教育中的基礎(chǔ)模型可以在多個數(shù)據(jù)源上進行訓(xùn)練，以學(xué)習(xí)教育所需的能力：對各種主題和不同教學(xué)技術(shù)的理解。這些基礎(chǔ)模型可以以通用的方式應(yīng)用于一系列任務(wù)和目標，例如理解學(xué)生、協(xié)助教師和生成教育內(nèi)容。

2000 年，世界領(lǐng)導(dǎo)人最大規(guī)模的聚會在聯(lián)合國千禧年首腦會議上舉行，以反思對未來的理想愿景。代表們得出結(jié)論認為，首要重點應(yīng)該是教育，并宣布教育“是人類成就感、和平、可持續(xù)發(fā)展、經(jīng)濟增長、體面工作、性別平等和負責(zé)任的全球公民的基礎(chǔ)。”這一討論最終被重新編入聯(lián)合國可持續(xù)發(fā)展目標 “確保全民優(yōu)質(zhì)教育，促進終身學(xué)習(xí)”[聯(lián)合國大會 2015 年]。然而，大規(guī)模提供高質(zhì)量、包容性的教育給社會帶來困難和經(jīng)濟挑戰(zhàn)。每個學(xué)生的教育價格增長速度快于整體經(jīng)濟成本 [Bowen 2012]，限制了可用于支持學(xué)生學(xué)習(xí)的資源。在美國，一個癥狀是學(xué)生持有的私立教育債務(wù)已達到 1.6 萬億美元，超過了信用卡債務(wù)總額 [Friedman 2020]。

隨著數(shù)字時代的到來和數(shù)字學(xué)習(xí)的快速發(fā)展，教育的計算方法在提高學(xué)習(xí)者和教師的效率方面顯示出希望。幾個核心方向已經(jīng)成為人工智能的潛在影響應(yīng)用，例如可以為學(xué)生提供有意義反饋的系統(tǒng) ，幫助教師提高.

盡管有這種潛力，但事實證明，構(gòu)建技術(shù)解決方案以有效地擴大包容性和教育質(zhì)量非常困難。一個特殊的挑戰(zhàn)是，現(xiàn)有工作側(cè)重于為高度具體的任務(wù)定制解決方案，為此必須從頭開始收集大量訓(xùn)練數(shù)據(jù)。由于創(chuàng)建大型數(shù)據(jù)集的難度和成本，使用這種方法獨立解決每項教育任務(wù)從根本上受到限制。相反，是不是有可能創(chuàng)建可在各種任務(wù)和主題中重復(fù)使用的通用方法嗎？基礎(chǔ)模型能否在該領(lǐng)域帶來更具變革性的變化？將基礎(chǔ)模型應(yīng)用于教育的已知和想象風(fēng)險是什么？我們將討論置于兩個具體任務(wù)中：(1) 理解學(xué)生的誤解，以及 (2) 通過教學(xué)提高學(xué)生的理解力。

教育研究中以基礎(chǔ)模型為中心的重要關(guān)注點。

人工智能教育的未來令人興奮，尤其是在基礎(chǔ)模型的背景下。然而，我們提醒讀者要特別考慮任何人工智能研究應(yīng)用于教育的影響。雖然我們積極致力于改善數(shù)字教育，但當(dāng)務(wù)之急是我們投入了大量的思考，試圖想象這個空間中任何破壞的復(fù)雜性 [Piech and Einstein 2020]。道德挑戰(zhàn)包括數(shù)據(jù)偏見、法律約束和數(shù)字社會化的影響等問題。這些問題并非基礎(chǔ)模型所獨有，但隨著研究在人工智能教育方面取得實質(zhì)性進展，它們值得定期反思。 當(dāng)研究開始時問“新的 AI 技術(shù)能提供什么？”時，對影響的反思尤為重要。例如，與許多其他領(lǐng)域一樣，基礎(chǔ)模型訓(xùn)練數(shù)據(jù)中的小偏差可能很難追蹤, 但對教育機會的公平性有重要影響。此外，這些系統(tǒng)可能會經(jīng)歷高度的“反饋”，其中收集的數(shù)據(jù)會不斷加強模型的決策。這個偏見問題超出了收集的數(shù)據(jù)范圍，包括對研究人員選擇研究的應(yīng)用程序的擔(dān)憂。下面，我們討論其他特定于教育的問題。許多問題都圍繞著這個問題：“誰受益？” 新技術(shù)是為誰創(chuàng)造的？

將教師從循環(huán)中移除數(shù)字教育的目標之一，尤其是基于人工智能的數(shù)字教育，是提高學(xué)習(xí)體驗的生產(chǎn)力，以便每單位時間或單位成本進行更多的學(xué)習(xí)。可以想象，決策者可以利用這種提高的生產(chǎn)力將人類教師從循環(huán)中移除。這些決定的長期影響很難先驗地知道。可以與經(jīng)過優(yōu)化以最大化“學(xué)習(xí)”的教育系統(tǒng)進行交互對社會情感技能發(fā)展有不利影響？它會減少與他人互動的機會嗎？年輕一代的孤獨感正在上升，教師是 AI 研究人員可能無法預(yù)料的壓力調(diào)節(jié)力量。

這項工作是由學(xué)習(xí)者還是基礎(chǔ)模型完成的？ 另一個挑戰(zhàn)是如何有效地教授可以使用基于基礎(chǔ)模型的工具的學(xué)生。例如，如果學(xué)生與強大的生成模型一起工作，或者規(guī)范無效的合作和檢測剽竊，教師將更加復(fù)雜地了解學(xué)生的貢獻程度。Visual Studio 最近發(fā)布了 GitHub CoPilot，這是一個基于 GPT-3 。這將如何改變計算機科學(xué)教育？對于初學(xué)者程序員來說，許多挑戰(zhàn)對于 CoPilot 或其技術(shù)繼承者來說可能微不足道，這可能會破壞新手的學(xué)習(xí)體驗。研究擾亂某些學(xué)科教育的技術(shù)進步的其他例子將是有益的，例如數(shù)學(xué)中的計算器, 語言課程中的教室和谷歌翻譯，這兩者現(xiàn)在都與傳統(tǒng)教學(xué)共存。

隱私和安全。關(guān)于學(xué)生工作隱私的嚴格法律準則突出了在教育中使用 AI 的一個重要倫理問題。例如，在美國，學(xué)生信息受到家庭教育權(quán)利和隱私法案 (FERPA) 的保護。這些法律法規(guī)對于 13 歲以下的兒童尤為重要，他們的數(shù)據(jù)隱私和安全受到《兒童在線隱私保護法》的額外保護。除其他事項外，F(xiàn)ERPA 限制教師分享可識別學(xué)生個人身份的作業(yè)。這可能會直接影響共享用于培訓(xùn)和評估基礎(chǔ)模型的數(shù)據(jù)的計劃。

學(xué)生思維的基礎(chǔ)模型

在為包容和快樂的教育構(gòu)建 AI 工具時，基礎(chǔ)模型可以用于許多任務(wù)。其中許多任務(wù)要求我們首先了解我們試圖幫助的學(xué)習(xí)者，尤其是在開放式工作的背景下?；A(chǔ)模型需要什么才能對學(xué)生的理解進行推理？很容易想象一個基礎(chǔ)模型已經(jīng)適應(yīng)正確回答數(shù)學(xué)問題，

但是不太清楚如何建立一個模型來診斷學(xué)生理解中的錯誤。為了探索這個主題，我們考慮提供反饋的案例研究對于正在從事開放式任務(wù)的學(xué)生，例如寫一個簡短的段落，畫一個物理圖，或編寫代碼。這種“反饋挑戰(zhàn)”舉例說明了基礎(chǔ)模型可以為學(xué)習(xí)者提供現(xiàn)成的幫助，也可以展示基礎(chǔ)模型的開放區(qū)域研究。

為了有效地向?qū)W生提供反饋，需要具備兩項核心能力：(1) 理解任務(wù)的主題（例如物理或編碼），(2) 診斷能力：一個教育專業(yè)術(shù)語，用于推斷學(xué)生犯錯的原因。對于典型的交互，沒有足夠的數(shù)據(jù)供 AI 模型從頭開始學(xué)習(xí)，這兩項核心能力。即使是有數(shù)百萬學(xué)生的大規(guī)模課程，也有監(jiān)督即使是短短的四行程序，算法也幾乎無法理解復(fù)雜的學(xué)生推理。

編輯：黃飛