随着科技的迅猛发展和互联网技术的普及，传统的教育模式正面临着深刻的冲击。传统的线下教学往往伴随着一系列问题，例如以教师为中心、学生参与度不高、创新能力培养不足、标准化教学无法满足个体差异等。正是在这种背景下，“互联网+教育”^[1]模式应运而生。在早期的“互联网+教育”中，学生可以获取大量且高质量的教育资源，摆脱了时间和地点的限制，实现随时随地地学习。同时，教师也可以通过线上线下相结合的教学方式，来提升课堂的趣味性和课后的拓展性。然而，这种教育模式虽然解决了部分传统教育的问题，但仍然存在学生个体差异和课堂参与度低等挑战。

随着大数据时代的到来，海量的学习数据涌入。然而，传统的机器学习模型难以应对如此庞大的数据量，学习效率低、计算资源需求高成为了制约因素^[2]。为了应对这些挑战，近两年来，大语言模型(large language models, LLMs)相继出现，成为人工智能(artificial intelligence, AI)领域最热门的研究方向之一。这类模型能够更好地处理大规模数据，提高学习的速度和精度，为教育领域的发展提供新的可能性。

大语言模型是一种由数百亿甚至数千亿参数构建而成的神经网络模型，能够有效地实现问答、翻译、聊天等自然语言处理任务^[3]。由于其庞大的参数量，大语言模型能够处理大规模数据和复杂任务。在教育领域中，数据往往以文本形式存在，包括各种问答、题目、教材等，因此大语言模型与教育领域具有天然的契合性^[4]。智慧教育则是将人工智能技术应用于传统教育上，对其进行改良优化，来消除一些存在的弊端^[5]。教育大模型(educational large models, EduLLMs)是将大语言模型与教育相结合的产物。模型通过大规模数据集的训练，能够提供个性化定制教学、辅助学习、教育管理以及教育评估等功能^[6-7]。

由于教育大模型采用大量的学习数据，因此能够准确地了解学生的学习特点和方式。教育大模型能捕捉到学生学习的薄弱部分，通过个性化定制的方式，对这方面进行加强。与早期的人工智能产品相比，教育大模型具有上下文学习优势，在问答环节中能生成准确的内容，同时语句也更加流畅，能够帮助学生解答各种问题。此外，对于教师而言，利用教育大模型能够准确地了解每位学生在学习上的优势与不足，帮助教师评估每位学生^[8]，调整和优化接下来的课堂教学，从而更好地开展教育工作。

最近推出的教育产品多数采用大语言模型作为主要卖点来进行宣传。这些产品制造商深知未来教育的趋势是朝着多元化、个性化和精准化的方向发展^[9]。然而，教育大模型也存在一些限制。在学生层面，尽管正常使用教育大模型可以解答疑惑、理解不懂的知识，但是如果过度依赖，学生会失去主动思考问题的能力^[10]。因此，开发者需要制定相应的限制措施。另外，在教师层面，如果教师之前没有接触过或使用过教育大模型，他们可能无法充分发挥模型的功能。为此，有必要为教师提供专业的培训，使他们能够迅速上手并高效地使用教育大模型^[8]。

本文首先对大语言模型、现代教育和教育大模型的特点进行总结，其次列举了教育大模型的应用，介绍了目前教育大模型的共性以及差异性特点，再对教育大模型的训练步骤进行说明，最后指出了教育大模型的局限性，对未来教育大模型进行展望及总结。

1.   大语言模型在教育中的特点

本章将探讨大语言模型的特点、现代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

Fig.  1  Characteristics of EduLLMs

下载: 全尺寸图片

1.1   大语言模型的特点

大规模　大规模是大语言模型的核心特点之一，模型通常具有庞大的参数量和训练数据量。2017年，Vaswani等^[11]提出了基于自注意力机制的Transformer架构后，各种大语言模型问世，从一开始十几亿、上百亿参数量的GPT-2(generative pre-trained Transformer 2)^[12]模型和T5(text-to-text transfer Transformer)^[13]模型， 到后来有1 750亿参数的GPT-3^[14]，甚至万亿参数量的PanGu-Σ^[15]、GPT-4^[16]等。模型参数量越多，它在语义理解、信息生成等任务上会表现得更出色。同时在训练过程中，模型会使用海量的文本数据集，来捕捉语言的多样性和复杂性，提高模型在各种自然语言处理任务中的性能。

泛化能力　大语言模型的泛化能力^[17]，指的是模型能够在未见过的数据上保持良好的性能，得益于在庞大的、多样化的数据集上学习到的语言结构和语义信息。利用Transformer提取特征，在少样本甚至零样本下，也能较好地完成任务。例如，GPT-3 能够灵活地适应多种语言任务，如写作、编程和翻译，展现出强大的泛化能力，成为自然语言处理领域的关键工具。

上下文理解和生成能力　大语言模型具有强大的上下文理解和生成能力，这种能力源于模型对大量文本数据的训练，使其能够理解语言中的细微差别、上下文关系和语义层次^[18]。模型能够根据前文信息生成与主题相关的段落，甚至在长篇文章中保持一致的风格。这种上下文理解能力使得模型在问答、对话生成和故事创作等任务中都有高质量的输出，展现出强大的语言能力。

零样本和少样本学习　零样本学习指的是模型能够在未见过的任务上直接进行推理和生成，而少样本学习是允许模型在提供少量示例的情况下进行推理输出。大语言模型在零样本和少样本学习能力上表现出色^[19-20]，用户向模型提供简单的指令或例子，模型可以自动推断出任务要求，生成符合预期的文本，使得大语言模型在实际应用中具有更广泛的适用性和更高的效率。

推理能力　大语言模型具有强大的推理能力，模型能够在文本生成和回答问题时进行逻辑推理和判断。这种能力使模型不仅能够识别和生成语言，还能理解其中的因果关系和逻辑结构^[21]。在训练过程中，模型学习到文本中大量的隐含信息和推理模式，在面对复杂问题时，能够结合上下文推导出合理的结论。这种推理能力增强了模型在对话系统、知识问答和文本生成等任务中的表现，使其能够提供更精准、更符合逻辑的回答，甚至解决数学问题或进行情景分析。

1.2   现代教育的特点

个性化学习^[22]　个性化学习是现代教育的一个重要发展方向，它根据每个学生的学习风格、兴趣、能力和进度来定制教学内容和方式。与传统的一刀切教育模式不同，个性化学习尊重学生的个体差异，为他们提供量身定制的学习资源和路径。这种方法不仅提升了学生的学习效果，还增强了他们的学习兴趣和参与度。通过大数据分析和人工智能技术，教师和教育机构也可以更准确地了解学生的需求，实时调整教学策略。

互动性与参与性^[23]　互动性与参与性是现代教育强调的核心特征之一。教育不仅仅是知识的传递，更是一个师生、同学之间相互交流和启发的过程。通过小组讨论、项目学习和情景模拟等互动方式，学生可以更深入地参与到学习活动中来，增强对知识的理解和应用能力。相较于被动接受知识的学生，主动参与的学生对知识的掌握往往更为牢固。如今，在线教育平台和数字化工具的普及，为互动和参与提供了更多的可能性。例如，在线讨论、实时问答和虚拟课堂等应用，即使学生处于远程学习环境中，学习参与度也能保持高水平。这样的互动学习不仅提高了学生的解决问题的能力，还增强了团队合作和沟通技能。

科技融合^[24]　随着科技的发展，教育与技术的融合成为必然趋势。人工智能、大数据、虚拟现实(virtual reality, VR)等技术的应用，为教育带来了革命性的变化。人工智能技术能够分析大量的学习数据，为学生提供准确的学习建议；大数据可以为教育决策提供科学依据，帮助学校制定更加合理的教学策略；而虚拟现实技术让学生能够体验到沉浸式的学习场景，让抽象的概念变得直观生动。这些技术的应用不仅提升了教学效率，还打破了传统教育对于时间和空间限制，让学生可以随时随地进行学习。例如，MOOC(massive open online course)等教育应用让知识传播更加广泛，使更多人能够接触到高质量的教育资源，推动了教育的公平性。

终身学习^[25]　现代教育越来越强调终身学习的理念，认为学习不应该局限于学校，而应该贯穿人的一生。随着科技和社会的快速发展，知识更新的速度加快，传统的学历教育不能够满足人们对新知识和新技能的需求。终身学习不仅是一种学习模式，更是一种适应现代社会的生存策略。通过鼓励终身学习，教育能帮助个体在职业生涯中不断更新自我、提升自己，以适应变化多端的职场需求和社会环境。这种终身学习理念为教育注入了持续创新的动力，帮助人们在各个阶段都能获取知识和技能。

综合素质培养　当今社会对于人才的需求已经从单纯的学术能力转向综合素质的发展。现代教育在重视知识传授的同时，也越来越关注学生的情感智力、社交技能、创新能力和道德素养的培养。这种综合素质教育理念不仅是为了学生的个人成长，也是为了帮助他们更好地适应未来社会的多元化挑战。例如，许多学校设置了创新课程、心理健康咨询和社区服务项目，来培养学生的全面素养。此外，综合素质的培养还有助于学生在复杂的社会环境中找到平衡，提升他们的适应力和领导力。通过综合素质的培养，教育目标不再仅是知识的获取，而是帮助学生成为具备多元能力的全面发展人才。

1.3   教育大模型的特点

定制化学习路径^[26]　教育大模型通过大数据分析，能够为每位学生量身定制独特的学习路径。这种路径不仅依据学生的知识水平，还会参考他们的学习风格和兴趣点，确保学习过程更加高效且符合个人需求。例如，对于学习速度较慢的学生，模型提供循序渐进的课程，而对于学习能力较强的学生，则推荐更具挑战性的内容，以激发他们的潜力。

自动生成学习资源　教育大模型的生成能力让它成为学习资源的强大供应源。无论是试题、习题解析，还是课程内容，模型都可以自动生成^[27]，甚至能根据课程进度动态调整内容。这意味着教师可以将更多时间投入到课堂教学和个性化指导中，而学生也能获得丰富的学习材料。在日常学习中，学生可以根据自己的需求获取实时解答和学习建议，大大提升了学习的便捷性。

跨模态交互能力^[28]　部分教育大模型支持多模态交互，能够处理文字、图像、语音等多种输入形式，极大丰富了学习体验。例如，在物理实验课程中，学生可以通过图像形式输入实验数据，模型来生成相应的解释，帮助学生理解实验过程。此外，模型的语音识别和生成能力允许学生通过语音进行提问，同时生成语音回答，模拟真实课堂中的互动，尤其适合低龄儿童和有特殊需求的学生。

精准学习诊断^[29]　教育大模型通过对学生的学习数据进行分析，可以提供精准的学习诊断。模型能够识别学生对知识的掌握程度，生成详细的分析报告，包括学生在哪些知识点上需要改进，或者在哪些方面具备优势。教师可以基于这些数据进行针对性的教学安排，而学生也能够根据报告及时调整学习计划，弥补自身不足。精准的学习诊断帮助教师和学生都能高效地利用教学资源，避免无效的重复学习。

全周期学习支持　教育大模型不仅服务于在校学生，还为学习者提供终身支持。模型可以根据职业发展需求或个人兴趣提供个性化的学习资源，帮助学习者不断更新知识和提升技能。对于职场人士，教育大模型可以生成符合行业需求的培训课程和相关资料，帮助他们提升竞争力。这样的支持体系确保了学习的连续性和灵活性，让学习者在不同的阶段都能获得高效的知识支持。

2.   教育大模型的应用

近年来，大语言模型如谷歌的PaLM^[30]、T5，Meta公司的LLaMA^[31]还有OpenAI推出的ChatGPT^[32]、GPT-4等，它们的发展极大地推动了自然语言处理领域的进步，它们能够做到文本生成、辅助翻译、问题回答、资料查找并总结等，能够为学术研究和商业应用开辟广阔的道路。随着对自然语言处理特别是大语言模型的不断探索和改进，大语言模型的能力进一步增强。得益于其出色的文本处理和生成能力，大语言模型非常契合教育的应用。这些模型能够处理和分析大量的教育数据，从而提供个性化的学习体验，评估学生学习情况，预测学习成果，以及辅助教育决策等。

当前，许多教育技术产品的核心在于通过人工智能和数据分析技术来提升教学体验。这些产品通常聚焦于特定的应用场景，如个性化学习、辅助写作和研究^[33]、评估与测试等。通过分析学生的学习行为、考试成绩以及其他相关数据，为每位学生提供定制化的学习方案，同时帮助教师更高效地管理教学过程和评估学生的学习成果。

在教育技术领域，除了这些专注于特定任务的模型，近年来还出现了一些更具代表性的教育大模型。这些大模型不仅是工具或辅助系统，它们拥有强大的数据处理和分析能力，能够处理和分析海量的教育数据，包括学生的互动记录、作业提交、考试成绩以及教学内容等。通过挖掘大量数据中的模式和趋势，这些教育大模型不仅为教育决策提供支持，还可以直接介入教学过程，创造自适应的学习环境，并提供个性化的教学内容。

例如，这些教育大模型在开放式问答、知识检索、作文批改、情感支持^[34]、问题答疑等方面展现出强大的应用潜力。它们不仅能够动态调整学习内容以适应学生的需求，还能为教师提供关于教学效果的实时反馈。教育大模型的广泛应用为教育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介绍了教育大模型在教育上的应用。

2.1   垂直领域教育大模型

2023年6月9日，科大讯飞发布了星火语伴APP，搭载了讯飞星火认知大模型。该大模型于2023年5月6日发布，原本为通用领域大模型，经过优化适配后，成为了垂直领域教育大模型。该大模型在中文通用大模型评测基准SuperCLUE(super Chinese language understanding evaluation)^[37]上位列中国第一，全球第三。星火语伴精通中英文，能够随时练习口语；也能作为文本问答工具进行对话；还能够对英语口语发音进行评测并纠错；可以现场模拟口语考试，帮助口语薄弱者提高口语水平。

2023年8月5日，华东师范大学计算机科学与技术学院EduNLP团队推出了教育大模型EduChat。这是一种基于大语言模型的智能教育聊天系统，主要应用于智慧教育领域。模型提出并解决了两个教育大模型存在的问题：第一个是大语言模型与教育专家之间的知识差距，不能与现实保持一致；第二个是大语言模型不能实时跟进教育领域的最新知识，还会产生幻觉问题。为了应对这些问题，EduChat首先在教育书籍和数百万个定制指令上进行了预训练，以获得教育基础知识，并在心理学专家和教师的反馈指导下进行微调，让模型获取教育的特定功能。此外，它引入了检索增强技术，允许模型自动判断检索信息的有效性，并基于相关信息和模型内的知识生成回答，以确保回答的准确性和可信度。EduChat也可以联网来获取最新的教育资源，确保问题回答的时效性。EduChat的核心功能有4点：开放式问答是利用互联网上实时更新的语料库，EduChat采用检索增强方法，使其能够自主评估并检索信息的相关性，显著提高了准确性；作文批改是让EduChat提供全面的作文评估，包括综合评分、方面级别评分和详细评论，以满足学生个性化指导的需求；启发式教学通过苏格拉底法^[38]的对话方式和多步骤的问答互动，目的培养学生的认知技能和自主学习能力，来提高批判性思维和创新能力；情感支持基于情绪心理学框架，提供个性化诊断和情感支持，分析用户的情感问题并深入了解用户的情感状态，提供准确和专业的帮助。团队还开发了一个演示系统，用户可以通过直观的界面选择多种功能，如开放问答和情感支持等。用户可以轻松地与EduChat进行互动对话，以帮助学生、教师和家长。该系统还具备自适应功能，不断从用户交互中学习，获得提高，以便提供更加个性化和有效的帮助。未来，EduChat计划扩展更多功能，如职业规划、课程指导和问题生成等。

2023年9月18日，浙江大学与高等教育出版社、阿里云等单位共同研制教育领域垂直大模型“智海−三乐”，此模型基于阿里云的通义千问(7B，“B”代表“十亿”)开源大模型进行开发，将教材和论文这些高质量语料作为预训练数据，用专业指令数据进行模型的微调，同时拥有搜索引擎、计算引擎和本地知识库等功能。“智海−三乐”与《人工智能引论》^[39]相融合，可作为学生学习计算机核心课程的重要工具之一，也可作为AI助教、学习助手。模型的发布推动了产教融合，使得教学迈向数字化和智能化。此外，也有许多高校(如清华大学、北京大学、南京大学等)开始启用AI助教，这些AI助教深度介入课程中，能够提供24小时的个性化学习支持、评估和反馈，同时帮助学生更好地思考，获得创造性的灵感。在未来，AI助教将在更多的课程中得到应用，加速人工智能与教育相融合。

由于教育大模型刚处于起步阶段，所以开源的教育大模型数量较少，但是有不少企业正进军此领域，积极地将教育大模型落地，开发大模型的应用。由此，2023年7月26日网易有道发布了国内首个教育领域垂直大模型“子曰”。首先，它能够根据学生的需求提供定制化的分析和建议。其次，模型通过模拟教师的引导方式，提出一些问题，激发学生通过自主探索找到问题的答案。最后，由于模型能够接入多模态知识库和整合跨学科的知识内容，因此可以灵活应对学生的学习需求，帮助学生培养综合能力。并且网易有道还发布了基于“子曰”大模型开发的一些应用，如翻译、口语教练、作文指导、语法精讲、AI Box及文档问答，充分展现了大语言模型在教育领域的广泛应用前景和发展方向。在2024年1月4日，网易有道发布教育大模型“子曰”2.0版本，在1.0版本基础上，对模型的口语对话能力、知识问答能力和文字处理能力进行了升级。作为行业内首个教育类的垂直大模型，其标志着教育大模型开始进入应用阶段，推动了行业新发展。

2023年8月，好未来发布的学而思九章大模型(MathGPT)是在数学领域中应用的教育大模型，主要是以解题和讲题为核心开发的。MathGPT并没有基于现有的大语言模型进行开发，而是自主研发，这样虽然技术难度高，但是能够打造出自主稳定的模型。模型能够做到解题准确率高、解题步骤稳定且清晰、解题过程有趣且富有个性化。在CEval-Math(Chinese evaluation math)、AGIEval-Math(artificial general intelligence evaluation math)、APE5K、CMMLU-Math(Chinese multi-modal learning for understanding math)、GAOKAO-Math、Math401这6个数学测试集中，MathGPT取得了多项测试的最高分，并且在C-Eval^[40]中学的测试中，相比于ChatGLM2(chat general language model)和ChatGPT都有更好的表现。

2024年1月5日松鼠Ai发布国内首个智适应教育大模型，将多模态技术融合到教育大模型中。模型由数据层、模型层和应用层组成，通过大规模的学习资料、效果、行为等数据输入到模型层中，再对应用层面进行开发。该模型能够快速描绘出学生学习行为和习惯，为学生提供个性化服务，从而进一步提高学生的学习效率。此外，人们往往只关注学习而忽略了情绪这一点，情绪也会影响学习进度和学习效率，所以模型同时会关注学生在学习中的反应，给学生正面的反馈来改善学生的情绪，解决许多潜在的心理问题，来获得更好的学习状态。

2024年4月16日超星集团发布超星汇雅大模型，模型使用30年积累的海量图书、期刊、报纸等资源进行训练，模型的参数量达到340亿。汇雅大模型具有文本生成、语言理解、知识问答和逻辑推理等核心功能，支持多样化的教育场景应用。基于实际教学需求，超星集团开发了一系列AI工具，如机器阅读、视频理解、内容安全检测、相似度分析和AI助教等，为科研和教育提供智能支持，助力智慧校园建设。超星AI助教与泛雅网络平台深度融合，为学生在课前、课中、课后全程提供个性化辅导。模型还融合图像、语音技术，支持虚拟形象互动，推动资源数字化，促进跨学科知识网络的构建。汇雅大模型同时具备查重和学术管理功能，有效提升学术不端识别及文献管理效率，为教育与科研场景提供了全面、智能的支持。

2024年5月15日猿辅导开发的看云大模型正式通过大模型备案，之后在旗下的海豚AI学、飞象星球、斑马APP、猿辅导素养课、小猿学练机等产品上进行落地测试。通过嵌入看云大模型，这些产品在个性化学习、实时反馈和互动体验上有明显提升，为学生提供了更灵活、适应性更强的学习支持。看云大模型不仅能够满足学生在不同学科中的知识答疑需求，还可以动态调整反馈内容以适应不同学习阶段，为学生提供个性化、智能化的辅导，提高学习效率。

对于国外来说，多邻国(Duolingo)与可汗学院(Khan Academy)在GPT-4发布之后第一时间就分别推出了Duolingo Max平台和AI智能工具Khanmigo，二者都是与OpenAI进行合作的成果，在学生个性化、反馈方面提供帮助。大语言模型融入教育领域，会对智能化、数字化教育进行重塑，很大程度上改变了以往的学习方式，使得学习变得更加轻松、高效。

2.2   通用领域教育大模型

ChatGPT和GPT-4作为通用的大语言模型，应用领域非常广泛，涵盖金融、法律、医疗、交通等许多方面，在教育领域中也不断地进行拓展和优化。ChatGPT在医学问题的回答任务上取得了显著的进展^[41]，该模型的回答水平相当于3年医学生的及格线。另外研究人员使用ChatGPT对美国医学执照考试(United States medical licensing examination, USMLE)的性能进行了评估^[42], ChatGPT的表现达到了60%的及格线，ChatGPT还是在人类没有进行专门输入的情况下取得的这一成绩。Rizzo等^[43]的研究表明，GPT-4的水平相当于一个二到三年级的住院医生，而GPT-3.5 Turbo则相当于一个一年级住院医生。ChatGPT在提供答案时通常逻辑性很强，并且回答的答案还具有相关的背景信息。这些研究表明，像ChatGPT这样的大语言模型有望在医学教育中帮助学生，来促进医学学习的进步，未来在医学教育使用大语言模型的人数会持续增加。

在高等教育上，对于高校学生来说，ChatGPT的用途多种多样，包括考试准备、翻译文献和创建需要的代码等。它甚至可以处理更复杂的科学写作，比如总结文献和改写文本，GPT-4更能识别流程图、对结构图图像进行解释^[44]。另外，Dempere等^[45]提到，ChatGPT简化了招生流程，提升了学生学习质量，增强了教学效果，为科研提供了更多的支持。因此，将ChatGPT整合到高等教育中是必要的。然而，同样还有一些问题有待解决，包括隐私泄露、AI滥用、偏见问题、模型幻觉、减少人际互动以及可访问性问题等。

在具体学科中，以ChatGPT为主要模型，大语言模型在物理学^[46-47]和化学工程教育^[48]中发挥作用。ChatGPT等大语言模型有能力解决物理学领域中的定量推理任务，并且能模拟不同学生群体对物理概念的回答。同样地，ChatGPT在化学工程领域也有着不错的应用，并且作为解决实际问题的工具，有助于增强学生的批判性思维和问题解决能力。适当的设计和提示，提高了这些模型在教育工具中的有效性和实用性。

在学生使用方面，学生可以将大语言模型如ChatGPT作为撰写论文的辅助工具，它能够收集资料、生成大纲、提供语言表达建议、自动整理引用格式，以及检查内容一致性等。此外，ChatGPT还能模拟不同观点来丰富论文内容。然而，学生应该批判性地使用ChatGPT，在教师的指导下适当地使用此类工具，以确保论文的原创性和学术诚信，充分发挥出ChatGPT在学术写作中的辅助作用，同时保持独立思考和创造性。

在教师使用方面，教师可以使用ChatGPT对学生的学习成果进行评估，根据得到的评估结果来改善学生学习进度。ChatGPT可以作为教育自动反馈系统(automated feedback systems, AFS)为教师提供反馈，与人类教师相比，模型能够生成更详细、更流畅的反馈意见，同时评价与人类教师也高度一致^[49]。ChatGPT还在小学数学课堂评估对话、提供教学策略和建议，经过专家评估，ChatGPT生成的反馈与教学改善相关，但是缺乏创新性^[50]。所以ChatGPT 作为评估系统，在优化教师教学方法、提升教学质量方面展现出巨大的潜力，能够快速且准确的判断学生水平并提供反馈，但在评价创新性方面还有不小的挑战需要去攻克。

2.3   教育大模型的技术维度比较分析

在教育大模型的快速发展中，模型在多模态融合、个性化学习、情感支持、智能评估和知识支持等技术维度上展现了丰富的应用潜力。本节对主要的教育大模型进行了深入比较分析，并从中提炼出它们的共性特点及各自的独特优势，来指导不同教育需求的模型应用选择。

2.3.1   共性特点

多模态融合　许多教育大模型支持文本、语音、视频等多模态输入形式，以适应多元化的教育需求，如超星汇雅大模型、智适应教育大模型、星火语伴、看云大模型和ChatGPT。这种多模态特点为课堂教学、课后辅导等场景提供了灵活的交互体验，增强了模型在复杂教育场景中的适应性。

个性化学习支持　这些模型普遍强调个性化学习路径的构建，通过分析学生的学习行为、答疑需求和知识掌握情况，实现动态调整。EduChat、智适应教育大模型、看云大模型和GPT-4在个性化学习支持方面表现优异，为学生提供了更精准的学习辅导。

情感支持　许多教育大模型不仅关注学生的学业需求，还能为学生提供情感支持，帮助他们改善学习过程中产生的负面情绪。EduChat和智适应教育大模型在情绪分析技术的应用上表现出色， GPT-4的情感支持功能也逐步应用于教育场景，为学生提供心理支持与疏导，并提升学习的动力。

智能评估与反馈　大部分模型具备自动评估和即时反馈功能，如作文批改和口语评测，它们为学生提供实时的学习改进建议。超星汇雅、星火语伴、EduChat和ChatGPT都具有作文评估、语言纠错等功能，让学生在学习过程中获得个性化的反馈，从而提高学习效率。

大规模知识支持　这些模型基于大规模文本数据进行训练，涵盖广泛的学科知识。超星汇雅依托海量图书和期刊资源，“智海−三乐”采用高质量教育语料库，EduChat集成了教育书籍和指令库，ChatGPT在广泛的领域中均有应用，为教育场景提供了丰富的知识支持。

2.3.2   差异性特点

星火语伴专注于中英文口语评测和实时语法纠错，特别适合口语考试和日常对话练习。模型在SuperCLUE中文通用评测中表现出色，尤其在中文处理方面具备明显优势。

EduChat解决了大语言模型在教育中的“知识差距”与“幻觉”问题。通过检索增强技术和专家指导下的微调，EduChat实现了知识的实时更新，适用于需要动态知识的教育场景。其启发式教学和情感支持功能进一步提高了学生的认知和心理能力。

“智海−三乐”基于阿里云的通义千问模型，重点关注计算机课程辅导和学术资源管理，广泛应用于高校课程。它与多所高校合作，开发了24小时AI助教系统，是高校教育中的创新工具。

“子曰”模型支持自适应学习和知识扩展，特别适合多学科的辅助教学。该模型通过模拟教师引导，激发学生进行自主学习，并能整合多模态知识库，广泛应用于难题解析、语法精讲等多种场景。

MathGPT作为数学领域专用的大语言模型，解题准确率高并且解题步骤清晰。它在多个数学测试中表现优异，为数学教育提供了精准的解题与知识拓展支持。

超星汇雅大模型结合实际教学需求，提供了相似度分析、内容安全检测、AI助教等工具，与泛雅网络平台深度融合，帮助构建跨学科知识网络，是智慧校园建设的有力助手。

看云大模型在猿辅导旗下多款产品中应用，主要面向个性化学习和实时互动，通过动态知识答疑和个性化反馈提供全面支持，适用于K-12教育和多学科辅导。

智适应教育大模型关注学生情绪因素和个性化学习，通过多模态技术提高学习效率，适合需要高度个性化支持的教育场景。

Duolingo Max和Khanmigo基于GPT-4，专注于语言学习和科学教育，支持个性化互动和实时反馈，尤其适合国际化语言学习和科学理论学习需求。

ChatGPT和GPT-4作为通用大模型的代表，在教育领域的应用逐步深化，适用于英语、科学、数学等学科，能够提供详细的问答、语言分析和文本生成支持。模型具有广泛的知识储备和灵活的交互功能，在全球教育场景中具有强大的应用潜力和适应性。

3.   如何训练教育大模型

目前以ChatGPT为首的大语言模型的构建主要包括4个阶段：数据预处理、无监督预训练、有监督微调和模型评估与测试^[3]。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

Fig.  2  Process of building EduLLMs

下载: 全尺寸图片

3.1   数据预处理

数据预处理是大语言模型的关键步骤，因为模型的性能很大一部分取决于输入数据的质量。首先是寻找大语言模型关于教育类的数据集，这类数据集大多以文本的形式出现，涵盖学习教材、历年的考试题目、发表的论文等，帮助模型提升在个性化教学、问题解答和作业评分等任务中的能力。数据集主要分为2种，即通用文本和专用文本。通用文本主要作用是为模型提供广泛的知识基础和增强模型的泛化能力。专用文本则更多地关注特定的领域或主题，提高特定领域的专业性。当收集完数据集之后，需要对数据进行预处理。因为教育数据来源广泛，质量参差不齐，有些还包含学生的个人信息和学习记录，容易引发隐私与安全问题，这些都会影响教育大模型训练的性能，所以拥有一个相对干净的数据集是非常重要的。因此，对数据进行预处理可以提升数据质量，使模型发挥出更准确可靠的性能。可以使用他人已经预处理好的数据集，也可以自己使用相关预处理工具来对数据进行处理。表2简要列举了训练教育大模型常见的数据集。

3.2   无监督预训练

当数据集完成预处理之后，就可以开始进行预训练。大语言模型当前正处于快速发展阶段，由于模型非常复杂，个人很难去进行大语言模型的开发，通常都是由团队进行。所以个人想要去训练教育大模型，一般会使用开源的模型，这类模型在通用文本上已经训练相当长一段时间，对通用知识掌握全面，后续只需要在此基础上使用专用文本进行训练，来保证模型对教育领域的指向性。表3列举了一些开源项目。

3.3   有监督微调

当预训练完成之后，模型掌握了丰富的语言知识、语言识别能力和上下文处理能力，从而具备了对语言的泛化理解。然而，为了使模型能够在教育领域中获得更好的性能，能够更好更精准地回答教育领域的问题，需要对模型使用标注数据(即每个样本都有正确答案或标签的数据)来优化模型在特定任务上的表现。这个过程调整并优化了模型的权重，使模型能够更好地处理与训练数据。但是由于大语言模型的参数量巨大，如果在微调过程中对所有参数进行更新，会导致巨大的存储和计算成本。所以使用高效的微调方法，改变模型中相对较少的参数，保留大部分从预训练学到的知识，同时也能获得良好的性能，这是微调阶段常见的手段之一。表4列举了常见的微调方法。

训练选用的数据集应该是少量、高质量且包含正确标注的，同时需要根据自身想要实现的教育功能去寻找或者自己创建数据集。比如在EduChat中，研发人员想要模型提供更适合中文环境的情感支持，他们通过将广泛使用的英文情感支持数据集ESConv(emotion support conversation dataset)^[86]翻译成中文并进行人工审查和清理，创建了ESConv-zh数据集。此外，他们为了提高学生写作技能，创建了一个作文评估数据集，其中包括由ChatGPT评估的论文和教学专家手工整理的评论，目的是为学生提供及时且细致的反馈。

3.4   模型评估与测试

构建教育大模型的最后一个步骤是大语言模型的评估和测试，它也是整个模型开发过程中关键步骤，目的是确保模型的性能满足预定的标准和应用需求。这不仅有助于提高模型的性能，还确保模型的使用符合伦理和合规性要求。使用教育类测试集来进行测试和评估，例如数学类的GSM8K(grade school math)和MATH，利用测试结果寻找大语言模型的缺陷，评估的结果可以指导后续的模型调整和改进。表5列举了常见的教育测试数据集。

教育大模型的训练是一个复杂的过程。首先，需要收集大量的文本数据，并进行大量的预处理，包括清洗、标记化以及其他必要的格式调整。随后进行预训练，这一阶段模型学习语言的基本特征和结构。之后，模型使用特定教育任务的数据集进行微调，来适应教育相关的应用场景。在整个过程中，模型需要在不同的数据集上反复评估和调整。最终，经过训练和优化的模型能够理解和生成语言，以解决各种复杂的自然语言处理任务。

4.   教育大模型的机会与挑战

4.1   局限性

教育大模型，如ChatGPT、EduChat和其他类似的模型，在教育领域应用非常广泛，但同时也普遍存在一些局限性。

理解与推理的局限性^[97]　虽然教育大模型在语言处理和生成上表现出色，但是其理解能力依然是基于统计模式，而非真正的语义理解。这意味着在处理复杂逻辑推理或创造性思维任务时，模型的表现往往不够理想。例如，GPT-4虽然在语言流畅性和回答准确性上有所提升，但面对多步骤推理问题(如高阶数学证明或科学研究设计)时，模型会生成表面上合理但推理不完整的答案。在解答涉及多步逻辑的几何问题时，模型会跳过关键步骤，导致回答不准确。

知识更新问题^[98]　教育大模型的训练数据通常截止于特定时间，因此无法获取训练结束时间点以后的最新知识。例如，学生若向教育大模型咨询关于最新的量子计算技术或新发布的教育政策，模型可能会提供过时的解答。例如ChatGPT，当学生提出与最新研究相关的问题时，模型的回答会遗漏近几个月的发现，导致学生无法获取最新且准确的学术信息。

不准确信息^[99]　教育大模型在生成内容时有时会出现“幻觉”现象，生成看似合理却不正确的内容。在缺乏人类监督的情况下，模型可能会输出误导性甚至完全错误的信息。例如，在历史学或医学问题中，模型会生成并不存在的事件或医学事实，学生可能因为这些误导信息而对所学知识产生误解。这类不准确信息尤其在专业领域(如法律或科学研究)中会带来较大风险。

内容偏见问题^[100-101]　教育大模型的偏见问题也是一个重要挑战，模型可能无意中反映训练数据中的性别、种族、文化或意识形态偏见。例如，在批改学生作文或解答文化相关问题时，模型可能会优先推荐某一特定文化内容，导致学生接触到片面的观点。此外，模型在缺乏透明度的情况下难以识别和纠正这些偏见。比如在语言学习中，模型会偏向推荐某一种语言或文化内容，这对教育的公平性提出了挑战。

数据隐私和安全^[102-103]　教育大模型通常需要处理大量的敏感信息，包括学生的个人信息、学习记录和行为数据，这在安全方面存在风险。如果这些信息未被妥善管理和保护，可能导致学生隐私泄露或数据被不当使用。例如，在在线课堂和个性化学习推荐中，如果学生的行为数据和成绩被第三方访问或滥用，可能会对学生造成负面影响。此外，教育数据的透明性和安全性也对教育机构提出了更高的管理要求。

可接入性和资源限制^[104]　教育大模型的应用往往需要高计算资源、存储空间和能耗，这对资源有限的教育机构来说是一大挑战。模型的实时运行需要高配置的硬件和持续的技术维护，对于小型教育机构来说，获得和维持这种技术条件存在困难。此外，操作和维护这些高级模型需要专业技术人员，这也使得一些教育机构难以推广和普及这些技术。

4.2   展望

教育大模型预计将会迎来一系列革命性的变化，将共同推动和创建一个更加智能、能够互动和个性化的学习环境。随着自然语言处理能力的进一步提升，这些模型将能更深入地理解学生的需求，提供更准确的反馈和指导，使学习体验贴合个人的学习风格和节奏。

未来，多模态技术将会普遍地运用到教育大模型中。多模态方法不仅能处理文本信息，还能分析图片、声音、视频等不同形式的数据，从而为学生提供一个更为丰富和综合的学习环境。通过整合视觉和听觉材料，多模态学习可以增加学生的参与度和兴趣。例如，互动式视频和虚拟现实可以使学生沉浸在模拟的某个历史场景或科学实验中，提供身临其境的学习体验。这种学习方式有望在教育领域发挥巨大的作用，为学生的学习和发展带来更多的可能性。

在隐私安全方面，随着对数据保护意识的增强，未来的教育大模型将采用更先进的技术来确保学生信息的安全。包括使用端到端加密、联邦学习^[105]等方法来处理敏感数据，确保学生的隐私不受侵犯，同时还保证了教育内容的质量和可靠性。

可访问性和资源效率也是未来发展的重点。通过优化模型结构和计算过程，以及利用云计算和边缘计算等技术，教育大模型将能够为更多的学生提供服务，这不仅能够提升教育资源的覆盖面，也降低了教育的整体成本。

最重要的是，大模型将会更加强调与教师的协作。通过辅助教师进行日常的教学和评估工作，教师能够更专注于课程内容的创新和教学方法的改进，从而提高教学的整体质量。同时，通过技术的公平性，大模型将在消除教育不平等、促进知识的普及和提高社会整体的教育水平方面起到关键作用。

5.   结束语

本篇文章将大语言模型在教育领域的应用作为研究核心，首先对大语言模型、现代教育和教育大模型的特点进行总结，找出教育与大模型融合的可取之处。文章强调了教育大模型的应用场景，介绍了目前教育大模型的共性以及差异性特点。文章也详细介绍了如何训练出符合教育需求的大语言模型，这是实现有效应用的关键环节。在详细分析训练完备的教育大模型的基础上，文章进一步探讨了这些模型在实际应用中可能遇到的局限性，并说明了未来教育领域可能出现的新型大语言模型及其潜在的发展趋势，特别是在个性化学习、多模态交互和数据安全性方面。在教育大模型的支持下，这种学习方式有望在教育领域发挥更大的作用，为学生的学习和发展带来更多的可能性。通过这些分析，文章旨在为教育领域的专业人士提供对于当前技术现状的深刻见解，并展望未来技术发展可能带来的新机遇。