基于大模型的軍事院校AI導師教學模式探索

DOI：10.3969/j.issn.1671-489X.2024.22.098

摘 要 隨著人工智能技術的快速發展，其在教育領域的應用也越來越廣泛。為了更好地發揮學員的學習主動性、積極性和創新性，進而在不同時段有效提高教學質效，通過對大數據基本原理的闡述、不同應用場景下的功能分析，針對軍事院校傳統教學模式的不足之處，建立一種全新的AI導師教學模式，培養更多適應未來戰爭的高素質軍事人才。

關鍵詞 軍事院校；大模型；AI導師；教學模式

中圖分類號：E251.3 文獻標識碼：B

文章編號：1671-489X（2024）22-00-04

0 引言

軍事院校課程教學具有通識程度廣、專業程度高、課程門類多等特點，學員自主學習時間相對較少，碎片化時間多，難以建立有效的預習、復習和科研實踐機制，一定程度上限制了學員學習主動性、積極性和創新性的發揮，導致部分學員存在考前大量刷題、重成績輕能力的現象，并未完全將教學內容融會貫通于日常學習、工作中，因此，亟待探索研究新的教學理念和教學方法。

大模型的出現為新時期軍事院校教學模式發展提供了一種新的思路，可以應用大模型技術構建AI導師教學模式，在課前教學資源管理、課中教學互動、課后教學答疑三個時段有效提升教學質效，為打贏未來戰爭奠定基礎。

1 大模型國內外研究現狀

大語言模型簡稱大模型，通常是指具有大量參數和復雜結構的深度學習模型。隨著人工智能等新興技術的飛快發展，統計語言模型、神經語言模型、預先訓練語言模型、大語言模型等技術被逐漸應用到人們的教學、科研、生活中。2017年，谷歌公司利用注意力機制加強模型的訓練和語義理解能力，并提出全新的Transformer架構；2018年，提出大規模預訓練語言模型BERT。2022年由OpenAI公司推出的ChatGPT、GPT-4等生成式人工智能已經擁有較高的算力，特別是GPT-4具備多模態理解與多類型內容生成能力，大數據、大算力和大算法結合，大幅提升了大模型的預訓練和生成能力與多模態多場景應用能力。

我國政府高度重視該新興領域的發展，2023年7月，國家網信辦等七部門聯合發布《生成式人工智能服務管理暫行辦法》，以法規文件的形式規范了生成式人工智能的發展方向、應用場景等[1]。當前，大模型已經被廣泛應用于科研、金融等領域，不少學者和在校大學生也在積極探索大模型在教育領域的應用。在傳統教育領域中，大模型的應用體現在深入理解教學資源、關聯語義、行為、意圖等，并構建線上線下教學互動的新模式[2-3]。大模型在教育中的應用，標志著人工智能嵌入式教學由機器學習模式的算法通用式自動預測、深度學習模式的架構通用化自動識別，向通用大模型模式的模型通用化自動生成轉變[4]。

目前，我國已經發布超過80個大模型產品，至少130家企業正在推進大模型相關研究，主要產品包括科大訊飛的訊飛星火、百度的文心一言、阿里巴巴的通義千問、上海人工智能實驗室發布的書生等。其中華為盤古大模型在100多個行業完成場景驗證，言犀AI幫助京東完成開發計算平臺等核心供應鏈場景落地實踐，騰訊混元大模型在廣告推薦、游戲端角色塑造等方面已經取得較好的應用效果。國內大模型具有邊緣部署離線應用的能力，以清華大學研發的ChatGLM-6B大模型為例，該模型是一種開源且支持中英文對話的語言模型，具有62億參數，結合模型量化相關技術，可實現在消費級顯卡中離線部署，具有對話模式、工具模式、代碼解釋模式，幫助客戶端完成較為復雜的任務。

2 大模型基本原理、教育應用場景和主要

功能

2.1 大模型基本原理

大模型通常通過大規模數據進行訓練來捕捉底層模式和特征，以實現在各種任務上的卓越性能。大模型常用的是Chinchilla擴展法則和KM擴展法則。Chinchilla擴展法則是Google DeepMind團隊提出的一種通過變化更大范圍的模型大小和數據大小，在約束條件下優化損失，將計算預算最優地分配給模型大小和數據大小的方法。KM擴展法則是OpenAI團隊首次提出的神經語言模型的性能與模型規模、數據集規模和訓練計算量之間的冪律關系模型，更偏向于把更大的預算分配給模型大小[5]。

相比ChatGPT等大模型，國內大模型在智能涌現、數學能力與代碼能力等方面存在差距，但是國內整體上已經具備自主研發大模型和大模型實踐應用的能力。

2.2 大模型教育應用場景

根據大模型的潛力，其在院校教育、職業教育、終身教育中有著廣泛的應用前景。

1）院校教育。大模型可應用于課程設計和教學輔助方向，自動學習、理解多模態信息，并生成高質量文本回答問題，充當教學輔助工具。此外，還可以錄入院校教育內容，為學員提供個性化學習與答疑服務。

2）職業教育。大模型可以應用于艦艇部隊職業技能技術培訓和職業規劃領域，模擬真實的工作任務，生成工作想定等方式，離線部署至一線部隊，提高一線部隊軍士自主開展職業教育的能力。

3）終身教育。大模型可以為具有需求和興趣的人提供智能化教學內容推薦、碎片化時間學習和答疑服務，通過“自主學習+大模型（AI導師）+在線教育”的模式為終身教育提供更加智能化、科學化、個性化的解決方案。

2.3 大模型主要功能

如圖1所示，大模型主要功能有三種：文本挖掘與管理、語義解析與預測、人機對話與互動。文本挖掘功能主要是通過機器學習算法和自然語言處理技術，從大量的文本數據中提取有用的信息和知識。語義解析功能主要是通過自然語言處理技術，對文本進行語義理解和分析。同時，大模型還具有預測功能，可根據語義解析的結果對文本的未來趨勢或結果進行預測。人機對話與互動功能是理解用戶的意圖和需求，為用戶提供個性化的服務和建議。

2.3.1 文本挖掘與管理

大模型可實現在大量的文本語料中對特定需求的文本進行高質量挖掘與分類，并在完成機器翻譯、文本摘要等任務基礎上實現文本內容的再創作。大模型的文本挖掘與管理功能主要包括以下幾個方面。

1）文本分類：通過對大量文本數據進行分析，自動將文本劃分為不同的類別，有助于快速了解文本的主題和內容，提高信息檢索的效率。

2）關鍵詞提取：從文本中自動提取出具有代表性和區分度的關鍵詞，有助于進一步分析文本的主題和內容。

3）情感分析：對文本中的情感傾向進行識別和分析，如正面、負面或中性情感，有助于了解用戶對某個主題或產品的態度和看法。

4）實體識別：從文本中自動識別出人名、地名、組織名等實體信息，有助于進一步分析文本的背景和上下文。

5）關系抽取：從文本中自動提取實體之間的關系，如人物之間的親屬關系、地理位置之間的鄰近關系等，有助于深入了解文本中的復雜結構和關系。

6）文本摘要：自動從長篇文本中提取關鍵信

息，生成簡潔的摘要，有助于快速了解文本的主要內容，提高信息檢索的效率。

7）語義搜索：通過對文本進行深入理解和分

析，實現基于語義的搜索功能，有助于提高搜索結果的準確性和相關性。

8）文檔聚類：將具有相似主題或內容的文本自動分組，為進一步分析和處理文本數據奠定基礎。

9）文檔關聯：通過分析文本之間的相似性和關聯性，發現不同文本之間的聯系，幫助用戶深入了解文本背后的知識體系和結構。

10）數據可視化：將文本挖掘的結果以圖表、詞云等形式展示，有助于直觀地了解文本數據的分布和特點。

2.3.2 語義解析與預測

大模型的語義解析與預測功能主要實現在理解和生成人類語言的過程中，對輸入文本進行深層次的語義理解和分析，并基于此作出預測。

1）語義解析：將自然語言文本轉化為計算機可理解的形式，幫助機器更好地理解文本的含義和上下文關系。

2）語義表示：通過深度學習技術將文本轉化為向量形式，以便計算機能夠處理和分析。

3）語義預測：根據已有的語義信息預測文本中潛在語句和詞語，以增強下游任務的預測能力。

4）組合泛化：通過適當的提示技術完成諸多任務，包括理解和產生可能無限數量的已知組件的新穎組合。

2.3.3 人機對話與互動

諸如ChatGPT、訊飛星火等生成式人工智能，可以實現自然語言用戶在數字世界中進行流暢且連貫的多輪對話，實現現實世界和數字世界的互動。該功能重點在于利用深度學習和自然語言處理技術模擬人的思維方式、理解復雜的語境和含義，提供準確且有效的反饋，同時根據用戶的反饋記錄主動了解用戶的需求，進行多模態（語音、圖像、文本）的交互，可以幫助用戶完成任務分配、資源管理、進度跟蹤、數據提取和共享等諸多工作。

3 軍事院校傳統教學模式存在的不足

3.1 戰爭形式演化較快，教學資源整合及時性不足

戰爭形態經歷了冷兵器、熱兵器、機械化并正在向信息化、智能化形態發展，人工智能、物聯網、腦機接口等先進技術在軍事領域的應用越來越廣泛。軍事院校一門課、一個學科、一個專業教學效果的好壞，關鍵在于課前的籌劃和準備，重點在于能否把智能化戰爭演變過程中的新興事物、重要事件在教學資源整合中進行有機融合并應用于課堂、服務于教學。但在教學準備過程中，受準備時間和其他戰訓任務等約束條件的限制，往往難以集中時間和精力細致入微地查找、梳理、分析、開源網絡中有關智能化戰爭發展的資料，更難以對標課程內容、重難點問題進行未來戰爭的啟智性暢想。分析現實教學與未來戰爭暢想未能有機結合的原因，根本在于課前教學資源查找困難，資源整合費時較多，難以短時間形成整合思路，教學資源整合的及時性不強。

3.2 課堂以傳統講授為主，學員自主學習能力不強

目前，軍事院校教學依舊是以傳統講授式教學為主，講授的知識內容全面、廣泛，結構清晰且有深度。在講授式教學過程中，部分教員照本宣科，對學員啟發引導不足，學員始終處于被動的接收狀態，形成一種淺表式簡單的師生互動模式，授課內容缺乏前瞻性、創新性。教學從本質上講未能跳出知識傳授的舒適圈，未能充分調動學員學習的主動性、信息處理的發散性，未能體現以學員為中心的教學理念，背離了教員啟發式教學和學員積極式學習的教學互動關系，導致學員被填鴨式灌輸，對知識的吸收、理解、轉換效率低，未能有效激發學員對課程和專業的興趣，一定程度上影響了學員制衡強敵、打贏未來高端戰爭能力的生成。

3.3 理論與實踐聯系不緊密，課內與課外知識結合度不好

由于課堂中教與學互動效率不高，學員看似掌握了知識，卻未能將其融會貫通于生活、學習、工作中，諸如學過了標圖卻不會繪圖、學過了帆纜卻不會繩結、學過了想定卻不會應用等問題。在實際應用中，部分學員沒有將課程知識和軍事實踐有機結合，對于具體問題不能自己尋找解決問題的方法，更多的是尋求他人的幫助，缺乏從理論到實踐過程的自我思考。

3.4 知識更新不及時，碎片化時間利用率不高

未來戰爭的勝負取決于戰爭階段軍事理論、軍事思想、軍事科技知識的合理高效運用，而院校教授的基礎知識是已有的、固化的、經驗的知識體系，難以應對瞬息萬變的高端戰爭需求。因此，如何實現既有知識供給側與高端戰爭知識需求側的精準對接，是軍事指揮人才培養的重中之重。軍事人才全周期培養和自我培塑是軍事指揮人才指揮決策能力、組織實施能力、戰法創新能力提高的必由之路。學員在院校教育期間受制于課程、訓練、勤務等活動影響，課余時間相對較少，碎片化時間利用率不高，自我學習能力相對較弱；在崗位工作期間受戰備勤務、演訓任務、事務性工作等因素影響，沒有相對集中的學習時間。另外，一些部隊存在學習資料不足等問題，且無法獲得在線學習資源，限制了官兵職業教育和自我提升。

4 基于大模型的軍事院校AI導師教學模式

4.1 AI賦能教學輸入

利用生成式大模型賦能軍校教員的教學籌劃和準備工作，構建教學資源知識庫、問題庫、學員資料庫等，可以提升教學準備的效率和精確度。

4.1.1 教學進程管理

生成式大模型可以在人的引導下自動為學員分配合適的學習內容和課程內容，幫助教員定制化地制定授課計劃，實現因材施教。

4.1.2 教案文本整理

生成式大模型可以主動進行熱點材料的挖掘和處理，對過往課件內容進行美化調整和梳理，整合教材中的關鍵信息，將零散的知識和熱點信息整理成結構化的知識體系。一方面，大模型可以在教員引導下，在特定目標、特定內容、特定主題的約束下，自動生成教案，提高教學準備效率；另一方面，大模型可以對現有教案進行文本調整，如格式優化等，幫助教員從冗余事務中解放出來，優化教學資源，增強整體教學效果。

4.2 AI構建一課多導師模式

大模型可以構建“多位數字AI導師+現實導師”的一課多導師模式，突出學員的教學主體地位。

1）在進行課堂講授式教學前，學員可以利用AI導師完成教學知識的問答，實現課前的快速預習。

2）在課堂教學時，遇到重難點問題可以通過調用大模型，在繁雜的知識信息中檢索相對集中、準確的參考答案，實現具有針對性、較為精確的解答和注釋，提升課堂實時教學效率。

3）在課后學習時，通過錄入課本等相關材料，將過往一對一答疑模式轉化為“多位數字AI導師+

現實導師”對學員的多對多教學答疑模式，提升學員課后答疑效率，增強復習反饋效果。

4）大模型可在課后階段充當教學評價、課程評估、學員評價的助理，通過學習和理解大量的過往文本、語音等多模態樣本數據，生成課堂中學員表現的評價報告，并在多課程、多學科、多教員中進行交叉驗證評估，輔助完成實時性和階段性教學評價工作。

4.3 基于大模型的項目導向式教學模式

生成式大模型可通過多模態人機互動、文本挖掘，提供邊緣部署式AI導師，解決學員獨立開展項目導向式教學的大部分問題。在教員布置完教學案例或研究項目后，學員可以利用生成式大模型獨立開展文本挖掘，完成案例或項目的背景、目標、方法和可行性等內容的分析，梳理研究現狀，并在撰寫過程中讓生成式大模型提供多輪多次的人機多模態互動對話，提供文本撰寫的指導。在教員預先設計的框架內，由生成式大模型提供反饋和建議，減少傳統的大組會研學活動，增加零散的個性化人機互動式研學活動，提升學員自主獨立研究戰爭、創新戰法的能力，將研學活動有機嵌套融合在學員的日常工作中，極大地提升個人獨立開展項目研究和理論實踐的能力。

5 結束語

本文探討了大模型的基本原理和教育應用場景，并重點介紹了其在軍事院校教學模式中的應用。大模型通過大規模數據訓練來捕捉底層模式和特征，以實現其在完成各種任務上的卓越性能。在軍事院校教育（包括院校教育、職業教育和終身教育）應用上，大模型的主要功能為教學提供了更加精準和個性化的支持，提高了教學質量和效率。研究表明，基于大模型的軍事院校AI導師教學模式可以有效地提高學員的學習成績和學習興趣，增強學員的自主學習能力和創新思維能力。此外，該模式還可以增強教學效果和學員對教學的滿意度，為軍事院校的教學改革和創新提供新的思路與方法。

未來可以進一步拓展大模型在其他領域的應用，為人工智能技術在教育領域的廣泛應用提供更多的理論和實踐支持。同時，可以考慮進一步優化大模型的性能，更好地將大模型與實際教學場景相結合，以實現更加智能化、科學化、個性化的教學解決方案。

6 參考文獻

[1] 生成式人工智能服務管理辦法（征求意見稿）[J].中國

信息化，2023（5）：18-19.

[2] 吳蘭岸，閆寒冰，黃發良，等.大型語言模型在高等教

育中的應用分析與現實挑戰[J].現代教育技術，2023，

33（8）：29-37.

[3] 盧宇，余京蕾，陳鵬鶴，等.多模態大模型的教育應用

研究與展望[J].電化教育研究，2023，44（6）：38-44.

[4] 吳砥，李環，陳旭.人工智能通用大模型教育應用影響

探析[J].開放教育研究，2023，29（2）：19-25.

[5] Hoffmann J， Borgeaud S， Mensch A， et al. Training

Compute-Optimal Large Language Models.（2022-03-

29）[2024-03-20].https：//arxiv.org/abs/2203.15556.

作者簡介：隋先輝，副教授。