GPT-4人工智能技術在基礎教育的應用與展望

劉思怡，傅胤榮，王 暢，鄭耿忠，孔維宏

（1.韓山師范學院 物理與電子工程學院 廣東 潮州 521041，2.廣州大學 教育學院 廣東 廣州 510006）

1956年約翰·麥卡錫等在達特茅斯學院發起了人工智能的會議，后稱達特茅斯會議，標志著人們對人工智能的研究正式開始.20 世紀60 年代以來，人工智能領域的研究取得了一系列矚目的成果，包括支持向量機［1］、KNN［2］、邏輯斯蒂回歸［3］、決策樹［4］、隨機森林［5］、感知機［6］、卷積神經網絡［7］等，這些算法使得計算機應用在一些簡單的任務上取得了良好的效果，例如1998 年，LeCun 等人使用LeNet 對郵件上手寫數字的識別［7］.但由于受到硬件條件的限制，人工智能領域的許多算法難以獲得更好的效果.

2010年以后，深度學習領域取得了迅速的發展，使得人工智能在圖像識別、文本處理、語音識別等領域取得了廣泛的應用.隨著深度學習技術的發展，生成模型（Generative Model）也越來越得到研究者的重視.生成模型的目標是學習數據的真實分布，并能夠生成與真實數據相似的新數據.常見的生成模型有受限玻爾茲曼機、變分自編碼器、生成對抗網絡等.GPT（Generative Pre-trained Transformer）是生成模型的一種，其主要特點是利用Transformer 架構進行預訓練，并在各種下游任務上進行微調，以具備完成各種任務的能力.2020 年6 月11 日，OpenAI 團隊基于GPT 模型發布了一個名為ChatGPT 的應用，其能夠生成自然語言文本，完成包括回答問題、翻譯、創作文章等在內的任務.ChatGPT 的發布引起了廣泛的關注和討論，被認為是人工智能領域的一項重要進展.2023 年3 月14日，OpenAI 團隊發布了GPT-4，相比于原有模型，GPT-4 在多個性能指標上都取得了巨大的進步，ChatGPT底層的神經網絡也從GPT-3進化成了GPT-4.

我國教育部門一直非常重視人工智能在教育教學過程中的應用.2017年國務院印發《新一代人工智能發展規劃》，其中指出我國對人工智能發展的戰略規劃，明確指出要抓住人工智能發展的重大歷史機遇［8］.在2021 年舉辦的國際人工智能與教育會議上，中國政府聲明將加大人工智能教育政策供給，推動人工智能與教育深度融合，利用人工智能促進全民終身學習，致力推動教育數字轉型、智能升級、融合創新，加快建設高質量教育體系［9］.基礎教育是我國教育體系中重要的一部分，包括幼兒園、小學、初中和高中四個階段，并且制定了一系列政策和標準來規范和改進基礎教育［10］.例如，實施“義務教育均衡發展計劃”，加強農村和貧困地區的教育發展，提高教育公平性［11］.

在人工智能技術日益成熟的今天，人類正逐步從信息時代進入人工智能時代，各行各業都將面臨人工智能技術所帶來的機遇和挑戰.作為我國教育體系中龐大和重要的一部分，基礎教育無疑將在人工智能的介入下發生巨大的變化.本文針對基礎教育和以GPT-4為例子的生成式人工智能的特點，探討基礎教育場景下生成式人工智能產品的應用前景，以及人工智能技術為基礎教育帶來的挑戰與展望.

1 文獻綜述

ChatGPT 的快速發展引起了基礎教育領域學者的興趣，目前已有一些學者在理論和實踐上進行了相關的探索.李政濤從理論上討論了ChatGPT 以及技術變革與基礎教育的關系［12］.他認為，ChatGPT與基礎教育之間相互提出了挑戰：ChatGPT 對基礎教育帶來的挑戰是對基礎教育根本性和系統性的顛覆；基礎教育對ChatGPT 提出的挑戰是基礎教育能否改變ChatGPT 以及技術變革的基礎.鄧友超討論了人工智能對話機器人與基礎教育工作者之間的關系［13］，他認為人工智能對話機器人不會簡單地取代教師，但是教師應該重新審視其職業和專業基本問題.尚智叢等人討論了ChatGPT 教育應用及其帶來的變革和倫理挑戰［14］.對于基礎教育，ChatGPT 帶來的變革可以提升素質教育中知識傳授的效率，便捷地將關于自然、人類社會與人的相關知識傳授給學生，甚至根據學生需求定制傳授相關知識.由于ChatGPT 是機器，不具備人的情感體驗和道德體驗，在情感和審美的培養上有所不足，只能作為輔助手段.ChatGPT 會帶來一些倫理挑戰，例如可能會導致教育中主體淡化甚至缺失，教育中的情感與道德淡漠，甚至在某些情況下的缺失等等.秦建軍認為，ChatGPT 所帶來的一個重要挑戰是人工智能可以參與到知識的創造與傳承，甚至會影響到“人”作為知識傳授者的主體地位.因此，當下的教學組織方式應該做出變革，包括教學理念、教學模式甚至教學內容等［15］.

除了理論上的思考，目前也已經有一些使用ChatGPT 輔助教學的實踐.孫旭等人嘗試將ChatGPT用于高中地理教學［16］，使用的場景包括學生自主學習、教師教學輔助.在第一個場景中，ChatGPT可以利用其對話功能，使用“蘇格拉底教學法”對學生進行教育.具體地，學生可以就一個題目與ChatGPT 進行辯論，在辯論的過程中學生可以增強對知識的理解程度，同時通過辯論的形式可以從ChatGPT 的反饋中進行查漏補缺.在后一個場景中，ChatGPT 可以幫助教師準備備課所需的信息和材料，為課程設計提供思路，幫助教師設計教學大綱和課程計劃等.在課堂教學中，ChatGPT 可以作為一種在線答疑工具通過即時性的對話互動為學生提供及時的解答和支持，提高教學效率.最后，Chat-GPT 還可以幫助教師開發課程教學資源.例如，可以讓ChatGPT 以echarts 的形式生成一些地理教學所需的地圖和分布圖.徐康等人使用ChatGPT 幫助留學生學習編譯原理這門課程［17］，他們使用ChatGPT生成編程需求、程序代碼以及計算機編程配套文檔，還可以用ChatGPT 模擬編程系統的某些行為.同時，他們針對編譯原理實踐環節不同階段的問題設計各種Prompt模版，令ChatGPT 為留學生提供代碼自動糾錯功能以及個性化的學習解答和輔導，以促進其在編譯原理課程中學習和實踐能力的提升.從效果上看，ChatGPT改善了教學效果，提升了學生的課程參與主動性，提升了學生的學習效果.

2 GPT-4相關技術

2.1 深度學習技術

深度學習技術是GPT 技術的基礎，但是深度學習并不是近幾年才提出的新技術.1958年，Rosenblatt Frank就提出了感知機模型［6］.1969年，Minsky等人在單層感知機的基礎上提出了多層感知機［18］.感知機模型不僅可以做的更寬，還可以做的更深，使得其具有學習更加復雜功能的能力，其初步體現出了解決圖形識別問題的能力.在多層感知機之后，研究者們開始構思如何使用神經網絡處理更加豐富的數據類型，包括文本、時間序列等序列數據.1988 年，美國科學家Paul Werbos 提出了用于處理序列數據的循環神經網絡（RNN）［19］.與感知機模型不同，循環神經網絡具有一個內部反饋回路，自身的輸出會成為下一輪對自身的輸入.2012年，Geoffrey Hinton 的AlexNet卷積神經網絡在ImageNet比賽中奪冠［20］，該網絡在兩塊Nvidia GTX 580 GPU 上運行，速度遠超CPU.此后，深度學習依賴GPU，與大規模數據集結合，實現了快速進展，并對各行業產生了重大影響.

2.2 生成模型

生成模型是機器學習中一類特殊的模型，其目標是學習并模擬樣本數據的分布，從而在這個分布的基礎上可以產生新的數據.生成模型可以應用于多個領域，例如自然語言處理、計算機視覺、音頻處理.生成模型可以分為兩大類：概率生成模型和非概率生成模型.概率生成模型通?；诟怕世碚摰幕A，以參數化的方式表示樣本數據的概率分布.這一類模型的典型代表包括混合模型（GMM）、樸素貝葉斯模型（Na?ve Bayes）、概率圖模型（PGM）等.非概率生成模型是一種無參的方法，代表有對抗生成網絡（GAN）、變分自編碼器（VAE）、自編碼器（Autoencoder）、自回歸模型（Autoregressive Models）等等.

GPT 中的G 是Generative 的縮寫，即意味著GPT 是一類生成模型.從上述的分類來說，GPT 屬于非概率模型中的自回歸模型.自回歸模型的基本思想是，將生成任務分解為多個條件生成任務，每個子任務生成一個特定位置的數據，然后將這些條件概率聯合起來生成最終的數據序列.具體地說，自回歸模型的輸入是一個序列的歷史數據，輸出是下一個位置的數據的條件概率分布.在訓練階段，模型通過最大化數據樣本的聯合概率來學習參數，以使得模型在生成新的數據時能夠生成與訓練數據相似的數據.在生成新的數據時，模型采用貪心搜索、束搜索或蒙特卡洛方法等策略，根據已經生成的數據來預測下一個位置的數據，并不斷重復這個過程，生成整個數據序列.除了GPT，遞歸神經網絡（RNN）、長短期記憶網絡（LSTM）、門控循環單元（GRU）和Transformer等都屬于自回歸模型.

2.3 Transformer

ChatGPT 的相關技術中Transformer 是一類深度神經網絡的類型，由Google 團隊在2017 年提出［21］.Transformer模型引入了注意力機制（Attention），允許模型在處理輸入序列時關注不同的部分，從而更好地捕捉序列間各個部分的依賴關系.

截至2023 年4 月，GPT 一共發展出了四代：GPT-1［22］、GPT-2［23］、GPT-3［24］、GPT-4.GPT-1、GPT-2、GPT-3 分別在2018 年6 月、2019 年2 月、2020 年6 月發布，模型參數量分別為1.17 億、15 億和1750 億，它們的學習和推理能力也越來越強.2023 年3 月，OpenAI 發布了GPT-4.OpenAI 對GPT-4和GPT-3 都進行了考試能力的測試，結果顯示，在26 個測試科目中，GPT-4 有15 個以上科目處于絕對優勢.此外，GPT-4 是超大多模態模型，在此前的純文本輸入基礎上，增加了圖像輸入.相比GPT-3，GPT-4在AI能力上又取得了更多進步，例如GPT-4通過模擬美國律師資格考試，分數在應試者的前10%左右；相比之下，GPT-3 的得分在倒數10%左右.從GPT 的進化過程中可以看出，隨著GPT 模型的參數量越來越多、訓練數據集越來越大，GPT 模型的智能性變得越來越強，甚至最新的GPT-4在某些任務上已經取得了比人類更好的表現.GPT 的演化并不會停止，后續GPT 模型無疑會比GPT-4具有更強的能力.在這些能力的加持下，GPT對各行各業帶來的改變也將是具有顛覆性的.

3 GPT-4在基礎教育的應用

本文以GPT-4為研究對象，從基礎教育中GPT-4可能在教育教學過程中給教學提供幫助的角度出發，梳理了三個可能的教育應用.

3.1 智能化的個性化學習

智能化的個性化學習是GPT-4在基礎教育領域可能的重要應用之一.根據學生的學習情況和學習習慣，GPT-4可以提供針對性的教學輔導和學習建議，從而幫助學生提高學習效果.

3.1.1 學生學習進度分析

GPT-4可以根據學生的學習數據分析其掌握知識點的程度，從而生成個性化的學習進度報告.例如，在數學科目中，教師首先將學生的數學作業輸入到GPT-4中，作業包括多道數學題目和學生的答案.其次，GPT-4對學生的答案進行自然語言理解和數據分析，提取出學生在各個知識點上的掌握程度和錯誤率等信息.然后，GPT-4 根據學生的答題情況和時間，分析出學生的學習進度和學習效果.比如，對于一道較難的題目，如果學生的回答時間比較長，但是答案仍然錯誤，GPT-4可以認為學生在這個知識點上的掌握程度較低，需要加強學習和練習.同時，GPT-4可以將學生的學習進度分析和建議反饋給老師，幫助老師更好地了解學生的學習情況，制定更加科學的教學計劃和教學策略，以提高學生的學習效果.

3.1.2 針對性的學習建議

基于學生的學習進度和需求，GPT-4可以為其提供針對性的學習建議.例如，對于掌握不足的知識點，GPT-4可以推薦相關的學習資源和練習題目，幫助學生加強鞏固.GPT-4還可以根據學生的興趣和擅長領域提供拓展性的學習建議，有助于激發學生的學習興趣和主動性.

3.1.3 智能問答與作業輔導

GPT-4具備強大的自然語言處理能力，可以實現智能問答和作業輔導功能.學生可以向GPT-4提問，獲得及時、準確的答案和解析.GPT-4還可以幫助學生檢查和修改作業，提高作業質量.智能問答與作業輔導功能可以節省教師的時間和精力，使他們更能專注于教學設計和對學生的情感關懷.

3.1.4 學習策略與方法指導

通過分析學生的學習數據和需求，GPT-4可以為學生提供針對性的教學輔導和學習建議.智能問答與作業輔導功能可以為學生提供實時的學術支持.同時，GPT-4還可以根據學生的特點和需求提供學習策略與方法指導，幫助學生養成良好的學習習慣和提高學習效率.

通過引入GPT-4進行智能化的個性化學習，可以實現更加精細化和個性化的教育，滿足不同學生的學習需求.

3.2 作文批改與智能反饋

在傳統教學中，作文批改是一項非常耗費時間和精力的工作，需要老師仔細閱讀每一篇作文，并給出詳細的評分和反饋.而隨著自然語言處理技術和機器學習算法的發展，GPT-4可能會提供更加高效、準確的作文批改和智能反饋服務.具體來說，GPT-4可能會根據語法、拼寫、邏輯、結構等方面的規則，自動檢測學生作文中的錯誤和問題，并針對這些問題，給出相應的評分和建議.同時，GPT-4還可以通過對大量優秀作文的分析和學習，提供更加精準、個性化的反饋和建議.

需要注意的是，GPT-4的作文批改和智能反饋服務仍然需要與教師的手動評估和指導相結合，以確保評估和建議的準確性和全面性.同時，GPT-4的作文批改和智能反饋服務也需要不斷地進行優化和改進，以適應不同年齡段和學科領域的學生需求.

3.3 教學資源生成

在當前基礎教育階段，教學資源的質量和多樣性對于提高學生的學習效果具有重要意義.然而，傳統的教學資源生成過程通常耗時且費力，尤其是在個性化教育需求日益增加的情況下.借助GPT-4，可以實現自動生成高質量的教學資源，以滿足教師和學生的需求.

3.3.1 自動生成教案

教案是教師進行教學活動的重要指導文件，通常包括教學目標、教學內容、教學方法和學生評價等部分.GPT-4可以根據教師的需求和學生的學習水平，自動生成教案.這些教案既可以作為課堂教學輔助材料，也可以作為學生的課后練習.

3.3.2 自動生成習題

習題是學生學習過程中用于鞏固知識、提高能力的重要教學資源.借助GPT-4，教師可以生成各種類型的習題，如選擇題、填空題、問答題等.此外，GPT-4還可以根據學生的能力水平，生成個性化的習題.以數學科目為例，GPT-4可以根據教師的需求和學生的能力水平，生成涉及三角函數等不同領域的習題.這些習題不僅可以用于課堂教學，還可以作為課后練習、家庭作業和期末考試等場景.

3.3.3 自動生成學習素材

學習素材是指幫助學生理解和掌握知識的各種教育資源，如文章、圖表、圖像描述等.GPT-4可以根據特定主題或知識點，生成各種學習素材.這些素材既可以作為課堂教學輔助材料，也可以作為學生的課后練習.在生物課程中，GPT-4可以生成關于細胞結構和功能的圖文解釋，幫助學生更好地理解抽象概念.在地理課程中，GPT-4可以根據教師的需求生成一張氣候分布圖，輔助學生掌握氣候類型及其特點.

3.3.4 自動生成案例

案例是指具體的實例或故事，用于說明某個概念或原理.GPT-4可以根據教師的需求，生成各種學科領域的案例.這些案例可以幫助學生更好地理解抽象概念，提高學習興趣.以歷史為例，一位歷史老師想要讓學生更好地理解羅馬帝國的崛起與衰落.他可以請求GPT-4生成一篇關于羅馬帝國的概述性文章，包括主要事件、重要人物和相關歷史背景.此外，GPT-4 還可以生成一些具體的歷史案例，如羅馬皇帝奧古斯都的統治策略，以幫助學生更深入地了解羅馬帝國的歷史.

通過自動生成教案、習題、學習素材和案例，GPT-4 可以為教師提供高質量、個性化的教學資源，節省他們的時間和精力.同時，這些教學資源也可以幫助學生更有效地學習和鞏固知識.

4 教育應用案例驗證

本研究從智能化個性化學習、作文批改與智能反饋、教學資源生成這三個可能的教育應用方面出發，分別選取語數英三門科目進行效果檢驗，所選用的系統是GPT-4.

4.1 語文作文題庫生成

在基礎教育中，針對不同個性化差異的學生可以運用GPT-4生成不一樣的作文題目，教師要先了解學生的背景信息，包括興趣、學科特長、性格特點等.然后，根據這些信息，為學生生成個性化的作文題目.表1 是一些根據不同學生特點生成的作文題目案例.經過多次應用GPT-4 生成作文題目，系統可以持續針對不同個性化差異的學生生成符合他們需求的題目.由此可見，GPT-4 在語文課堂中，初步具備了依據不同特點的學生生成個性化的作文題目的能力.同時，GPT-4不止在作文題目生成中有著出色的能力，也可以在其他學科針對不同學習特點的學生進行題庫生成.

表1 語文作文題庫生成

4.2 數學作業智能輔導與在線答疑

如表2 所示，用戶輸入了一道小學數學和編程能力有關的應用題，GPT-4 可以自動生成題目及答案.為了更有效地評估系統的自動解題能力，從Multiarith 數據集（Roy&Dan，2016）中挑選了50 道題目作為測試集.Multiarith 數據集是一個包含600道小學級別情景數學題的多步算法數據集.在不斷調用InstructGPT 相關模型接口進行測試后，發現系統的解題平均準確率約為68%.這個結果明顯優于GPT-3的表現，而解題錯誤主要是由于對場景中所需常識性知識的判斷失誤.進一步分析系統在解題過程中生成的推理文本，發現生成的文本合理且易于理解，大大超越了之前GPT-3 的邏輯表達能力.例如，與GPT-3生成的常常包含錯誤因果關系和推理的解題思路相比，GPT-4能夠給出清晰完整的解題邏輯，并在關鍵步驟上提供計算公式和描述.

表2 數學作業智能輔導與在線答疑

經過多輪生成題目及解答測試，發現GPT-4有較好的智能輔導與在線答疑能力，但GPT-4可能無法完全理解一些復雜或模糊的問題，導致生成的題目或答案可能不準確或不完整.

4.3 英語課堂教學資源生成

GPT-4 在英語課堂教學資源生成方面具有巨大潛力.表3 展示了用GPT-4 為英語課堂生成教學資源的實際驗證案例.本文應用GPT-4針對四年級英語課程的教案、習題、學習素材、案例等進行資源生成，發現系統可以持續生成不同類型的教學資源.由此可見，GPT-4在教學資源的生成上有較成熟的教育應用價值.

表3 英語課堂教學資源生成

5 GPT-4在基礎教育的挑戰與展望

5.1 GPT-4在基礎教育中的挑戰

5.1.1 數據安全與隱私保護

GPT-4在基礎教育應用中面臨的數據隱私與安全挑戰主要包括學生信息泄露、數據中心安全漏洞和不當數據使用等問題，這些問題可能導致法律責任、信任破裂和隱私權受損.比如，如果一所學校正在使用GPT-4來輔助教學，為學生提供個性化的學習資源.在這個過程中，學校需要向GPT-4提供學生的學習記錄、測試成績、興趣愛好等數據.但是，這些數據可能涉及到學生的隱私，如果沒有妥善處理，可能導致數據泄露和濫用.

5.1.2 誤導性信息與知識準確性

由于GPT-4 是基于大量網絡文本數據進行訓練的，這些數據中可能包含錯誤信息或具有誤導性.在生成內容時，GPT-4 可能會受到這些負面因素的影響，從而產生誤導性信息.美國學者Tom Brown 等人探討了大型語言模型（如GPT-3）在多種任務上的表現，其中也包括可能產生的誤導性信息和知識準確性問題.［24］因此，在回答學生的問題或提供學習材料時，GPT-4可能無法確保所提供的內容的準確性和可靠性.這可能導致學生在學習過程中受到干擾或形成錯誤認知.

5.2 GPT-4在基礎教育的展望

5.2.1 深入挖掘個性化教學潛力

深入挖掘個性化教學潛力是GPT-4在基礎教育中的重要應用展望之一.個性化教學旨在滿足學生不同的學習需求、興趣和能力，從而提高學習效果.借助GPT-4等人工智能技術，可以實現更加精細化的個性化教學，從而幫助學生實現最佳學習成果.

GPT-4可以根據學生的知識水平、學習風格和興趣，生成定制化的學習內容和資源.例如，對于喜歡視覺學習的學生，GPT-4 可以生成圖形化的解釋和示例.其次，GPT-4 可以提供實時反饋和支持，幫助學生在遇到困難時獲得及時的解決方案.這可以在一定程度上替代傳統的面對面輔導，從而提高教育資源的利用效率.最后，GPT-4可以輔助教師進行學生評估和診斷，以便更準確地了解學生的進步和需求.這可以為教師制定個性化教學計劃提供有力支持，從而實現更有效的教學實踐.

5.2.2 生成跨學科高質量課程

GPT-4是基于海量網絡文本數據進行訓練的，天然具有跨學科的屬性，利用GPT-4在基礎教育應用中可以生成高質量的跨學科課程內容，有力彌補傳統教師的知識面局限，研究人員和教育工作者需要關注模型訓練、調優和評估的策略，從而確保GPT-4生成的內容既準確又有針對性.

5.2.3 縮小城鄉教育差距，實現教育均衡

城鄉教育在設施、師資、教學、管理等諸多方面存在著不均衡現象，教育公平是社會公平的基礎，教育均衡發展是教育公平的基石，在大力推行素質教育的新形勢下，教育公平問題已經成為全社會廣泛關注的問題.優質師資資源的均衡是實現教育公平、教育均衡的關鍵.通過GPT4 技術支教的形式，GPT4 未來在農村地區推廣和普及應用，將有力彌補農村師資力量，解決農村教師老齡化現象和專業教師匱乏的問題.

6 結論

本文介紹了GPT-4 的技術背景，包括深度學習技術、生成模型、Transformer，這些技術為GPT-4的產生和演進提供了基礎.GPT-4及其后續版本，無疑將會為人類生產生活的各個方面帶來巨大的改變.作為我國教育體系中重要的一部分，基礎教育有著知識面廣泛、資源分配不均、競爭激烈等特點，GPT-4及其后續的人工智能技術有助于實現學生的個性化教育，提高學生的學習效率，普惠的人工智能教育技術有助于縮小城鄉教育差距.我們既要充分利用生成式人工智能的優勢，也要盡量避免它們可能帶來的一系列問題.