Комплексная образовательная платформа, основанная на генеративном искусственном интеллекте

Краткое содержание

Используя генеративный искусственный интеллект (GAI) для поддержки обучения, платформа предоставляет индивидуальный учебный опыт, адаптируемый к разнообразным потребностям пользователей. Также он предлагает множество практических подходов к обучению, которые не только обогащают процесс обучения, но и способствуют развитию компетенций непрерывного обучения в цифровую эпоху, соответствуя целям устойчивого развития в инженерном образовании.

Аннотация

Генеративный искусственный интеллект (GAI) за последние годы добился значительного прогресса, демонстрируя трансформационный потенциал образования благодаря динамичному созданию контента и персонализированному обучению. Однако многие существующие образовательные платформы опираются на статичный контент и фиксированные пути, не обладая интегрированной архитектурой, необходимой для полного использования возможностей GAI для создания целостных, адаптивных образовательных процессов. Для устранения этого пробела в исследовании подробно рассматривается проектирование, внедрение и эмпирическая оценка новой, комплексной образовательной платформы, основанной на GAI. Платформа основана на трёхуровневой архитектуре, выходящей за рамки традиционных фреймворков: базовый технический уровень, интегрирующий модульные модели ИИ (например, Transformer, CNN-BiLSTM на основе внимания), Центр обработки для синтеза данных в реальном времени и оптимизации моделей, а также Слой приложений и взаимодействия, включающий восемь основных функциональных модулей, включая персонализированное обучение, интеллектуальные вопросы и ответы, а также оценку компетенций. Эта интегрированная архитектура обеспечивает динамически настраиваемый учебный процесс, который постоянно адаптируется к потребностям и прогрессу каждого учащихся. Для оценки эффективности платформы мы провели рандомизированное контролируемое исследование (РКИ) с участием 50 студентов бакалавриата и 20 педагогов в течение двух семестров, сравнивая результаты с контрольной группой с использованием традиционных методов. Экспериментальные результаты показывают, что предлагаемая платформа значительно улучшает результаты обучения, повышает показатели вовлечённости учащихся (например, время выполнения задачи и уровень взаимодействия с контентом), а также обеспечивает высокую точность персонализированного сопоставления контента. Результаты свидетельствуют о том, что эта платформа на базе GAI представляет собой прогресс в образовательных технологиях, эффективно персонализируя обучение и поддерживая адаптивное обучение в масштабах. Это исследование вносит подробный, воспроизводимый архитектурный план и предоставляет эмпирические доказательства, подтверждающие практическую ценность интегрированных систем GAI для повышения образовательной эффективности и развития компетенций непрерывного обучения.

Введение

На фоне ускоренного роста технологических инноваций, особенно в области искусственного интеллекта (ИИ), такие инструменты, как ИИ, всё больше набирают применение в инженерном образовании. В то же время люди достигли консенсуса, что цель продвижения устойчивого развития — это глобальная задача. Поэтому интеграция устойчивого развития в инженерное образование — одновременное повышение технических уровней отрасли и повышение осведомлённости учащихся о устойчивом состоянии — стало ключевым направлением текущей образовательной реформы, способствующей изучению образовательных инноваций с поддержкой ИИ. Применение ИИ в образовании открывает возможности для персонализированного обучения. В частности, GAI предлагает преобразующий потенциал для учебной и учебной среды. Он позволяет динамично создавать разнообразные формы контента и адаптировать учебные ресурсы к профилям отдельных учеников, что повышает вовлечённость и эффективность. Эта технология позволяет создавать разнообразные форматы контента, облегчая создание индивидуальных учебных материалов. Кроме того, она может динамически адаптировать учебные ресурсы к индивидуальным профилям учащихся, тем самым повышая вовлечённость и эффективность^{обучения. 1}. Кроме того, платформа разработана для адаптации к прогрессу учащихся. Он динамически корректирует презентацию содержания и рекомендует учебные занятия, соответствующие индивидуальным целям, с целью оптимизации результатов обучения.

Однако интеграция ИИ в образовательные платформы требует преодоления значительных технических препятствий. Во-первых, модели глубокого обучения должны быть обучаны на огромных наборах данных, чтобы обеспечить их создание качественного контента, соответствующего образовательным стандартам. Кроме того, алгоритмы дополнительного обучения с подкреплением требуют тонкой настройки — не только для точной настройки учебных путей для отдельных пользователей, но и для поддержания полноты учебного контента. Кроме того, возможности обработки естественного языка необходимы для создания интерактивных систем репетиторства, способных имитировать диалог, подобный человеку, и обеспечивать обратную связь в реальном^{времени 2,3,4}. На этом фоне существует острая необходимость в комплексной образовательной платформе, которая использует весь потенциал GAI для предоставления персонализированных, увлекательных и адаптивных^{образовательных опытов 5}. Такие платформы обладают значительным потенциалом для изменения ландшафта онлайн-образования, делая его более адаптивным и персонализированным, тем самым соответствуя и поддерживая цели современных парадигм непрерывного обучения. В эту новую эпоху образовательный контент не останется фиксированным; Вместо этого она будет развиваться вместе с личностным ростом учащихся и постоянно меняющимися потребностями.

Существующие исследования показали, что новые технологии, такие как ИИ и крупномасштабные модели, могут эффективно повышать качество преподавания и обучения в инженерном^{образовании. И} многие исследования рассматривали потенциал применения GAI в платформах персонализированного образования, направленных на обеспечение индивидуальных образовательных возможностей для^{студентов 6}. В то же время образование для устойчивого развития (ОУР) становится всё более ключевым приоритетом в глобальном инженерном образовании, при этом существующие исследования постоянно подчёркивают, что грамотность в области устойчивого развития и системное мышление являются неоспоримыми ключевыми компетенциями для современных^{инженеров 7}. Для удовлетворения этой критической потребности в обучении архитектура GAI, предложенная в этом исследовании, устанавливает практическую, действенную связь между целями обучения ESD и развитием инженерных навыков: наша платформа интегрирует модули оценки воздействия на устойчивое развитие, рабочие процессы анализа жизненного цикла (LCA) и подсказки устойчивого проектирования на основе сценариев в основную структуру, позволяя инженерным учащимся напрямую внедрять принципы устойчивого развития в технические решения на протяжении всего процесса Цикл инженерного проектирования. Одним из направлений является использование GAI для автоматизации создания образовательного контента. Moulaei и ^др.7 исследовали, как алгоритмы ИИ могут генерировать упражнения, викторины и даже целые уроки на основе конкретных потребностей и стилей обучения отдельных учеников. Этот подход демонстрирует потенциал для снижения нагрузки педагогов и предоставления более персонализированного учебного опыта для учащихся, что стало определённой технической основой для последующих работ Чжао и ^др.8.

Ещё одной областью интереса является использование GAI для систем адаптивного^{обучения 9}. Эти системы используют алгоритмы ИИ для анализа учебных успеваемости учащихся и корректировки учебных материалов в реальном времени, тем самым более точно удовлетворяя потребности учащихся. Такой подход не только улучшает учебные результаты, но и гарантирует, что студенты получают вызовы на соответствующем уровне — не слишком легко не получить стимуляцию и не слишком сложно за ним успеть. Кроме того, GAI также изучался с точки зрения его потенциала в автоматизации процессов маркировки и обратной связи¹⁰ , а также в качестве интеллектуальной платформы поддержки принятия^{решений 11}. Алгоритмы ИИ могут автоматически оценивать задания учащихся и предоставлять своевременную обратную связь, экономя время педагогам и помогая учащимся учиться более эффективно. Смит и ^др.12 также исследовали применение инструментов GAI, таких как ChatGPT, в высшем образовании, с акцентом на принятие и использование этих технологий среди студентов и преподавателей разных поколений. Исследование показало, что цифровые носители языка, благодаря своему пожизненному погружению в цифровые технологии, демонстрируют более высокий уровень принятия таких приложений; В отличие от этого, учителя-цифровые иммигранты, как правило, занимают более осторожный и консервативный подход к этим цифровым приложениям, проявляя нежелание пробовать их в повседневной практике. Это различие между поколениями открывает новые вызовы и возможности для интеграции стилей преподавания и образовательных технологий. Имран и ^др.13 оценили применение инструментов генеративного ИИ следующего поколения в образовании, особенно при создании учебных материалов и предоставлении персонализированной обратной связи.

Результаты свидетельствуют о том, что эти инструменты помогают педагогам создавать разнообразные образовательные ресурсы и предоставлять обратную связь в реальном времени, а также выявлять проблемы, связанные с этическими стандартами и справедливым использованием. Кабрера и ^др.14 проанализировали осведомлённость и использование GAI студентами через опросы в шести университетах Гонконга. Большинство студентов сохраняют позитивное отношение, признавая его полезность в персонализированном обучении и немедленной обратной связи. Однако также высказываются опасения по поводу чрезмерной зависимости и возможных предвзятости. Мишра и ^др.15 подробно рассматривают применение GAI, как ChatGPT, в подготовке учителей, особенно в планировании учебных программ, критическом мышлении и образовательной открытости. В нём подчёркивается, что GAI может предоставлять конкретные механизмы поддержки и образовательные ресурсы для учителей, но также подчеркивается необходимость тщательной оценки его ограничений и потенциальных предвзятостей для обеспечения его эффективности как образовательного инструмента. Мишра и ^др.16 размышляют о трансформирующем влиянии стратегий GAI на преподавание и подготовку учителей. Метод настаивает на необходимости учитывать этику и политику при использовании образовательных технологий для обеспечения справедливого и эффективного применения технологий ИИ.

Существующие академические^{усилия 17, 18, 19, 20, 21, 22} свидетельствуют о том, что GAI обладает потенциалом преобразить образование, предоставляя персонализированный учебный опыт, адаптируясь к потребностям учеников в реальном времени и автоматизируя трудоёмкие задачи педагогов. Однако существуют и проблемы, связанные с использованием ИИ в образовании, такие как необходимость в точных данных для обучения моделей ИИ и возможные искажения в алгоритмах^{ИИ 23,24}. Необходимы дальнейшие исследования для решения этих проблем и полного воплощения потенциала GAI в эффективном образовании. Предыдущие исследования подтвердили эффективность технологий^{ИИ 20, 21, 22, 23, 24, 25} в обеспечении адаптивного^{обучения 26, 27}, предоставлении индивидуальных отзывов^{28, 29} и изучении более широких образовательных^{приложений 30, 31}. Однако существующие исследования образовательных платформ с поддержкой GAI в основном сосредоточены на поэтапной функциональной оптимизации и отдельных прикладных кейсах. Остаётся критический нерешённый пробел в исследованиях: существующие образовательные платформы GAI не имеют единой, масштабируемой и педагогически устойчивой интегрированной архитектуры, с широкими ограничениями, включая фрагментированное проектирование модулей, слабую межсценарийную совместимость и отсутствие встроенной структуры для систематического обучения компетенциям (включая осведомлённость об устойчивом развитии для инженерных студентов). Чтобы устранить этот пробел, в исследовании рассматривается комплексная образовательная платформа на базе GAI с фундаментальной архитектурной точки зрения, систематически подробно описывая её модульный дизайн, рамочную рамку межсценарийной совместимости и многостороннюю эмпирическую оценку. Эта работа продвигает область, создавая стандартизированную интегрированную архитектурную парадигму для применения GAI в инженерном образовании, чтобы повысить как образовательные результаты, так и развитие основных компетенций. Три основных вклада этой работы перечислены следующим образом.

• Фреймворк для динамической генерации учебного опыта. Фреймворк использует GAI для создания учебной среды, которая развивается на основе взаимодействия пользователей и данных о производительности. Эта структура создаёт динамично меняющуюся учебную среду с помощью GAI, которая корректирует и оптимизирует в реальном времени в зависимости от моделей взаимодействия и привычек обучения пользователей — обеспечивая актуальность, вовлечённость и соответствие индивидуальным потребностям. Этот динамический механизм выполняет две ключевые задачи: во-первых, он обеспечивает актуальность образовательного контента и не устаревший, а во-вторых, делает контент более увлекательным — при этом удовлетворяя уникальные индивидуальные потребности каждого учащегося.
• Интегрированный и адаптивный архитектурный проект.Трёхслойная архитектура комплексно координирует адаптивные компоненты, обеспечивая эффективность учебных инструментов на протяжении всего прогресса пользователя. Эта трёхуровневая архитектура комплексно координирует адаптивные компоненты, которые развиваются вместе с пользователями, обеспечивая эффективность образовательного контента и инструментов на протяжении всего пути обучения и одновременно обеспечивая целостный и комплексный образовательный опыт.
• Персонализация, основанная на данных, в масштабах. Платформа использует аналитику непрерывного обучения для обеспечения масштабной персонализации на основе данных. Он динамически адаптирует содержание, темп и стиль обучения в соответствии с индивидуальными предпочтениями и когнитивными способностями учащихся. Основные цели проектирования — снизить лишнюю когнитивную нагрузку, повысить эффективность обучения и улучшить общий учебный процесс. Это исследование проверяет центральную исследовательскую гипотезу с помощью рандомизированного контролируемого исследования. Гипотеза заключается в том, что эта платформа персонализированного обучения с поддержкой GAI может значительно снизить когнитивную нагрузку инженерных студентов, повысить эффективность обучения и улучшить как результаты обучения, связанные с ОЭС, так и опыт обучения по сравнению с традиционными неперсонализированными инженерными моделями обучения.

Работа проверяет центральную исследовательскую гипотезу. Именно эта платформа персонализированного обучения с поддержкой GAI может значительно снизить когнитивную нагрузку инженерных учащихся, повысить эффективность обучения и улучшить как учебные результаты, связанные с ЭСР, так и опыт обучения по сравнению с традиционными неперсонализированными инженерными моделями обучения.

Протокол

Это исследование было проведено в соответствии с этическими нормами Университета образования Гонконга. Информированное согласие было получено от всех участников до начала сбора данных.

1. Спецификация платформы

Оцениваемая система представляет собой индивидуальный исследовательский прототип, реализованный в виде веб-приложения. Программная среда построена на Python 3.9 и TensorFlow 2.12. Основные модели ИИ (CNN-BiLSTM, Transformer) размещены на GPU NVIDIA A100 (40 ГБ VRAM) в серверном процессорном конвейере. Архитектура состоит из трёх уровней: первый — базовый технический слой, интегрирующий сеть CNN-BiLSTM с повышенным вниманием, модуль Transformer и компоненты обучения с подкреплением; во-вторых, центр обработки для мультимодального слияния данных в реальном времени и оптимизации моделей; и в-третьих, прикладной слой, включающий восемь функциональных модулей, включая персонализированное обучение, вопросы и ответы, оценку компетенций и поведенческую аналитику (рисунок 1).

2. Подготовить и курировать обучающие данные

Собирайте мультимодальные наборы данных из публичных образовательных репозиториев (например, открытых онлайн-транскриптов курсов, журналов взаимодействия образовательных видео) и проприетарных источников. Соберите анонимные журналы взаимодействия с 50 студентами бакалавриата и 20 преподавателями во время пилотного тестирования (январь–июнь 2024 года). Предварительная обработка текста с помощью spaCy v3.5 (Honnibal et al., 2020) с помощью следующих фиксированных процедур. Во-первых, загрузите заранее подготовленный общий академический английский en_core_web_md. Во-вторых, выполните токенизацию с использованием стандартного академически оптимизированного токенайзера модели, который правильно обрабатывает техническую инженерию и терминологию устойчивого развития. В-третьих, выполнять лемматизацию с использованием стандартного гибридного лемматизатора модели на основе правил и статистики, без применения индивидуальных правил лемматизации. Нормализуйте видеокадры до разрешения 224 x 224, используя следующие фиксированные шаги. Во-первых, измените размер всех кадров с помощью билинейной интерполяции — стандартного метода образовательной видеообработки кадров. Во-вторых, не применяйте дополнительной нормализации цвета или обрезания, кроме равномерного изменения размера, чтобы сохранить оригинальный образовательный контент. Удалять персональную информацию для обеспечения соблюдения требований конфиденциальности с помощью следующих фиксированных процедур. Во-первых, используйте модуль распознавания именованных сущностей spaCy v3.5 в модели en_core_web_md для автоматического обнаружения и редактирования всех личных имен, адресов электронной почты, номеров телефонов и идентификаторов учреждений. Во-вторых, вручную проверьте 10-процентную случайную выборку всех предварительно обработанных текстовых и видеокадров, чтобы убедиться в полном удалении PII, при этом в итоговом наборе данных не обнаружено никаких расхождений.

3. Обучение и валидация моделей

Обучение использовало три парадигмы: во-первых, обучение под надзором (оптимизатор Адама, скорость обучения = 1e-4, размер партии = 32) для прогнозирования успеваемости учащихся на основе меченых журналов взаимодействия; во-вторых, неконтролируемая кластеризация K-средних (k = 5) для выявления различных поведенческих паттернов; и в-третьих, обучение с подкреплением для адаптивных рекомендаций контента, с функцией вознаграждения, определяемой как точность вовлечённости x (вовлечённость x точность). Гиперпараметры были настроены с помощью случайного поиска более 100 исследований на удерживаемом наборе валидации для обеспечения устойчивости. Входные данные для моделей состояли из предварительно обработанных, анонимизированных мультимодальных потоков: токенизированных текстовых последовательностей, видеокадров RGB размером 224 x 224 и структурированных метаданных взаимодействия (например, временные метки, типы действий). Основные результаты, генерируемые системой, включают числовые прогнозы (например, вероятность освоения), подробные журналы взаимодействия в формате JSON и отчёты по оценке компетентности в формате PDF.

Рисунок 1: Архитектура комплексной образовательной платформы. Эта диаграмма иллюстрирует полную иерархическую структуру пользовательского веб-прототипа образовательных исследований GAI, включая пользовательский слой приложений и взаимодействия, мультимодальный центр обработки данных и базовый технический слой, управляемый моделями ИИ, с чётким картированием потоков данных между слоями. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

4. Проведение эмпирической оценки

В Гонконг приняли 70 участников (50 студентов бакалавриата по инженерии и 20 преподавателей) из Педагогического университета Гонконга. Они случайным образом распределялись либо в экспериментальную группу, которая использовала нашу специально созданную веб-платформу GAI, либо в контрольную группу, использующую обычную систему управления обучением (LMS). Оценка измеряла четыре ключевых результата: (1) прогресс в обучении (оценивается по результатам до и после тестирования), (2) вовлечённость (измеряется по времени выполнения задачи и частоте взаимодействия), (3) удовлетворённости пользователей (оценивается с помощью 7-балльного опроса по шкале Лайкерта) и (4) удобство использования системы. Все эмпирические данные анализировались с помощью парных t-тестов для определения статистической значимости, сопровождаемых расчётами размера эффекта для оценки практического воздействия.

5. Завершить и валидировать реализацию

Перед основным исследованием мы провели комплексную валидацию системы. Это включало проверку полной интеграции и стабильной работы всех трёх архитектурных уровней (базового технического, центра обработки и прикладного уровня), подтверждения целостности данных по всему конвейеру, обеспечения сходимости модели на наборе валидации и тестирование отзывчивости и надёжности веб-интерфейса. После успешного завершения этапа валидации платформа была признана готовой к формальному эмпирическому внедрению и сравнительной оценке в рамках рандомизированного контролируемого исследования.

Результаты

Рандомизированное контролируемое исследование выявило значимые различия между группой платформы GAI (экспериментальная) и традиционной группой LMS (контрольная). Для повышения уровня обучения экспериментальная группа получила значительно более высокий балл на посттесте (M = 85,2, SD = 6,4), чем контрольная группа (M = 76,8, SD = 7,1); средняя разница = 8,4, 95% ДИ [4,5, 12,3], t(68) = 4,32, p < 0,001, Коэнов d = 1,02. Для вовлечённости (время на задачу) экспериментальная группа тратила б...

Обсуждение

Это исследование было направлено на проверку центральной гипотезы: что платформа персонализированного обучения с поддержкой GAI может значительно снизить когнитивную нагрузку инженерных обучающихся, повысить эффективность обучения и улучшить как результаты обучения, связанные с ЭСР, так и общий опыт обучения по сравнению с традиционными неперсонализированными инженерными моделями обучения. Наши рандомизированные результаты РКИ полностью эмпирически подтверждают эту гипотезу, при этом три...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Используется для размещения основных моделей ИИ в серверной обработке.
en_core_web_md (модель spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Предварительно обученная общая академическая модель английского языка, используемая для токенизации и лемматизации. Версия: v3.5.
Python	Python Software Foundation	https://www.python.org/	Язык программирования для программной среды. Версия: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Большой, открытый предобученный корпус, полученный из RedPajama.
spaCy	Explosion AI	https://spacy.io/	Библиотека для обработки естественного языка для предварительной обработки текста. Версия: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Открытый фреймворк для машинного обучения. Версия: 2.12.