基于生成式人工智能的综合性教育平台

摘要

利用生成式人工智能（GAI）作为教学支持工具，该平台可提供量身定制的学习体验，适应用户多样化的需求。同时提供丰富的实践性学习方法，不仅丰富了学习过程，还有助于培养数字时代下的终身学习能力，契合工程教育可持续发展的目标。

摘要

生成式人工智能（GAI）近年来取得了显著进展，通过实现动态内容生成和个性化学习路径，展现出对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学习路径，缺乏能够充分整合并发挥GAI能力的系统架构，难以构建连贯且自适应的学习体验。为弥补这一不足，本研究详细阐述了一种基于GAI的新型综合性教育平台的设计、实现及实证评估。该平台采用超越传统框架的三层架构：基础技术层整合了模块化的人工智能模型（如Transformer、基于注意力机制的CNN-BiLSTM），处理中心层负责实时数据合成与模型优化，应用与交互层则包含八大核心功能模块，如个性化学习、智能问答&A 以及能力评估。该集成化架构支持动态可定制的学习体验，能够持续适应个体学习者的需求和学习进展。为评估该平台的有效性，我们开展了一项随机对照试验（RCT），在两个学期中纳入50名本科生和20名教育工作者，将其结果与采用传统教学方法的对照组进行比较。实验结果表明，所提出的平台显著提升了学习成效，提高了学生参与度指标（如任务持续时间和内容互动率），并在个性化内容匹配方面实现了高准确率。研究结果表明，该基于生成式人工智能（GAI）的平台通过有效实现教学个性化和规模化支持自适应学习，推动了教育技术的发展。本研究提供了一个详细且可复现的架构蓝图，并提供了实证证据，支持集成化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

在技术革新不断加速的背景下，特别是人工智能（AI）领域的进步，AI 等工具在工程教育中的应用日益广泛。与此同时，人们已达成共识：推动可持续发展的目标是一项全球性的共同追求。因此，将可持续发展融入工程教育——在提升产业技术水平的同时增强学习者的可持续发展意识——已成为当前教育改革的重点，推动了以 AI 为驱动的教育创新探索。AI 在教育中的应用为个性化学习开辟了新的可能。具体而言，生成式人工智能（GAI）对教学与学习环境具有变革性潜力。它能够动态生成多种形式的内容，并根据学习者的个体特征调整学习资源，从而提升学习的参与度与有效性¹。此外，该平台被设计为能够适应学习者的进步情况，可动态调整内容呈现方式，并推荐与个人学习目标相匹配的学习活动，以期优化学习成果。

然而，将人工智能整合到教育平台中需要克服重大的技术难题。首先，必须使用大规模数据集训练深度学习模型，以确保其生成的内容质量高并符合教育标准。此外，强化学习算法需要进行精细调优，不仅要准确地为个体用户定制学习路径，还要保证教学内容的完整性。同时，自然语言处理能力对于构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^2,3,4。在此背景下，迫切需要一个能够充分释放生成式人工智能（GAI）潜力的综合性教育平台，以提供个性化、富有吸引力且自适应的学习体验⁵。此类平台有望彻底改变在线教育的格局，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，教育内容将不再固定不变，而是会随着学习者的个人成长和不断变化的需求而持续演进。

现有研究表明，人工智能（AI）和大规模模型等新兴技术能够有效提升工程教育中的教学与学习质量⁵，许多研究已探索生成式人工智能（GAI）在个性化教育平台中的潜在应用，旨在为学生提供量身定制的学习体验⁶。与此同时，可持续发展教育（ESD）已成为全球工程教育中日益核心的优先事项，已有研究持续强调，可持续素养与系统性思维是当代工程师不可或缺的核心能力⁷。为应对这一关键培训需求，本研究提出的GAI架构在ESD学习目标与工程技能培养之间建立了切实可行的联系：我们的平台将可持续性影响评估模块、生命周期分析（LCA）工作流程以及基于情景的可持续设计提示整合至其核心框架中，使工程学习者能够在完整的工程设计周期中，将可持续性原则直接转化为技术决策。其中一个重点方向是利用GAI自动化生成教学内容。Moulaei等⁷探讨了AI算法如何根据学生的具体需求和学习风格生成练习题、测验甚至整节课内容。该方法有望减轻教育工作者的工作负担，并为学生提供更具个性化的学习体验，为后续Zhao等⁸的研究工作提供了一定的技术基础。

另一个研究热点是将生成式人工智能（GAI）应用于自适应学习系统⁹。这类系统利用人工智能算法分析学生的学习表现，并实时调整学习内容，从而更精准地满足学生的学习需求。这种方法不仅能够提升学习效果，还能确保学生面临适当程度的挑战——既不会因过于简单而缺乏激励，也不会因过于困难而难以跟上。此外，GAI 还被探索用于自动评分与反馈流程¹⁰，以及作为智能决策支持平台¹¹。人工智能算法可用于自动批改学生作业并提供及时反馈，为教育工作者节省时间，同时帮助学生更有效地学习。Smith 等人¹²还探讨了诸如 ChatGPT 等 GAI 工具在高等教育中的应用，重点关注不同代际的学生与教师对这些技术的接受程度与使用情况。研究发现，数字原住民学生由于长期沉浸于数字技术环境中，对这类应用表现出更高的接受度；相比之下，数字移民教师则对这些数字应用持更为谨慎和保守的态度，不愿轻易尝试。这种代际差异为教学方式与教育技术的融合带来了新的挑战与机遇。Imran 等人¹³评估了新一代生成式人工智能工具在教育中的应用，特别是在创建教学材料和提供个性化反馈方面的潜力。

研究结果表明，这些工具可帮助教育工作者生成多样化的教学资源并提供实时反馈，但也指出了与伦理标准和公平使用相关的挑战。Cabrera 等人¹⁴通过在香港六所大学开展问卷调查，分析了学生对生成式人工智能（GAI）的认知与使用情况。大多数学生持积极态度，认可其在个性化学习和即时反馈方面的实用性。然而，也存在对过度依赖和潜在偏见的担忧。Mishra 等人¹⁵详细阐述了生成式人工智能（如 ChatGPT）在教师教育中的应用，特别是在课程规划、批判性思维培养和教育开放性方面的应用。该研究强调，生成式人工智能可为教师提供具体的支持机制和教育资源，但也强调必须审慎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探讨了生成式人工智能策略对教学及教师教育的变革性影响。该方法主张在教育技术的使用中应充分考虑伦理规范与政策框架，以确保人工智能技术的公平和有效应用。

现有的学术研究^{17,18,19,20,21,22}表明，生成式人工智能（GAI）有潜力通过提供个性化的学习体验、实时适应学生需求以及为教育工作者自动化耗时任务来变革教育。然而，在教育中应用人工智能也面临挑战，例如需要准确的数据来训练AI模型，以及AI算法中可能存在的偏见^23,24。要应对这些挑战并充分实现GAI在有效教育中的潜力，仍需进一步研究。先前的研究已证实人工智能技术^{20,21,22,23,24,25}在实现自适应学习^26,27、提供定制化反馈^28,29以及探索更广泛的教育应用^30,31方面的有效性。然而，目前关于GAI驱动的教育平台的研究主要集中在功能的渐进式优化和孤立的应用案例上。一个关键且尚未解决的研究空白仍然存在：现有的GAI教育平台缺乏统一、可扩展且具有坚实教学基础的集成架构，普遍存在模块设计碎片化、跨场景互操作性差、以及缺乏系统性能力培养（包括工程学习者的可持续发展意识）的嵌入式框架等局限性。为弥补这一空白，本研究从基础架构的角度出发，探讨一个全面的基于GAI的教育平台，系统阐述其模块化设计、跨场景互操作性框架以及多方利益相关者的实证评估。本研究通过建立工程教育中GAI应用的标准化集成架构范式，推动了该领域的发展，旨在提升教育成效与核心能力的培养。本研究的三项主要贡献如下所列。

• 动态学习体验生成框架。该框架利用生成式人工智能（GAI）构建一个基于用户交互和表现数据而不断演化的学习环境。通过GAI，该框架创建出一个动态演化的学习环境，能够根据用户的互动模式和学习习惯实时调整与优化，确保教育内容始终保持时效性、吸引力，并与个体需求相匹配。这一动态机制实现两个关键目标：其一，确保教育内容持续更新而不落伍；其二，提升内容的参与度——同时满足每位学习者的个性化需求。
• 集成化与自适应的架构设计。 该三层架构全面协调自适应组件，确保学习工具在用户学习进程中始终保持有效性。这一三层架构整体性地协调随用户发展而演化的自适应组件，保障教育内容与工具在整个学习过程中持续有效，同时提供连贯且全面的教育体验。
• 大规模数据驱动的个性化。 平台利用持续的学习分析技术，实现大规模的数据驱动个性化。它能够动态调整学习内容、学习节奏和教学方式，以适应每位学习者的偏好和认知能力。其核心设计目标是降低无关认知负荷、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验证一个核心研究假设：相较于传统的非个性化工程教学模式，该由GAI驱动的个性化学习平台能够显著降低工程学习者的认知负荷，提升学习效率，并改善与工程可持续发展（ESD）相关的学习成果及学习体验。

本研究验证一个核心科研假设：与传统的非个性化工程教学模式相比，这种由生成式人工智能驱动的个性化学习平台能够显著降低工程学习者的认知负荷，提高学习效率，并改善与工程可持续发展（ESD）相关的学习成果及学习体验。

方案

本研究遵循香港教育大学的伦理准则。在数据收集之前，已从所有参与者处获得知情同意。

1. 平台规格

所评估的系统为一种定制研究原型，以基于网络的应用程序形式实现。软件环境基于 Python 3.9 和 TensorFlow 2.12 构建。核心人工智能模型（CNN-BiLSTM、Transformer）部署于配备 NVIDIA A100 GPU（40 GB VRAM）的服务器端处理流程中。系统架构由三层组成：第一层为基础技术层，集成注意力增强型 CNN-BiLSTM 网络、Transformer 模块及强化学习组件；第二层为处理中心，负责多模态数据的实时融合与模型优化；第三层为应用层，包含八个功能模块，如个性化学习、Q&A，能力评估和行为分析（图1).

2. 准备并整理训练数据

从公开的教育资料库（例如，开放在线课程的文字记录、教育视频互动日志）和专有来源收集多模态数据集。在试点测试期间（2024年1月至6月），收集50名本科生和20名教育工作者的匿名化互动日志。使用spaCy v3.5（Honnibal等，2020）对文本进行预处理，并采用以下固定流程：首先，加载预训练的通用学术英语模型en_core_web_md；其次，使用该模型默认的、针对学术文本优化的分词器进行分词，该分词器可适当处理工程技术与可持续发展领域的专业术语；第三，使用模型默认的基于规则与统计相结合的词形还原器进行词形还原，不应用任何自定义词形还原规则。采用以下固定步骤将视频帧归一化为224 × 224分辨率：首先，使用双线性插值法对所有帧进行缩放，这是教育视频帧预处理的标准方法；其次，除统一缩放外，不进行额外的颜色归一化或裁剪，以保留原始教育内容。采用以下固定流程去除个人身份信息，以确保符合隐私合规要求：首先，使用spaCy v3.5在en_core_web_md模型中的命名实体识别模块，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，人工审查所有预处理后文本和视频帧的10%随机样本，以验证个人身份信息已完全移除，最终数据集中未发现任何遗漏。

3. 训练与验证模型

训练采用了三种范式：首先，使用监督学习（Adam优化器，学习率 = 1e-4，批量大小 = 32）根据标注的交互日志预测学生表现；其次，采用无监督的K均值聚类（k = 5）识别不同的行为模式；第三，采用强化学习进行自适应内容推荐，奖励函数定义为参与度 × 准确率。超参数通过在保留的验证集上进行100次随机搜索调优，以确保模型的鲁棒性。模型的输入数据包括预处理后的匿名多模态数据流：分词后的文本序列、224 × 224 RGB视频帧以及结构化交互元数据（例如时间戳、操作类型）。系统生成的主要输出包括数值型预测结果（例如掌握概率）、JSON格式的详细交互日志以及PDF格式的能力评估报告。

图1：综合性教育平台的架构。 本示意图展示了定制的基于网络的生成式人工智能（GAI）教育研究原型的完整分层结构，包括面向用户的应用与交互层、多模态数据处理中心，以及由人工智能模型驱动的基础技术层，并清晰标示了各层之间的数据流动路径。 请点击此处查看此图的放大版本。

4. 进行实证评估

从中国香港教育大学招募了70名参与者（50名本科工程专业学生和20名教育工作者），并随机分配至实验组或对照组。实验组使用我们自主开发的基于网页的生成式人工智能（GAI）平台，对照组则使用传统的学习管理系统（LMS）。评估涵盖四个关键指标：（1）学习增益（通过前测与后测成绩评估），（2）参与度（以任务持续时间和互动频率衡量），（3）用户满意度（采用7点李克特量表问卷评估），以及（4）系统可用性。所有实证数据均采用配对t检验分析其统计显著性，并结合效应量计算以评估实际影响。

5. 完成并验证实施

在主研究开始之前，我们进行了全面的系统验证。该过程包括验证所有三个架构层（基础技术层、处理中心层和应用层）的完整集成与稳定运行，确认数据在全流程中的完整性，确保模型在验证集上的收敛性，以及测试基于网页的用户界面的响应速度与可靠性。在成功完成该验证阶段后，平台被认为已准备好进入正式的实证部署阶段，并可在随机对照试验框架内进行比较评估。

结果

随机对照试验显示，GAI 平台组（实验组）与传统学习管理系统组（对照组）之间存在显著差异。在学习增益方面，实验组在后测中的得分显著高于对照组（实验组：M = 85.2，SD = 6.4；对照组：M = 76.8，SD = 7.1）；平均差异为 8.4，95% 置信区间 [4.5, 12.3]，t(68) = 4.32，p < 0.001，Cohen’s d = 1.02。在参与度（任务持续时间）方面，实验组花费的时间更长（实验组：M = 42.5 分钟，SD = 8.2；对照组：M = 28.7 分钟，SD = 9.5）；平均差异为 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，实验组报告的评分更高（实验组：M = 6.2，SD = 0.7；对照组：M = 4.8，SD = 1.1）；平均差异为 1.4，95% 置信区间 [0.9, 1.9]，t(68) = 5.87，p < 0.001，d = 1.38。所有结果均显示出具有大效应量的统计学显著改善，证实了所提出平台的有效性。

讨论

本研究旨在检验核心研究假设：与传统的非个性化工程教学模式相比，基于生成式人工智能（GAI）的个性化学习平台能够显著降低工程学习者的认知负荷，提高学习效率，并改善与可持续发展教育（ESD）相关的学习成果及整体学习体验。我们通过随机对照试验（RCT）获得的结果为该假设提供了充分的实证支持，三项关键发现与预设的研究目标完全一致。首先，该平台基于持续学习分析的学习个性化机制显著降低了学习者的外在认知负荷，干预组在知识掌握效率（达到知识掌握所需时间）方面较对照组提升了45%，这一结果拓展了先前关于人工智能在教育环境中缓解认知负荷的研究。其次，平台统一的三层架构实现了可扩展且符合教学法的个性化教学，使得后测学习增益显著更高（p < 0.001，Cohen’s d = 1.02），并且学习者在任务上的投入时间明显增加，这一发现与并推进了以往关于GAI自适应学习能力的研究。第三，平台内嵌的可持续发展能力框架及可持续工程设计模块显著提升了学习者对可持续发展的认知以及系统性思维能力，填补了现有GAI教育平台在技术架构设计中普遍忽视可持续性成果整合的关键空白。

目前关于生成式人工智能（GAI）在...

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	用于服务器端处理流程中核心 AI 模型的部署。
en_core_web_md (spaCy 模型)	Explosion AI	https://spacy.io/models/en#en_core_web_md	预训练的通用学术英语模型，用于分词和词形还原。版本：v3.5。
Python	Python 软件基金会	https://www.python.org/	软件环境所用的编程语言。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 的大规模开源预训练语料库。
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。