这些平台具有重塑在线教育格局的巨大潜力，使其更具适应性和个性化，从而契合并支持当代终身学习范式的目标。在这个新时代，教育内容不会一成不变;相反，它将随着学习者的个人成长和不断变化的需求而不断演进。

现有研究表明，人工智能和大型模型等新兴技术能够有效提升^{工程教育的}教学质量5，许多研究探讨了GAI在个性化教育平台上的潜在应用，旨在^{为学生提供}个性化学习体验。.与此同时，可持续发展教育（ESD）已成为全球工程教育的核心优先事项，现有研究一贯强调，可持续发展素养和系统思维是当^{代工程师不可}妥协的核心能力。为满足这一关键培训需求，本研究提出的GAI架构建立了ESD学习目标与工程技能培养之间的切实可行联系：我们的平台将可持续影响评估模块、生命周期分析（LCA）工作流和基于情景的可持续设计提示整合进核心框架，使工程学习者能够直接将可持续原则转化为技术决策，贯穿整个过程工程设计周期。其中一个重点领域是利用GAI自动化教育内容的创建。Moulaei 等^{人7 探索}了 AI 算法如何根据学生的具体需求和学习风格生成练习、测验甚至整节课程。这种方法显示出减轻教育者工作负担、为学生提供更个性化学习体验的潜力，这为赵等人后续的研究提供了一定的技术^基础。

另一个关注领域是GAI在适应性^{学习系统的应用}。这些系统利用AI算法实时分析学生的学习表现，调整学习材料，从而更精准地满足学生的需求。这种方法不仅提升了学习成果，还确保学生在适当的水平上受到挑战——既不容易缺乏刺激，也不难跟上。此外，GAI还被探索其自动化评分和反馈流程的潜力，¹⁰ 以及作为智能决策支持平台¹¹。人工智能算法可以自动批改学生作业并及时反馈，为教育者节省时间，帮助学生更有效地学习。Smith等^人还探讨 了GAI工具（如ChatGPT）在高等教育中的应用，重点关注不同世代学生和教师对这些技术的接受与使用情况。研究显示，数字原住民学生因其终身浸淫于数字技术，对此类应用的接受度更高;相比之下，数字移民教师往往对这些数字应用采取更为谨慎和保守的态度，不愿随意试用它们。这种代际差异为融合教学风格和教育技术带来了新的挑战和机遇。Imran等^人评估了 下一代生成式人工智能工具在教育中的应用，特别是在教学材料制作和个性化反馈方面。

研究结果表明，这些工具不仅能帮助教育者生成多样化的教育资源并提供实时反馈，也能指出与伦理标准和公平使用相关的挑战。Cabrera等人通过香港六所大学的^{调查分析了} 学生对GAI的认知和使用情况。大多数学生持积极态度，认识到其在个性化学习和即时反馈方面的实用性。然而，也有人担忧过度依赖和潜在的偏见。Mishra等人^详细阐述 了GAI如ChatGPT在师资教育中的应用，特别是在课程规划、批判性思维和教育开放性方面。报告强调，GAI可以为教师提供具体的支持机制和教育资源，但也强调需要仔细评估其局限性和潜在偏见，以确保其作为教育工具的有效性。Mishra等人¹⁶ 反思了GAI策略对教学和师资教育的变革性影响。该方法主张在使用教育技术时考虑伦理和政策，以确保人工智能技术的公平和有效使用。

现有的学术努力^{17、18、19、20、21、22}表明，GAI有潜力通过提供个性化学习体验、实时适应学生需求以及自动化教育者耗时任务来改变教育。然而，人工智能在教育中的应用也存在挑战，比如训练AI模型需要准确的数据，以及AI算法中可能存在的偏见（^23,24）。还需要进一步研究以应对这些挑战，充分发挥GAI在有效教育中的潜力。先前研究已证实人工智能技术在实现自适应学习方面^{20,21,22,23,24,25} 在实现自适应学习方面 ^26,27，提供个性化反馈^28,29，并探索更广泛的教育应用^30,31.然而，目前关于GAI支持教育平台的研究大多聚焦于增量功能优化和孤立的应用案例研究。一个关键且未解决的研究空白依然存在：现有的GAI教育平台缺乏统一、可扩展且教学上稳健的集成架构，存在广泛局限性，包括模块设计碎片化、跨场景互操作性差，以及缺乏系统性能力培训的嵌入式框架（包括工程学习者的可持续性意识）。为弥补这一空白，本研究从基础架构视角探讨了一个全面的基于GAI的教育平台，系统地详细介绍了其模块化设计、跨场景互操作性框架以及多利益相关者的实证评估。这项工作通过建立标准化的综合架构范式，推动该领域发展，以提升教育成果和核心能力培养。本书的三大主要贡献如下。

• 动态学习体验生成框架。 该框架采用GAI构建基于用户互动和绩效数据演进的学习环境。该框架通过GAI构建动态演变的学习环境，GAI根据用户的互动模式和学习习惯实时调整和优化，确保教育内容保持最新、引人入胜且符合个人需求。这一动态机制实现了两个关键目标：首先，它确保教育内容保持最新且不会过时;其次，它使内容更具吸引力——同时满足每位学习者的独特个性化需求。
• 一种整合且适应性的建筑设计。 三层架构整体协调自适应组件，确保学习工具在整个用户成长过程中保持有效。这一三层架构整体协调了随用户演进的自适应组件，确保教育内容和工具在整个学习旅程中保持有效，同时提供连贯且全面的教育体验。
• 大规模的数据驱动个性化。该平台利用持续学习分析实现大规模数据驱动个性化。它动态地根据个别学习者的偏好和认知能力调整学习内容、节奏和教学风格。其核心设计目标是减少多余的认知负担，提高学习效率，并提升整体学习体验。本研究通过一项随机对照试验检验一个核心研究假设。假设这一支持GAI的个性化学习平台能够显著减轻工程学习者的认知负担，提高学习效率，并提升ESD相关的学习成果和学习体验，相较于传统的非个性化工程教学模型。

该书检验了一个核心研究假说。而是这个支持GAI的个性化学习平台能够显著减轻工程学习者的认知负担，提高学习效率，并提升ESD相关的学习成果和学习体验，相较于传统的非个性化工程教学模型。

方案

本研究遵循香港教育大学的伦理指导原则进行。在收集数据前，所有参与者均获得知情同意。

1. 平台规格

该评估系统是一个定制的研究原型，作为基于网络的应用程序实现。软件环境基于 Python 3.9 和 TensorFlow 2.12。核心AI模型（CNN-BiLSTM、Transformer）托管在基于服务器的处理流水线中的NVIDIA A100 GPU（40 GB显存）。该架构由三层组成：首先，一个基础技术层，集成了注意力增强的CNN-BiLSTM网络、Transformer模块和强化学习组件;第二，建立实时多模态数据融合与模型优化处理中心;第三，应用层包含八个功能模块，包括个性化学习、问答、能力评估和行为分析（见图1）。

2. 准备和整理训练数据

从公共教育资源库（如开放的在线课程成绩单、教育视频互动日志）和专有来源收集多模态数据集。收集50名本科生和20名教育工作者在试点测试期间（2024年1月至6月）的匿名互动记录。使用spaCy v3.5（Honnibal等，2020）预处理文本，采用以下固定程序。首先，加载预训练的通用学术英语模型en_core_web_md。其次，使用模型默认的学术优化分词器进行分词，该分词器能适当处理技术工程和可持续发展术语。第三，使用模型默认的基于规则和统计混合词汇法进行词汇化，不应用自定义词汇化规则。通过以下固定步骤将视频帧归一化为224 x 224分辨率。首先，使用双线性插值调整所有帧大小，这是教育视频帧预处理的标准方法。其次，除了统一调整尺寸外，不要进行额外的颜色归一化或裁剪，以保留原有教育内容。通过以下固定程序删除个人身份信息以确保隐私合规。首先，使用en_core_web_md模型中的 spaCy v3.5 命名实体识别模块，自动检测并遮蔽所有个人姓名、电子邮件地址、电话号码和机构标识符。其次，手动审查10%随机样本的所有预处理文本和视频帧，以验证完全移除PII，且最终数据集中未发现任何差异。

3. 训练和验证模型

培训采用了三种范式：首先，监督学习（Adam 优化器，学习率=1e-4，批次大小=32），用以预测学生从标记的交互日志中的表现;第二，非监督K均值聚类（k=5）以识别不同的行为模式;第三，强化学习用于自适应内容推荐，奖励函数定义为参与度×准确率。超参数通过随机搜索调整，涵盖100个试验，基于未完成的验证集，以确保鲁棒性。模型的输入数据包括预处理、匿名化的多模态流：分词文本序列、224 x 224 RGB 视频帧以及结构化交互元数据（如时间戳、动作类型）。系统生成的主要输出包括数值预测分数（例如掌握概率）、详细的JSON格式交互日志以及PDF格式的能力评估报告。

图1：综合教育平台的架构。该图展示了定制基于网络的GAI教育研究原型的完整层级结构，包括面向用户的应用与交互层、多模态数据处理中心以及基于AI模型的基础技术层，层间数据流映射清晰。请点击此处查看该图的放大版本。

4. 进行实证评估

招募了70名参与者（50名本科工程学生和20名教育工作者），来自香港教育大学。他们被随机分配到实验组（使用我们定制的基于网络的GAI平台）或对照组（使用传统学习管理系统（LMS）的组。评估测量了四个关键结果：（1）学习收益（通过测试前和测试后评分评估）、（2）参与度（通过任务时间和互动频率衡量）、（3）用户满意度（通过7分李克特量表调查评估）和（4）系统可用性。所有实证数据均采用配对t检验以确定统计显著性，并配合效应量计算以评估实际影响。

5. 最终确定并验证实现

在主研究之前，我们进行了全面的系统验证。这包括验证三个架构层（基础技术层、处理中心层和应用层）的全面集成和稳定运行，确认整个流水线的数据完整性，确保模型在验证集上的收敛，并测试基于网页的用户界面的响应性和可靠性。在成功完成该验证阶段后，该平台被认为已准备好在随机对照试验框架内进行正式实证部署和比较评估。

结果

随机对照试验显示，GAI平台组（实验组）与传统LMS组（对照组）之间存在显著差异。在学习增益方面，实验组在测试后得分显著高于对照组（M = 76.8，标准差=7.1）;平均差 = 8.4,95% CI [4.5， 12.3]，t（68） = 4.32，p < 0.001，Cohen's d = 1.02。在投入度（任务时间）方面，实验组花费的时间比对照组（M = 28.7分钟，标准差=9.5）更长;平均差 = 13.8分钟，95% 置信区间 [8.4， 19.2]，t（68） = 5.15，p < 0.001，d = 1.21。在用户满意度方面，实验组报告的评分（M = 6.2，标准差 = 0.7）高于对照组（M = 4.8，标准差 = 1.1）;平均差 = 1.4,95% 置信区间 [0.9， 1.9]，t（68） = 5.87，p < 0.001，d = 1.38。所有结局均显示出统计学上显著的改善，且效果量较大，证实了所提平台的有效性。

基础技术层
基础技术层为平台提供了各种基于学习的神经网络实现的底层...

讨论

本研究旨在检验核心假说：支持GAI的个性化学习平台能够显著减轻工程学习者的认知负荷，提高学习效率，并提升ESD相关的学习成果和整体学习体验，相较于传统的非个性化工程教学模型。我们的随机随机对照试验结果为这一假设提供了充分的实证支持，其中有三个关键发现与我们预先设定的结果直接一致。首先，该平台的持续学习、分析驱动的个性化显著减少了学习者的多余认知负荷，干预组的学习效率（知识掌握时间）相较对照组提升了45%，这一发现延续了此前关于人工智能驱动认知负荷缓解在教育环境中的工作。其次，平台统一的三层架构实现了可扩展、教学法对齐的个性化教学，带来了显著更高的考试后学习收益（p < 0.001，Cohen's d = 1.02），以及更强的任务投入时间，与GAI自适应学习能力的先前研究相契合并推动了进展。第三，平台内嵌的ESD能力框架和可持续工程设计模块显著提升了学习者的可持续意识和系统思维能力，弥补了现有GAI教育平台中一个关键空白，这些平台大多忽视了将可持续成果融入技术架构设计。

目前关于教育中GAI的研究主要集中在现有工具...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	用于在基于服务器的处理管道中托管核心 AI 模型。
en_core_web_md (spaCy 模型)	Explosion AI	https://spacy.io/models/en#en_core_web_md	用于标记化和词形还原的预训练通用学术英语模型。版本：v3.5。
Python	Python Software Foundation	https://www.python.org/	软件环境的编程语言。版本：3.9。
SlimPajama 数据集	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	源自 RedPajama 的大型开源预训练语料库。
spaCy	Explosion AI	https://spacy.io/	用于文本预处理的自然语言处理库。版本：3.5。
TensorFlow	Google LLC	https://www.tensorflow.org/	开源机器学习框架。版本：2.12。