面向大語言模型的青少年人工智能教育

摘要： 大語言模型（LLM）作為一種先進的AI技術，正對人類生活產生深遠影響。與傳統AI技術相比，LLM能夠處理大量的文本數據，并在自然語言處理等領域發揮著巨大作用。LLM的快速發展與應用推進已經對AI教育的課程內容、教學模式與學習平臺產生了顯著的影響，這些影響也迫切要求青少年AI教育課程與時俱進的變革。為應對這種變革，該研究從課程內容框架、基于LLM的教學模式以及LLM輔助學習平臺三個維度設計了一個面向LLM的青少年AI課程架構，并以教學活動設計為切入點，深入探討了如何使該課程架構與學科核心素養緊密契合。基于此架構，設計并開發了一門高中LLM示范課程，重點展示了如何利用自主開發平臺（LLM 4 Kids）進行人機協同教學。選取了示范課程中《面向LLM的提示與評估》的單元內容，解釋了如何在教學過程中有效的應用和整合LLM技術。通過提供面向LLM的青少年AI課程架構以及解釋案例，為AI教育實踐者提供面向LLM的框架體系與課程參考，推動最新的人工智能前沿知識進入中小學課堂，從而有助于青少年適應AI快速發展的時代。

關鍵詞：大語言模型；人工智能課程；人機協同；LLM 4 Kids

中圖分類號：G434 文獻標識碼：A

本文系全國教育科學規劃一般課題“基于大語言模型的青少年人工智能教育研究”（課題編號：BCA230276）階段性研究成果。

一、引言

近幾個月來，大語言模型（Large Language Model，LLM）因其生成文本的流利度、連貫性和近似于人類，在社會上引發了一場新技術浪潮，其影響力開始在教育、醫療、媒體、科學等領域逐漸顯現。這些領先的大語言模型是基于Transformer架構的自我監督學習模型。通過利用龐大的文本數據進行預訓練，以及借助人類反饋的強化學習（Reinforce Learning Through Human Feedback）等微調方式進一步優化性能，這些模型在各種語言和知識處理任務中顯示出了強大的能力[1]。由于能夠捕獲豐富的語義和文本模式，并且在語言生成、信息檢索、機器翻譯、自然語言理解和其他任務中表現卓越，ChatGPT等新型應用迅速成為公共領域關注的熱點。值得注意的是，大語言模型正在改變人工智能的技術范式，特別是在處理文本數據領域：一方面，通過自我監督學習，模型能夠從大量文本數據中學習，無需顯式標注或人工干預[2]；另一方面，這些模型通過生成自然語言文本與用戶交互，更像是人類的對話伙伴[3]。這些變化為LLM在更多場景中的應用鋪平了道路。

隨著GPT-4、PaLM2、LLaMA等大語言模型的不斷涌現和應用推進，中小學人工智能教育也面臨著新的挑戰和機遇。首先，傳統的AI教育往往更側重于程序設計、邏輯推理和面向特定任務的模型訓練[4]，較少涉及以自然語言的方式與AI模型交互；或利用AI模型來獲取和理解信息。在當前LLM盛行的背景下，如何理解這些模型的工作原理，如何與它們有效地交互，以及如何負責任地利用它們的能力來解決實際問題，這需要幫助學生學習新的技能，適應和利用模型的自我學習和自我改進的能力。其次，LLM的出現已經帶來了一系列新的風險和挑戰，模型可能生成錯誤的或有害的信息，模型的使用也已經帶來了嚴重的隱私侵犯和數據安全的問題等等[5]。對于這些風險的識別和管理，以及如何安全、負責任地使用這些模型顯得更為重要。第三，LLM的發展也拓展出了許多新的人機協同學習方式。像CodeX/ Copilot這些基于LLM的編程輔助插件可以直接在AI編程學習中應用，為學生提供即時的代碼建議，幫助學生理解復雜的代碼結構和算法[6]。學生可以通過與模型的互動來提升他們的編程技能；同時，教師可以利用這些模型的反饋來了解學生的學習進度和難點，從而提供更有針對性的指導和幫助。

為響應LLM的快速發展，人工智能課程的學習內容、教學方式和學習工具都亟需變革。值得一提的是，各個國家都在推進面向大模型的中小學AI課程的研究。例如，美國國家科學基金會（NSF）在5月8日發布了一項急迫的研究倡議，邀請研究界抓緊時間對AI在正式和非正式K-12教育環境中的使用和教學進行研究，以響應LLM前所未有的進步速度，其中尤為強調重新厘清K-12階段學生需掌握的必要的知識結構以及利用大語言模型進行AI相關的教學[7]。新加坡的AI Singapore Goes to School計劃己經開設相關課程，向學生介紹AI及其應用的基礎知識，包括人工智能與機器學習簡介、人工智能倫理基礎以及如何使用ChatGPT[8]。

我國歷來重視基礎教育階段AI的普及，無論是2017年版2020年修訂的《普通高中信息技術課程標準》還是2022年版的《義務教育信息科技課程標準》，人工智能均占據重要的位置。需要說明的是，此前我國大部分AI課程相關的研究側重于探索學生學科核心素養如何在傳統的AI知識體系中落地。然而，正如上文所述，大語言模型已經為AI教育帶來了新的知識內容、教學模式與平臺工具。盡管目前大語言模型對青少年人工智能教育影響的研究尚不多見，但這些新的特征已經在公眾領域得到了較為深入地探索。在這樣的背景下，為使青少年快速適應LLM帶來的變化，我國的人工智能教育課程建設也需要與時俱進[9][10]。

綜上所述，本文旨在系統梳理與分析大語言模型對AI教育的影響，從課程內容框架、基于LLM的教學與LLM輔助學習平臺三個維度設計面向LLM的青少年人工智能課程架構，并從教學活動設計的角度探討與學科核心素養的契合方式。在此基礎上，以一個高中示范課程的解釋案例說明如何利用該課程架構設計LLM課程并開展教學實踐。通過深入探索大語言模型的發展對人工智能教育的現實影響，本研究將為新一代青少年AI課程提供框架體系與示范課程。

二、文獻綜述

（一）面向大語言模型的AI通識教育現狀

大語言模型已經成為了一個不可忽視的趨勢，由于和傳統人工智能的差異性，更新公眾領域的AI通識教育顯得尤為重要。一些社會機構和MOOC平臺的反應迅速，紛紛推出面向公眾的通識課程。EDX發布了有關ChatGPT的官方系列課程，這些課程涵蓋了對ChatGPT的簡介、提示工程與進階使用方法、ChatGPT在教育、商業、醫療等業務領域中的專門用途以及對跨業務場景中數據、編碼、技術維度的用例分析等等[11]。除此之外，EDX還開設了《大語言模型》專業證書認證項目，聚焦于如何使用流行的LLM技術框架解決實際問題。Coursera平臺也納入了多個關于ChatGPT的課程[12]，如范德堡大學提供的《ChatGPT的提示工程》，該課程主要介紹運用提示工程有效地使用ChatGPT等LLM應用；利用提示模板開發利用LLM內強大的功能；為個人管理、業務場景等創建基于復雜提示的應用程序。密歇根大學在該平臺上開設了免費公開課《ChatGPT教學》，圍繞ChatGPT的原理，ChatGPT的優點和局限，以及使用ChatGPT帶來的社會影響與倫理議題等方面展開教學。此外，Coursera還包括平臺自建的課程項目如《使用AI進行市場研究》《用Dall-e寫科幻小說》《使用ChatGPT進行機器學習：圖像分類模型》《使用GPT-2生成新方法》等課程。DeepLearning.ai創始人吳恩達在其平臺上開放了4門面向LLM的短期課程[13]，由淺入深地指導學習者掌握包括面向ChatGPT的提示工程，利用如GPT系列模型的應用程序接口（Application Programming Interface，API）構建系統，結合名為LangChain的LLM開發框架實現更為豐富功能的LLM應用，以及快速微調定制化的大語言模型等課程；值得注意的是，學習者也可以利用學習平臺內置的編程模塊體驗不同的開發項目。

與此對應的是，從2023年春季開始，普林斯頓大學、斯坦福大學和卡耐基-梅隆大學以及蘇黎世聯邦理工學院等著名大學，在其正式課程中已經開始實施與LLM相關的通識課程。這些課程面向LLM的基礎知識，強調LLM的原理、應用與實踐。從基礎知識角度，普林斯頓大學的COS-597G課程[14]中涵蓋了對BERT、GPT-3等代表性LLM的深度回顧，斯坦福大學CS224n課程[15]延續從傳統自然語言處理的發展脈絡，并結合語言學的視角新增了LLM的課程知識模塊等等。從應用的角度，這些課程都涵蓋了LLM的提示工程、LLM的應用擴展和潛在風險，基于檢索的語言模型，多模態語言模型等。除此之外，許多課程探討使用LLM進行創新和解決實際問題。例如，卡耐基-梅隆大學在專門設置LLM課程之余，也發起了一項生成式人工智能創新孵化器的項目[16]，旨在通過免費的教程、講座、小組討論和黑客馬拉松等活動鼓勵多領域學習者利用LLM進行社會創新。當然，也有的課程更注重內容的系統性。例如，蘇黎世聯邦理工學院的LLM-s23課程[17]涵蓋了從概率基礎、建?；A到微調和推理等完整的知識體系。值得注意的是，這些圍繞LLM新增的課程中普遍重視LLM應用倫理，將其作為重要的教學內容貫穿在整個課程體系之中，涉及內容包括LLM的技術局限產生的數據隱私泄露、偏見和毒性文本（Bias Toxicity）、幻覺（Hallucination）、模型濫用的社會危害等等?？梢钥闯觯壳懊嫦騆LM的AI教育呈現以下幾個特點：

首先，相關課程的知識覆蓋面廣。目前的通識教育課程不僅關注LLM的基礎理論，如對GPT系列模型的深度解析，也包含在廣泛的下游任務中應用方式的探索。這種廣泛的知識覆蓋有助于學習者全面理解LLM的潛能和應用范圍。其次，強調LLM在實際場景中的應用。在上述的通識教育課程中，實際應用的訓練顯得尤為重要。這包括教學提示工程、使用商業LLM的API構建應用程序和使用特定框架來開發更豐富的LLM應用。課程中涉及的配套資源、活動等尤為鼓勵學習者利用LLM進行多領域創新。第三，額外關注LLM的應用倫理。隨著LLM在各個領域的深入推進，其可能對社會產生的影響和潛在的倫理問題也逐漸受到重視。這在高等教育領域的通識課程中更為明顯，這些課程已經開始將LLM的應用倫理嵌入至課程的不同環節，以培養學生形成對LLM應用倫理的系統認識，鼓勵學生負責任地使用這項技術。

上述的面向公眾以及高等教育的LLM通識教育可以成為青少年AI教育的重要的借鑒。相較于公眾領域與高等教育機構的快速響應，基礎教育階段對LLM的沖擊尚未有系統的反應。雖然己經有一些如何在中小學進行面向LLM的人工智能教育的探討[18]，但是由于ChatGPT的出現過于迅猛，目前除了NSF和部分國家開始的一些小規模型的嘗試，大語言模型還沒有進入中小學人工智能教育領域。

（二）大語言模型對編程教學的變革

大語言模型對人工智能教育的沖擊不僅體現在課程內容框架的變化，AI教育也因LLM的出現發生了新的變化，集中體現在AI教育的重要組成部分——編程教學的各個環節。LLM經過大量源代碼和自然語言數據的預先訓練，在理解代碼結構和生成代碼或文本方面已經表現出了卓越的能力。OpenAI的Codex（Copilot）、DeepMind的Alpha Code以及亞馬遜的CodeWhisperer等基于LLM的輔助工具已開始在各類編程教育中催生變革[19]。已有研究表明，大語言模型從拓展教學方式、優化教學流程、生成學習資源和改善學習評價等維度改變了編程教育的教學方法。

首先，利用LLM改變編程教育的教學方式。通過使用LLM，幫助教師更有效地應對傳統編程教學活動中的固有難題[20]，如對編程錯誤信息（Programming Error Messages，PEM）的處理。長期以來PEM一直是困擾教師和編程新手的難題[21]。教師經常需要花費大量時間和精力去解釋PEM信息，而學生則會因為PEM的可讀性差而失去學習動力[22]。研究者利用如GPT-3等大語言模型，發現PEM信息可以被有效地轉化為易于理解的自然語言，從而成為教學的有力工具，幫助學生更有效地從PEM中學習。

其次，許多LLM的編程教學探索嘗試借助模型優化常規的算法教學流程，讓教師更專注于教授高級的算法[23]。算法教學通常會因學生難以掌握特定編程語言的語法和編程原理而被拖延，使得教學效果難以得到保障[24]。使用LLM，教師可以在教學初期更專注于教授算法和問題解決的技巧，而將語法和編程原理的教學留到后期。同時，LLM還能幫助學習者生成一些初級代碼，使學習者有機會擴展代碼塊，從而提高他們的學習信心。需要說明的是，Denny等發現，準確描述算法步驟的提示策略將輔助學習者生成更為有效的初級代碼[25]；其他研究也表明，當較為復雜的編程語句分解為較小的任務后，利用特定的提示技巧能使Copilot等編程輔助插件提高生成的初始代碼質量，從而更有效地進行編程學習[26]。這也說明未來編程教育可能需額外需培養學習者的提示技能，用自然語言描述他們希望實現的計算步驟，作為指導模型產生有效輸出的一種方式。

第三，利用LLM輔助生成新的學習資源。現有研究發現，利用LLM制作的學習資源如針對性的練習、抽象代碼的解釋以及說明性例子等能夠進一步提升計算機教育的學習效果。Sarsa等人發現Codex模型能夠從單一的啟蒙例子中產生新的學習資源，包括編程練習題和代碼解釋[27]。MacNeil等人探索了如何利用LLM生成高質量的代碼解釋，發現LLM能夠根據特定要求生成風格迥異的代碼解釋文本[28]。隨著LLM的進一步發展，教師有望通過先進的LLM制作更為系統的說明性案例，降低認知負荷，促進學習者更有效地學習[29]。

最后，LLM改善了編程教學過程的評價方式。在編程入門課程中，評估方法往往只關注代碼的正確性，而忽視了代碼的質量和風格[30]。然而，通過向LLM提交代碼片段，學習者不僅可以評估代碼的正確性，還可以比較多個正確代碼之間的差異，并對解決方案的風格和質量做出判斷[31]。Thompson等人的研究認為，這種側重于比較、識別變化的評價方式有助于編程新手欣賞編寫代碼的效率和方法的差異[32]。

綜上所述，一些研究者針對LLM在信息技術教育，尤其是編程教育領域進行了一些革命性的嘗試，這種LLM輔助的教學已經呈現了人機協同的特征[33]。類似于Python編程一直是人工智能教育的重要內容，在許多開源社區（如Github），越來越多的程序員借助Codex、Copilot等LLM生成代碼，這也為基礎教育領域的人工智能教育提出了新的挑戰?，F有的證據已經顯示，人工智能教育教育中的編程已經轉向更重視代碼的閱讀和評估，而非僅僅是代碼的編寫。中小學人工智能教育需要關注這一工業界的變革，教師和學生需要學習如何利用LLM進行教學和學習。

（三）大語言模型的學習平臺

作為一種變革性技術，LLM使得用戶可以使用自然語言與其溝通，并且能夠開發以前無法構建的應用程序。然而，這些功能的實現是建立在用戶能有效地構造提示的基礎上。對于一般用戶，除此使用像ChatGPT這樣公測聊天工具，無法直接接觸LLM的應用程序接口，通常需要借助具體應用程序或者提示工具。因此，對于剛入門的大模型學習者或一般用戶而言，各種提示測試工具是了解大模型的主要途徑。例如，GPT-3 Playground是OpenAI的GPT-3 API的Web界面[34]，也是許多學習者第一次接觸大語言模型應用程序接口的工具。GPT-3 Playground提供了一個簡潔的界面，帶有幾個不同的參數撥盤，可以修改GPT-3模型的相應參數，并調試相應的輸出。相比之下，也有研究者開發了專門的提示測試工具Prompt IDE[35]，用以輔助學習者測試提示的變體，這種專門的提示評估工具以可視化的形式展示不同措辭、結構的提示對模型輸出準確性的影響，允許學習者評估不同提示方式的效果，對特定任務的提示模板迭代優化。這些工具的作用主要有以下二個方面。一方面，旨在讓學習者測試面向不同下游任務的提示的有效性，如何將一些被廣泛證明對LLM有效的提示策略應用在不同的任務中，如“思維鏈”（Chain of Thought Prompting）、“知識生成”（Generated Knowledge Prompting）、“從最少到最多”（Least to Most Prompting）等提示模式[36-38]。另一方面，學習調試LLM的模型參數，圍繞針對不同業務場景調整如GPT-3/4模型的Temperature（生成內容的發散程度）和Top-k（在每一步中，模型將每個可能的下一個詞的概率排名，只考慮排名前k的詞進行隨機選擇）等參數，以獲得高質量的LLM輸出內容。

相較于基于自然語言的提示構造等初級內容的學習支持，面向開發者的LLM學習工具并不多見。較為典型的做法是在學習平臺中嵌入代碼編寫環境，以輔助學習者根據教學視頻的內容進行隨堂演練。例如，DeepLearning.ai學習平臺內置了基于JupyterNotebook的Python編譯環境[39]，學習者可以在教學視頻引導下利用這種交互式編程環境一步步熟悉如何實現各類應用開發實踐。然而，對于如大語言模型的微調等專業化程度較高的學習內容，即便是提供編譯環境也難以保證初學者能夠有效學習，學習者也會面臨如PEM無法解讀等常見的困難。不同于這樣的側重從零開始系統學習LLM知識的學習平臺，一些工具也被開發用來輔助學習者利用流行的LLM技術框架來構建自己的應用。這些工具的設計思路是自上而下的，通過可視化的交互界面，輔助學習者直觀學習建構LLM應用的思路。例如，LangFlow和FlowiseAI是LangChain的可視化用戶界面[40][41]，支持節點式編程，學習者可以將側邊欄組件拖拽至畫布上，將這些組件連接在一起即可創建自定義LLM軟件的流程演示。同樣，Dust平臺也具有類似的功能，它為大型語言模型應用程序構建一系列提示支架以調用外部的模型，并且提供了一個易于使用的圖形界面來構建提示鏈，通過一組標準塊和一種自定義編程語言對語言模型輸出進行解析和處理[42]。

最后，一些工具可以利用開源LLM的模型輔助學習如何本地微調：針對特定任務在較小數據集上進一步訓練LLM，以提高LLM在專業任務上的表現。例如，HuggingFace平臺提供了數以千計的預訓練LLM和不同訓練數據集的訪問渠道，學習者不僅可以直接與各類預訓練的LLM進行交互，也可以利用平臺上的數據集資源對這些開源LLM進行微調[43]。另一個平臺是H2O LLM Studio，這是一個無代碼的LLM圖形用戶界面，旨在為LLM開發者和學習者提供微調大語言模型的流程框架[44]。這些平臺工具通常配備有更多的指導和資源，以幫助學習者解決微調過程中可能遇到的復雜問題。

可以看出，LLM的發展對人工智能教育的多個維度產生了極大的影響，重塑了學習的內容，變革了教與學的方式；同時，要實現大語言模型背景下的有效教學，也離不開先進的資源與工具的支持?；谏鲜稣J識，本文以LLM課程內容框架的設計為起點，進一步構建一個基于LLM的人機協同教學模式，系統闡釋因LLM技術發展而帶來的教與學方式的變革。同時，為有效支持教學活動的開展，需要設計并開發一個面向LLM知識結構的AI輔助學習平臺。該平臺不僅能夠實現教學管理和學習環境的構建，還能用于教學效果的評估和反饋。因此，本研究也將以一個示范課程的章節案例演示如何利用自主開發的輔助學習平臺進行人機協同教學，使其更好地服務于青少年的人工智能教育。

三、面向大語言模型的青少年人工智能課程架構

為系統地梳理LLM對青少年AI課程的影響，有效地指導AI課程開發與實踐，需要開發一個整體的課程架構，這其中包含了前文提及的課程內容框架、基于LLM的教學模式以及LLM輔助學習平臺三個核心維度。需要說明的是，這三個維度之間相互關聯：課程的內容框架為人機協同教學提供知識模塊與對于的核心知識點，教學的開展將依據內容框架設定教學目標、學習活動與評價方式。同時，教學活動也依賴輔助學習平臺的支持。例如，當內容框架涉及提示的評估時，教學活動可以設計系列鼓勵學生利用LLM解決特定的語言任務，而輔助學習平臺則提供所需的資源與工具來支持這些活動。值得注意的是，在開發課程架構時，必須考慮到學科核心素養的契合性，并圍繞培養學生的綜合能力來設計教學活動，這也將確保課程的質量和育人目標得以實現。

（一）課程內容框架

通過對大語言模型知識體系以及2.1中各類課程案例的梳理，參照2017年版2020年修訂的《普通高中信息技術課程標準》以及2022年版的《義務教育信息科技課程標準》，本研究規劃與組織了適合于青少年的面向LLM學習的課程內容框架。整個內容框架遵循“認識、應用、理解、開發和訓練”的常規學習階段，兼顧了學習內容的邏輯性與綜合性。從整體上來看，初步設計的框架將LLM知識劃分為八個核心的知識模塊。在此基礎上，可細化不同模塊學習所需的知識結構、能力要求、學習資源與學習建議。需要說明的是，在內容框架中，某些模塊被分為“A”和“B”兩個部分，其中“A”部分為該主題的基礎模塊，強調學生作為大語言模型的使用者學習必要的概念知識，掌握基礎的應用技能；“B”部分則是進階模塊，盡管同屬于特定的主題，但相關內容的學習通常依賴于前序模塊的知識，包含了更高級的技術和開發知識。

具體來說，如圖1所示，模塊一為“體驗LLM”，旨在為學生提供LLM應用程序體驗（類似ChatGPT、文心一言等），幫助學生初步了解LLM；模塊二為“LLM的原理A”，主要輔助學生深入理解LLM的基礎知識，包括其發展歷程、訓練方式和模型架構等；模塊三為“面向LLM的提示與評估”，強調通過實際操作，讓學生理解提示工程在最大化大語言模型潛力方面的重要性；模塊四，“編程與項目開發A”，是將上文綜述中提及的LLM輔助編程教學的工具嵌入至傳統的編程學習中，側重于利用大語言模型進行編程教學；模塊五，“LLM的應用倫理A”，促使學生反思大語言模型的應用帶來的各種倫理問題。

模塊一至五涵蓋了面向LLM基礎知識的學習，尤其是關注如何“用好”大語言模型的角度組織開展各項學習活動。模塊六至模塊八則為進階學習的模塊，聚焦于從開發者的角度，提升學生對LLM的深度理解和開發能力。以編程與項目開發A、B兩個模塊為例，A模塊使學生形成基礎的算法理解；B模塊依托A模塊的涉及的基礎知識，更注重提升學生的實際操作能力，主要培養學生利用各類LLM的應用程序接口或技術框架搭建應用程序的實踐能力。內容框架的另外一個特點體現在對LLM應用倫理的特殊考慮，針對LLM在內容偏見與毒性、深度造假等問題日益突出的情況，專門設置兩個對應的知識模塊，涵蓋從使用到開發各個學習階段的倫理議題；并且，在其他知識模塊中也融入相應的倫理內容，確保倫理關切貫穿始終。

需要說明的是，這些模塊之間并不是線性的關系，具體內容的選擇需根據不同學段和學生特點進行組合。例如，對于小學高年級人工智能學習以體驗為主，適合模塊一、模塊三（部分），重點是嘗試使用簡單的提示策略與各類LLM的聊天應用交互，并能夠通過同伴交流等方式驗證LLM生成內容的準確性，認識LLM的基本作用與局限；對于初中學生而言，課程內容需兼顧體驗與實際開發，可能更適合于模塊一、模塊二（部分）、模塊三與模塊五（部分）。引導學生認識LLM對人類生活、學習及未來發展帶來的影響，并能夠利用交互式學習資源初步理解LLM在文本生成方面的基本原理；對于有較好編程基礎的高中學生，在己經學習了《人工智能初步》的基礎上，可能模塊二、模塊六、模塊七、模塊八是一個更為系統的內容組合。此外，鑒于LLM知識仍然在不斷發展之中，內容框架也需要保持一定的開放性，教師和課程開發者應該根據最新的研究成果進行適當的調整與補充，以保證內容框架的時效性。

（二）基于LLM的教學模式

LLM的發展已經為人工智能課程的教學模式帶來了新的變化，這在前文的綜述中得到了體現，特別是在探討LLM對編程教學的影響方面。值得注意的是，在當前的中小學信息技術或科技課程體系中，涉及人工智能的模塊往往以Python教學為核心?？紤]到這一現狀，將基于LLM的編程輔助工具引入中小學編程課堂顯得極其重要且具有實際可行性。同時，根據教育領域對LLM的廣泛討論可以發現，LLM對AI教育的積極影響不僅限于編程教學；它在其他知識的學習中也可發揮巨大作用，能夠提升學習者的參與度和學習質量[45]。綜上所述，為了充分利用LLM的潛能，需要根據LLM的特點構建一種新的人機協同教學模式，以將LLM嵌入至課堂教學的關鍵環節之中。

本研究提出的人機協同教學模式如圖2所示。這種模式的核心是將LLM作為一個輔助學習平臺的核心功能模塊，以虛擬代理的方式嵌入到教學、學習與評價三個關鍵環節之中。例如，LLM可以用于幫助學生解決復雜的編程問題，或者作為一個交互式聊天，通過智能對話來輔助學生掌握抽象的概念知識、提示的策略以及相關的實踐任務。具體作用如下：

首先，LLM可以作為教師角色的代理（AI教師）。利用LLM搭建一個虛擬的教師角色，可以深度參與師生交流、題目講解和錯因分析等實際教學場景，它能夠根據學生的反饋和數據，動態調整教學內容和方式，以滿足不同學生的需求。對于人類教師而言，虛擬教師角色與現實中的教師可以更好地協作以提高課程教學質量：通過與人類教師共享數據和反饋，LLM能夠生成針對性的教學資源，包括學習資源和評估工具。這可以幫助人類教師節省時間，專注于與學生的互動，為學生提供個性化的支持。

其次，LLM也以編程學習插件的形式支持編程教學，幫助學生深入理解編程概念。借助于LLM的強大分析和生成能力，可以將如Github Copilot和Codeium這類的LLM協同編程插件應用到編程教學環境之中，為學習者提供即時的代碼錯誤反饋，自動生成代碼啟動片段，甚至為復雜問題提供算法解決框架。在此基礎上，可以引導學生通過人機交互的方式來生成代碼、分析代碼和優化代碼，從而將學習的重心轉向對算法結構、代碼風格的評估等高級編程思維的訓練。與此同時，LLM也可以AI學伴的形式輔助學習其他知識，如可以通過持續的人機對話輔助學生訓練提示技巧。

評價是此人機協同教學模式的一個重要組成部分。例如，提示文本撰寫和程序應用開發是內容框架的重要組成部分，對提示文本內容質量和程序代碼質量進行評估有助于了解學習者在課程學習上的知識技能掌握程度和素養培養狀況。由于LLM在文本分析和代碼分析方面表現優異，通過部署平臺化的教學應用，可以記錄的教學過程性數據，在LLM的輔助下完成對學習者課程學習效果的評價，以及對虛擬教師和AI學伴在對學習者的幫助和引導方面的表現的評價。

綜上所述，這種LLM支持的人機協同教學模式可以從教學、學習和評價三個維度支持AI教育，形成一個完整的、互相支持的系統。在這個系統中，LLM不僅作為一個輔助工具，更是作為一個積極的參與角色，在教學的各個環節中發揮作用。然而，要使教育者能夠更加靈活地利用LLM的功能，讓學生有更為豐富的學習體驗，需要輔助學習平臺的支持，將學習資源、各類實驗、評估工具以及過程性數據等系統整合。

（三）LLM輔助學習平臺

正如前文所述，對于大語言模型的學習需要借助各類LLM學習平臺。這些平臺體現了一種新型的學習模式——通過“LLM”來學習“LLM”；換言之，利用LLM本身來學習和理解LLM的運行和應用。雖然己經有許多基于LLM的人工智能學習平臺，有助于學習者體驗、應用、理解、開發和訓練LLM。然而，考慮到中小學生的特點和認知發展規律，一方面現有的面向公眾的LLM學習平臺并不完全適合于中小學課程；另一方面，諸如LLM帶來的倫理問題（如數據隱私保護、數據安全和深度造假等問題）在公共平臺中也無法完全規避。因此，在現有這些學習平臺的基礎上，有必要充分考慮課程內容框架與教學模式的特點，開發適合基礎教育人工智能課程的大語言模型學習平臺。

如圖3所示，開發這類適應青少年教育環境的LLM輔助學習平臺需要具備資源、實驗、評估與數據四個核心功能模塊，以滿足LLM課程中人機協同教學活動的開展：

首先，實驗模塊。學習平臺可通過后臺代理服務調用如GPT-3.5-turbo等LLM的應用程序接口，實現豐富的實驗功能，滿足各項探究式學習活動。通過調用這些接口，在學習平臺上可以架構支持在線體驗的角色模擬對話、實時情感識別、文本摘要和指定風格的作文撰寫等功能。這些以體驗為主的基礎功能模塊有助于學生建立對LLM的初步認識，增強其學習興趣，為進一步的教學打下基礎。

其次，資源模塊。學習平臺可向學生提供內容豐富、形式多樣的學習資源包。這些資源包括但不限于解釋LLM基礎原理的文檔、提示文本撰寫的講解視頻、插件開發的實戰教學視頻、模型的預訓練數據集、適合不同下游任務的示例提示等不同實例和用于微調示范的專業領域語料等。這些學習資源能夠豐富和延伸教學內容，幫助學生更快的上手，體驗LLM的進階使用技巧，并且在實踐過程中加深對LLM的作用原理的認識。

第三，評估模塊。學習平臺可整合Github Copilot、Codeium等LLM應用提供的插件服務。通過充分利用這些協同編程插件的功能，能夠完成對現有的人工智能課程編程教學方式的轉變：在已有的編程語法知識和規范等課程基礎上，向集代碼生成、分析、糾錯和優化為一體的教學線路過渡，進一步培養學生借助LLM發現問題和解決問題的能力，強化計算思維的訓練，提升數字化學習與創新的能力。此外，通過將這些協同編程插件與其他模塊的整合，可充分運用學習互動過程中產生的多模數據，為學生提供個性化的反饋和建議；同時，教師也可以根據表征學生需求和進步的信息來調整教學方法。

最后，數據模塊。LLM輔助學習平臺也是學習分析的平臺。平臺可以保存學習者在與LLM交互過程中的各種數據，主要包括提示文本數據和模型輸出文本等。通過進一步分析提示文本數據，可以為提高學生提示文本撰寫質量與技能提供個性化的反饋信息。此外，還可以通過不同模型對彼此生成內容進行評價，如使用GPT-4模型來評價GPT-3.5-turbo模型生成的文本內容，學生可以根據多元的評價信息反思學習狀況，進一步培養學生的信息意識與批判性思維。

總體而言，通過設計和開發一個支持LLM的輔助學習平臺，能夠將上述人機協同的教學模式有效落地，進一步增強學生學習的交互性和參與，為進一步變革AI教育提供新的可能性。

（四）面向學科核心素養的教學活動設計

近年來，我國愈加重視基礎教育階段的AI教育。2022年出臺的《義務教育信息科技課程標準》明確將信息意識、計算思維、數字化學習與創新以及信息社會責任在內的學科核心素養作為信息科技課程的總目標。面向大語言模型的青少年AI課程架構不僅需要關注課程的時代性，也需要考慮課程的科學性[46]。具體而言，需要在學科核心素養導向下探索教學活動的設計方式[47]，在幫助學生掌握LLM基礎知識與技能的基礎上發展與培育學科核心素養。整體而言，面向LLM的青少年人工智能教育課程架構與學科核心素養的契合需要體現在教學活動的設計上，包括理論性內容的探究式學習，基于項目的深度實踐，以及倫理問題和社會責任的關注。

首先，理論性內容的探究式學習。通過跨學科的探究式學習活動，學生能深入理解LLM的實現原理、訓練方式與模型架構等。例如，教師可以設計一個與“LLM辯論的活動”，學生可以通過動手創建一個微調后的聊天機器人程序來實現與不同風格虛擬代理辯論的過程，以理解LLM的工作原理，在跨學科的活動情境中培育學生的計算思維[48]。另一個典型的例子是，教師可以讓學生輸入一些基本的個人信息，然后讓LLM生成每個學生的個人故事，結合個人經驗初步評估LLM輸出的質量，并激發學生反思輸入個人敏感信息過程的心理感受，提高使用LLM的信息社會責任。

其次，基于項目的深度實踐。LLM應用的快速推廣為課程體系的實踐活動提供了廣泛的主題參考。通過這些綜合性實踐項目的學習，學生將學會如何有效利用這些技術來解決現實問題。例如，通過在Python環境中調用特定LLM的應用程序接口，教師可以引導學生創建一個支持互聯網信息檢索的連續對話機器人，并鼓勵學生思考可能的應用場景。這種深度的編程實踐可以增強學生的數字化學習與創新能力。此外，學生也可以通過使用LLM進行內容創作和編輯來增強創新能力。例如，利用LLM的文本生成功能輔助進行內容創作與編輯；或者設計自動化程序，使用LLM來檢測和糾正自己撰寫的文本中的錯誤。

最后，重點關注倫理問題和社會責任。LLM的大量應用引發了更為深刻的倫理問題。在課程中加入這些內容，將強化學生在探討LLM的社會影響時的信息社會責任。例如，促使學生討論一個關于LLM誤用導致的社會事件，如考試作弊、深度造假或過度依賴LLM等議題，學生將建立起負責任使用新技術的倫理推理和批判性思維的能力。此外，通過專門的應用倫理內容模塊的學習，學生可以結合大語言模型的原理理解LLM可能引發的偏見、歧視、幻覺以及隱私等問題產生的技術根源，并通過小組活動和案例研究，探討如何制定相應的使用策略和規范來減輕這些問題。

綜上所述，通過設計大語言模型在青少年人工智能教育的課程架構，構建面向青少年LLM學習的內容框架，利用LLM探索人機協同AI教學模式，開發相應的輔助學習平臺，能夠在各類教學活動中進一步落實學科核心素養，為教師與學生提供一個更深入、更具參與性的AI教育環境。

四、解釋案例：高中LLM示范課程

基于上述初步構建的面向LLM的青少年AI教育體系，作者所在研究團隊選取內容框架中的部分知識模塊，嘗試構建一門適合于普通高中的示范課程：《面向大語言模型的人工智能基礎》。在此基礎上，選取《面向LLM的提示與評估》單元內容演示如何利用自主開發的LLM輔助學習平臺進行人機協同教學。

（一）課程內容

考慮到高中學段的青少年已經具備基礎的編程、算法知識，本示范課程將節選內容框架中的模塊二、模塊三、模塊四、模塊六和模塊八的全部或部分內容，形成五個教學單元。整體而言，課程內容的設計兼顧了對LLM的使用與進階開發，下面是各個單元的簡介：

單元1為大語言模型的原理。本單元側重于教授LLM的原理知識，幫助學生深入了解LLM技術，包括其發展歷程、趨勢、模型架構以及特點等。由于該模塊涉及一些較為專業的AI知識，需要輔助的教學資源對這些概念性知識深入闡釋。具體而言，在解釋LLM的架構時，通過設計一個文本填詞游戲的教學活動，將模型生成單詞的概率分布展示給學生，讓他們對比自己和語言模型的預測結果，進而引入模型訓練方式的相關知識。此外，單元中也包含一些交互式學習資源，這些資源展示了不同質量、來源和規模的訓練數據集，以幫助學生探索訓練數據集差異如何影響模型輸出的偏差。通過這個模塊，學生將基本了解到LLM是如何利用Transformer架構和潛在的注意力機制來預測輸入文本中單詞間的關系；同時，模塊中也穿插了相關的倫理知識，如訓練數據集是導致LLM輸出產生偏見的一個重要因素。

單元2為LLM的提示與評估。本單元聚焦于LLM的關鍵技能：提示工程，包括其基本概念和適用于主流LLM的提示策略。單元的學習強調實際操作，使學生充分理解提示工程在影響LLM（如GPT-3）輸出質量方面的重要性。更為重要的是，模塊中還嵌入了評估工具，以便在學生的實踐過程中評估他們的提示和相應的LLM輸出的質量，從而鼓勵他們改進提示策略并理解LLM的局限性。通過綜合運用提示策略的講解、實踐項目的訓練以及對提示的評估，學生將掌握提示工程的基礎知識，并逐漸認識到提示工程在未來各個行業領域的重要性。

單元3與單元4為編程與項目開發。第三單元突出了LLM在輔助編程學習方面的主要知識。特色之處在于，本單元是通過利用大語言模型進行人機協同的方式來教授編程：通過介紹如何使用主流的LLM插件來輔助編程學習，包括PEM解讀、構建代碼框架以及評估代碼質量等方面，引導學生在不同的項目開發中逐漸建立編程技能。在這個過程中，教師也需要重新思考編程教學的內容和邏輯，例如，將與計算思維緊密相關的核心算法和數據結構的知識前移，并通過實際項目的練習以及與LLM的協同教學，著重培養學生的創新思維和計算能力。與此對應，第四單元更注重提升學生面向LLM的開發能力，一些實踐訓練的設計包括調用托管于Hugging Face平臺的或是商業的大語言模型的應用程序接口進行二次開發，也涉及利用如LangChain等技術框架構建包含更多功能的應用程序等等。

第五單元旨在深入探索LLM迅速發展帶來的社會影響和倫理議題。通過跟蹤由LLM的濫用、誤用或惡意使用等行為導致的負面社會事件，將這些事件與LLM的技術細節和應用方式相結合，引導學生思考各種社會事件背后的倫理知識。學生通過一系列交互式學習資源深入探究訓練數據集中的隱私泄露、模型輸出的偏見與有毒內容、以及由于模型幻覺而導致的不良后果。本單元也將教學內容適當延伸至開發者的視角，促使學生理解包括常見的LLM應用攻擊模式，如注入提示攻擊等，從而逐步建立起應用程序的隱私保護機制以及如何控制LLM的偏見內容輸出等方面的認識。

（二）“LLM 4 Kids”的設計

為有效支持示范課程教學的開展，需要一個專門的輔助學習平臺——LLM 4 Kids。該平臺的設計考慮了人機協同教學的需求，并致力于為學生提供豐富的學習資源和交互式工具，支持他們在課程中掌握LLM的基本原理和應用技能。需要說明的是，LLM 4 Kids平臺目前仍處于開發階段，論文中僅展示支持《面向LLM的提示與評估》單元的提示工程模塊的設計與實現思路。如圖4所示為平臺的提示工程模塊具體技術路線圖：

首先，學習平臺通過后臺代理服務，向學習者提供可正常訪問的大語言模型API，如gpt-3.5-turbo等，使學習者能夠直接與大語言模型進行交互，進行提示策略的學習和實踐。例如，學生可以利用基于最少到最多的提示策略完成實踐活動，或利用思維鏈提示解決較為復雜的推理實驗任務等。

其次，該實驗環境也可以跟蹤記錄師生在教學過程中的數據（如學習者在特定任務中向大語言模型發送的提示文本以及得到的返回內容等），并在LLM的輔助下進行評價。通過如Perspective API（生成文本的毒性檢測的應用程序接口）對LLM的輸出內容進行檢測，評估生成內容是否存在偏見或歧視性內容；也可以通過調用GPT-4的模型接口對使用gpt-3.5-turbo模型生成的文本內容的質量進行評價；以及使用LLM對學習者撰寫的提示文本質量進行評估等。此外，這些過程性數據的跟蹤的實現需要結合預先開發的評估模塊，通過一些輕量級功能實現學習者學習過程的情感識別、過程數據轉換為SQL語句輸出和文本數據結構化處理等。

最后，提示工程實驗環境需要與課程教學資源結合，平臺從開源項目管理平臺、在線網站以及電子文獻數據庫中獲得部分電子資源，如LLM基礎原理文檔、API調用開發的教學視頻和模型的預訓練數據集等。然后通過篩選過濾，選擇合適的內容重新編排，形成能夠應用于提示教學的資源。

（三）單元演示案例：《LLM的提示與評估》

為進一步解釋LLM背景下青少年AI教育的變化，本研究將選取示范課程中的《面向LLM的提示與評估》單元內容作為案例，演示如何利用LLM 4 Kids平臺的提示工程實驗模塊進行人機協同教學。需要說明的是，圍繞“提示”產生的學習內容在大語言模型的知識體系中占據了重要的位置。正如上文所述，面向公眾的LLM教育中圍繞提示設置了多樣的課程，覆蓋了多個場景的用例；在編程教育的領域，自然語言提示的準確度也將影響LLM生成代碼或解釋的有效性；LLM輔助學習平臺中也出現了不少針對提示文本優化、調試的平臺工具。

提示學習在LLM學習中的重要性體現在以下幾個方面：首先，大語言模型的使用依賴高質量的自然語言提示：LM可用于通過零樣本提示（Zero-shot Prompting）解決廣泛的臨時任務（Ad-hoc Task），但具有不同措辭、風格的提示語句會導致模型輸出準確性的差異，公眾需要學會利用不同的提示策略來提高與LLM交互的質量[49]。其次，提示工程也將影響LLM應用開發的效果。在應用開發的實踐場景中，一系列提示語句組成的提示模板將按特定序列與LLM交互，決定著各類自動化應用程序的交互質量與穩定性[50]。最后，提示學習也是理解LLM應用倫理的關鍵。圍繞提示產生的如注入提示攻擊、深度造假內容制作等倫理風險引起了社會各界的高度重視[51]，提示學習也是理解這些風險以及形成應對策略的重要內容。

基于上述認識，提示學習在高中階段的青少年AI課程中需要引起重視。學生在掌握提示技能后，不僅可以在不同學科和實際生活中學會如何有效應用LLM，也會對LLM相關的知識建立初步的認識；同時，提示工程涉及到復雜的問題解決和創新思考，這有助于培養學生的計算思維能力。通過學習如何優化和調整提示，學生將學會抽象思維、邏輯推理和解決問題的方法。此外，提示工程的實際應用如生成創意內容、提供智能建議等貼近學生生活情境的應用場景更易吸引學生興趣。將這些引人入勝的應用納入教學活動，能夠激發學生學習LLM的興趣和參與度。

因此，在此基礎上，《LLM的提示與評估》的教學可以有以下幾個目標，包括讓學生理解提示的基本概念和術語；通過實踐活動，讓學生掌握優化和改進提示的技能；通過團隊合作，培養學生的創造力和問題解決能力；以及使用學習平臺的評價功能，對學生的學習成果進行評估并提供反饋?；诖?，可以將教學分為以下幾個階段：

階段一，介紹基本概念。通過使用平臺的課程資源建設板塊，教師可以向學生介紹提示的基本概念，使學生熟悉相關術語，如“提示”“思維鏈”“零樣本/少樣本”等。教師可以通過平臺的提示實驗環境，向學生展示一個簡單的提示，如“告訴我一些健康的水果”，并解釋這個提示如何導向不同的LLM生成類似“蘋果、香蕉”等的回應。

階段二，動手實踐活動。這些實踐活動按教學目的可以分為對提示的分析、提示的優化和小組協作設計提示三類。首先，學生使用提示工程實驗環境分析不同的提示，討論它們在LLM所需輸出方面的有效性。例如，學生可以比較“告訴我一些健康的食物”與“列出五種富含維生素C的水果”的兩種提示的效果；其次，教師可以介紹適用于LLM的提示模板，學生可以利用這些模板優化原有的提示。例如，在思維鏈提示的模板中，學生可以嘗試利用零樣本思維鏈提示進行優化，將“告訴我一些健康的食物”優化為“告訴我一些可以幫助青少年提高免疫力的水果。請一步步思考”。最后，教師可將學生分為小組，并為每一組分配一個特定的任務或領域，每組學生使用平臺創建和優化對其分配任務的提示，例如，一組學生可負責創建關于健康飲食的提示，另一組可專注于環保主題。

階段三，交互和評估。如圖5所示為提示工程模塊為學生在交互過程中的評估策略。平臺允許學生使用提示工程實驗環境板塊與LLM應用（類似ChatGPT）交互，并使用自己設計的提示進行實驗。在此過程中，平臺的教學評價板塊將收集學生在實踐過程中的數據，對提示文本和模型生成的響應進行評估，學生可以根據評價結果調整和改進各自的提示。

階段四，反思與應用。在這一階段，學生被鼓勵反思他們在前面階段學到的知識和技能，并探討如何將這些應用于現實生活中的問題解決。在此過程中，教師可以組織一個分享會，讓學生展示他們的利用提示策略完成的實踐項目，并分享他們在優化提示時所遇到的挑戰以及如何克服這些挑戰的策略與經驗。教師可以引導學生思考如何將所學的提示技術應用于日常生活和學習中。例如，學生可以探討如何使用提示技術來幫助他們在學習上取得進步，或者如何用它來解決生活中的實際問題。

上述教學活動僅列出教學的關鍵階段。通過這種結構化的教學活動，學生將在理論和實踐中獲得提示工程的全面理解，進而培養他們的批判性思維、創造力和合作能力；同時，學習平臺的評價功能則確保學生能夠收到有關他們的進步和成果的有價值的反饋。需要額外說明的是，本案例解釋對LLM背景下的人機協同教學的探索僅僅是初步嘗試。教學片段的展示主要關注了學生的參與方式，而對教師的要求和能力的變化尚未深入考慮。在實際應用中，教師的角色和能力是至關重要的。他們需要具備一定的技術背景，以理解和有效地教授提示工程的概念。此外，教師還需要適應新的人機協同教學模式，并能夠處理與大語言模型相關的復雜問題。

五、結語

隨著技術發展與社會影響之間的耦合變得越來越緊密，技術、社會、經濟、文化等因素相互交織，正共同影響個體對技術的理解與應用的方式。正如克勞德·施瓦布在其《第四次工業革命》中所強調[52]，我們正處于一個由人工智能、機器學習和其他數字技術所推動的快速變革時代。大語言模型的快速發展印證了這一點：在這類先進的AI系統迅速影響人類各個生存領域的背景下，要使青少年能快速適應不斷變化的未來生存世界，需要對基礎教育階段的AI教育進行實質性的改革。

為此快速響應大語言模型發展對AI教育的沖擊，本研究的首要目標是開發一個面向大語言模型的新課程架構。這一課程架構包括內容框架、人機協同教學以及LLM輔助學習平臺三個維度，其特色之處在于：（1）建構了一個相互關聯、層層遞進的LLM課程內容框架，內容框架涉及了八個核心知識模塊，能夠滿足不同學段青少年的學習需求；（2）形成了一個能將LLM嵌入至AI課程教學的人機協同教學模式；（3）根據課程內容框架、人機協同教學的特點，提出了一個包含資源、實驗、評估和數據四個核心功能模塊的LLM輔助學習平臺的實現思路。與此同時，在學科核心素養的引領下，本研究也指出了教學活動設計與課程架構的契合之處。

本研究的另一個核心目標是為一線教師提供參考指南，以設計和實施面向大語言模型的人工智能課程。通過展示一個具體的高中示范課程和單元案例，本研究揭示了如何利用自主開發的LLM輔助學習平臺“LLM 4 Kids”開展人機協同的教學活動。然而，值得注意的是，本文開發的課程案例僅是初步的小規模應用。為了全面評估這一課程架構的效果，有必要在未來研究中針對不同學段和地區的推進情況進行深入分析，不斷評估課程的適用性、學生的核心素養培育情況以及教師的適應程度。

需要額外指出，本研究也提供了LLM輔助開發平臺的設計與實現方式，但主要聚焦于提示工程實驗模塊。未來的研究需進一步開發“LLM 4 Kids”平臺以有效整合AI編程輔助教育模塊，使學生在掌握LLM應用方式的同時，能夠更加有效地利用這些技術來解決復雜的編程問題。

參考文獻：

[1] OpenAI.GPT-4 Technical Report [EB/OL].https：//arxiv.org/ abs/2303.08774，2023-06-01.

[2] Tom B.Brown，Benjamin Mann，et al.Language models are fewshot learners [J].Advances in Neural Information Processing Systems，2020，33：1877-1901.

[3] Luciano Floridi，Massinmo Chiriatti.GPT-3：Its nature，scope，limits，and consequences [J].Minds and Machines，2020，30（4）：681-694.

[4][25] Paul Denny，James Prather，et al.Computing Education in the Era of Generative AI [EB/OL].https：//arxiv.org/abs/2306.02608，2023-06-15.

[5] Roberto Navigli，Simone Conia，et al.Biases in Large Language Models：Origins，Inventory and Discussion [J].ACM Journal of Data and Information Quality，2023，15（2）：1-21.

[6][19][24] Brett A.Becker，Paul Denny，et al.Programming is hard-or at least it used to be：Educational opportunities and challenges of AI code generation [A]. Maureen Doyle.Proceedings of the 54th ACM Technical Symposium on Computer Science Education [C].New York：Association for Computing Machinery，2023.500-506.

[7] U.S.National Science Foundation.Rapidly Accelerating Research in Artificial Intelligence [EB/OL].https：//new.nsf.gov/funding/opportunities/ rapidly-accelerating-research-artificial，2023-06-01.

[8] AI Singapore.AI Singapore Educators [EB/OL].https：//learn.aisingapore. org/educators/#goes-to-school，2023-06-01.

[9] 熊璋，李正福.義務教育階段信息科技課程建設路徑研究[J].中國電化教育，2023，（1）：127-132.

[10] 中小學人工智能課程指南課題組，江波.中小學人工智能課程指南[J].華東師范大學學報（教育科學版），2023，41（3）：121-134.

[11] Edx.Search Results for “chatgpt” [EB/OL].https：//www.edx.org/search q= chatgpttab=course，2023-06-01.

[12] Coursera.prompt-engineering [EB/OL].https：//www.coursera.org/learn/ prompt-engineering，2023-06-01.

[13][39] DeepLearning.AI.Short Courses [EB/OL].https：//www.deeplearning.ai/short-courses/，2023-06-01.

[14] Princeton University.COS 597G：Advanced Topics in Computer Science：Generative Models [EB/OL].https：//www.cs.princeton.edu/courses/ archive/fall22/cos597G/，2023-06-01.

[15] Stanford University.CS224N：Natural Language Processing with Deep Learning [EB/OL].https：//web.stanford.edu/class/cs224n/index. html#schedule，2023-06-01.

[16] Carnegie Mellon University.Generative AI Events [EB/OL].https：//www. cs.cmu.edu/generative-ai/events，2023-06-01.

[17] ETH Zürich.LLM S23：Large Language Models [EB/OL].https：//rycolab.io/ classes/llm-s23/，2023-06-01.

[18] Enkelejda Kasneci，Kathrin Se ler，et al.ChatGPT for good On opportunities and challenges of large language models for education [EB/OL]. https：//doi.org/10.1016/j.lindif.2023.102274，2023-03-01.

[20] Brett A.Becker，Keith Quille.50 years of CS1 at SIGCSE：A review of the evolution of introductory programming education research [A].Elizabeth K.Hawthorne.Proceedings of the 50th ACM technical symposium on computer science education [C].New York：Association for Computing Machinery，2019.338-344.

[21] James Finnie-Ansley，Paul Denny，et al.The robots are coming：Exploring the implications of OpenAI Codex on introductory programming [A].Judy Sheard. Proceedings of the 24th Australasian Computing Education Conference [C]. New York：Association for Computing Machinery，2022.10-19.

[22] Andreas Stefik，Susanna Siebert.An empirical investigation into programming language syntax [J].ACM Transactions on Computing Education，2013，13（4）：1-40.

[23] Yujia Li，David H.Choi，et al.Competition-level code generation with AlphaCode [J].Science，2022，378（6624）：1092-1097.

[26] James Prather，Brent N.Reeves，et al.”It’s Weird That it Knows What I Want”：Usability and Interactions with Copilot for Novice Programmers [J]. ACM Transactions on Computer-Human Interaction，2023，31（1）：1-31.

[27] Sami Sarsa，Paul Denny，et al.Automatic generation of programming exercises and code explanations using large language models [A].Jan Vahrenhold.Proceedings of the 2022 ACM Conference on International Computing Education Research [C].New York：Association for Computing Machinery，2022.27-43.

[28] Stephen MacNeil，Andrew Tran，et al.Generating diverse code explanations using the GPT-3 large language model [A].Jan Vahrenhold.Proceedings of the 2022 ACM Conference on International Computing Education Research [C].New York：Association for Computing Machinery，2022.37-39.

[29] Edwin M.Knorr.Reforming a Database Course to Address Cognitive Load by Using Worked Examples [A].Ben Stephenson.Proceedings of the Western Canadian Conference on Computing Education [C].New York：Association for Computing Machinery，2019.1-6.

[30] Anna Eckerdal，Michael Thuné.Novice Java programmers’ conceptions of “object” and “class”，and variation theory [A].Jose Cunha.Proceedings of the 10th annual SIGCSE conference on Innovation and technology in computer science education [C].New York：Association for Computing Machinery，2005.89-93.

[31] Roberto Minelli，Andrea Mocci，et al.I know what you did last summer-an investigation of how developers spend their time [A].Andrea D.Lucia.2015 IEEE 23rd international conference on program comprehension [C].Los Alamitos：Wiley-IEEE Computer Society Press，2015.25-35.

[32][49] Errol Thompson，Jacqueline L.Whalley，et al.Code classification as a learning and assessment exercise for novice programmers [EB/OL].https：// cseweb.ucsd.edu/～bsimon/pubs/papers/NACCQQ11analysisPaperFinal. pdf，2023-06-01.

[33] 本刊編輯，張絨.生成式人工智能技術對教育領域的影響——關于ChatGPT的專訪[J].電化教育研究，2023，44（2）：5-14.

[34] OpenAI.GPTPlayground [EB/OL].https：//platform.openai.com/ playground，2023-06-01.

[35] Hendrik Strobelt，Albert Webson，et al.Interactive and visual prompt engineering for ad-hoc task adaptation with large language models [J].IEEE transactions on visualization and computer graphics，2022，29（1）：1146-1156.

[36] Shizhe Diao，Pengcheng Wang，et al.Active prompting with chainof-thought for large language models [EB/OL].https：//arxiv.org/ abs/2302.12246，2023-06-15.

[37] Jiacheng Liu，Alisa Liu，et al.Generated knowledge prompting for commonsense reasoning [EB/OL].https：//arxiv.org/abs/2110.08387，2023-06-15.

[38] Denny Zhou，Nathanael Sch rli，et al.Least-to-most prompting enables complex reasoning in large language models [EB/OL].https：//arxiv.org/ abs/2205.10625，2023-06-15.

[40] Langflow.Project Langflow [EB/OL].https：//pypi.org/project/ langflow/，2023-06-01.

[41] Flowise AI.Flowise AI [EB/OL].https：//flowiseai.com/，2023-06-01.

[42] DUST.Document Understanding and Synthesis Toolkit [EB/OL].https：// dust.tt/，2023-06-01.

[43] Hugging Face.Hugging Face [EB/OL].https：//huggingface.co/，2023-06-01.

[44] H2O.ai.H2O Documentation [EB/OL].https：//docs.h2o.ai/，2023-06-01.

[45] Tianjia Wang，Daniel Vargas-Diaz，et al.Exploring the Role of AI Assistants in Computer Science Education：Methods，Implications，and Instructor Perspectives [EB/OL].https：//arxiv.org/abs/2306.03289，2023-06-15.

[46] 熊璋，趙健等.義務教育階段信息科技課程的時代性與科學性——《義務教育信息科技課程標準（2022年版）》解讀[J].教師教育學報，2022，9（4）：63-69.

[47] 梁云真，劉瑞星等.中小學“人工智能+X”跨學科融合教學：理論框架與實踐策略[J].電化教育研究，2022，43（10）：94-101.

[48] 宿慶，張文蘭等.面向高中生計算思維培養的信息技術課程項目式學習研究[J].電化教育研究，2022，43（8）：109-115+122.

[50] Pengfei Liu，Weizhe Yuan，et al.Pre-train，prompt，and predict：A systematic survey of prompting methods in natural language processing [J].ACM Computing Surveys，2023，55（9）：1-35.

[51] Fabio Perez，Ian Ribeiro.Ignore previous prompt：Attack techniques for language models [EB/OL].https：//arxiv.org/abs/2211.09527，2023-06-15.

[52] [瑞士]克勞德·施瓦布.李菁譯.第四次工業革命：轉型的力量[M].北京：中信出版社，2016.

作者簡介：

褚樂陽：在讀博士，研究方向為人工智能教育、計算機支持的協作學習、共享調節學習理論。

王浩：在讀碩士，研究方向為人工智能教育、計算機支持的協作學習、共享調節學習理論。

陳向東：教授，博士，學部副主任，研究方向為人工智能教育、計算機支持的協作學習、共享調節學習理論。

AI Education for Young Learners with a Focus on Large Language Models

Chu Leyang， Wang Hao， Chen Xiangdong

Department of Educational Information Technology， East China Normal University， Shanghai 200062

Abstract： Large Language Models （LLMs）， as cutting-edge AI technologies， are having a profound impact on human life， which is excel in handling vast volumes of text data and play a significant role in natural language processing， compared to traditional AI. The rapid advancement of LLMs has noticeably influenced AI education in terms of curriculum content， teaching methodologies， and learning platforms. This change necessitates the modernization of AI education for young students. Addressing this need， the study develops a youth AI curriculum framework targeting LLMs， encompassing content structure， LLM-based teaching strategies， and an LLM-aided learning platform. Moreover， it dives into how to align this curriculum closely with disciplinary core literacy through innovative instructional design. Using this framework， a high school LLM demonstration course was designed and developed， with a focus on showcasing human-computer collaborative learning through a proprietary platform named LLM 4 Kids. An exemplary unit from the course， titled Prompting and Evaluating with LLMs， illustrates the effective application and integration of LLM technologies in teaching. By offering an LLM-focused AI curriculum framework for youth， alongside an illustrative case， this study provides AI educators with a structural guide and practical insights， facilitating the introduction of large language model into primary and secondary education. This endeavor is instrumental in preparing young students for the fast-paced evolution of AI.

Keywords： Large Language Models； AI curriculum； human-computer collaboration； LLM 4 Kids

責任編輯：李雅瑄