大語言模型時代工科實踐教學(xué)的機遇、挑戰(zhàn)與應(yīng)對初探

［摘 要］隨著信息技術(shù)的飛速發(fā)展，人工智能在教育領(lǐng)域的應(yīng)用日益廣泛，特別是ChatGPT等大語言模型的興起，為工科實踐教學(xué)注入了新的活力。工科實踐教學(xué)是培養(yǎng)學(xué)生實踐能力與創(chuàng)新精神的關(guān)鍵環(huán)節(jié)，傳統(tǒng)教學(xué)模式在個性化教學(xué)、激發(fā)學(xué)生學(xué)習(xí)興趣以及提升學(xué)生課堂參與度等方面卻顯現(xiàn)出局限性。文章通過介紹大語言模型的基本原理及其發(fā)展現(xiàn)狀，深入分析大語言模型應(yīng)用于工科實踐教學(xué)的潛在機遇與挑戰(zhàn)，提出相應(yīng)的應(yīng)對策略，并設(shè)計一個以問題為導(dǎo)向的“師—生—大模型”互動教學(xué)案例。

［關(guān)鍵詞］生成式人工智能；大語言模型；工科實踐教學(xué)

［中圖分類號］G642 ［文獻標(biāo)識碼］A ［文章編號］2095-3437（2024）22-0011-07

近年來，人工智能（Artificial Intelligence，AI）技術(shù)及其應(yīng)用在全球范圍內(nèi)迅速發(fā)展，受到各國高度重視。2017年，國務(wù)院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》明確了我國在人工智能領(lǐng)域的戰(zhàn)略規(guī)劃，強調(diào)要抓住人工智能發(fā)展的重大戰(zhàn)略機遇[1]。2022年11月，OpenAI推出的ChatGPT大語言模型（Large Language Model， LLM）在全球范圍內(nèi)引起了廣泛關(guān)注，為教育、醫(yī)療、金融等多個領(lǐng)域帶來了前所未有的機遇與挑戰(zhàn)[2]。在教育領(lǐng)域，眾多學(xué)者積極探索和實踐人工智能在教學(xué)中的應(yīng)用[3-5]，并深入分析了其面臨的挑戰(zhàn)[6]。2023年9月，聯(lián)合國教科文組織（UNESCO）發(fā)布的《教育與研究領(lǐng)域生成式人工智能指南》揭示了生成式人工智能（Generative Artificial Intelligence，GAI）在增強學(xué)習(xí)成效和提升創(chuàng)新能力方面的巨大潛力，并為其在教育和研究領(lǐng)域的應(yīng)用提供了規(guī)范性指導(dǎo)，旨在促進GAI更好地融入這些領(lǐng)域[7]。

工科實踐教學(xué)作為培養(yǎng)學(xué)生實踐能力與創(chuàng)新精神的關(guān)鍵環(huán)節(jié)，著重于培養(yǎng)學(xué)生運用理論知識解決實際問題的能力。然而，當(dāng)前工科實踐教學(xué)受限于傳統(tǒng)的班級授課模式，導(dǎo)致教師難以全面關(guān)注學(xué)生的個體差異，進而使得部分學(xué)生難以深入理解和應(yīng)用知識，同時他們的學(xué)習(xí)興趣和課堂參與度也不高。本文旨在簡要分析工科實踐教學(xué)中的現(xiàn)存問題，介紹大語言模型的發(fā)展現(xiàn)狀，深入探討其應(yīng)用于工科實踐教學(xué)所面臨的機遇與挑戰(zhàn)，并提出相應(yīng)的應(yīng)對策略，以期為大語言模型時代下的工科實踐教學(xué)創(chuàng)新提供參考與借鑒。

一、大語言模型概述與應(yīng)用

大語言模型是生成式人工智能的一個具體應(yīng)用，專注于處理自然語言理解和生成任務(wù)。生成式人工智能作為人工智能領(lǐng)域的一個重要分支，通過模仿人類的創(chuàng)作過程，為我們提供了一個全新的、富有創(chuàng)新性的內(nèi)容生成方式。大語言模型在多個方面展現(xiàn)了其強大的能力。首先，大語言模型能夠生成流暢且連貫的文本，這在自動寫作、對話系統(tǒng)等領(lǐng)域具有廣闊的應(yīng)用前景。其次，大語言模型具有很強的上下文理解能力，能夠根據(jù)上下文信息推斷出文本的含義，從而更精確地回答用戶的問題或完成相關(guān)任務(wù)。最后，大語言模型還具有一定的常識推理能力，能夠在一定程度上理解并回答涉及常識的問題。大語言模型因其高度通用化和智能化的表現(xiàn)受到社會廣泛關(guān)注，其引發(fā)的技術(shù)革命也正逐漸延伸為一場社會革命[8]。

（一）大語言模型基本原理

大語言模型的基本原理是基于深度學(xué)習(xí)技術(shù)，利用多層神經(jīng)網(wǎng)絡(luò)對語言的統(tǒng)計規(guī)律和潛在語義信息進行建模，其目標(biāo)是生成符合語法和語義規(guī)則的自然語言文本。大語言模型在訓(xùn)練過程中通過對大規(guī)模的文本數(shù)據(jù)進行學(xué)習(xí)和抽象，能生成具有邏輯性和連貫性的語言輸出。它不僅能生成自然語言文本，還能深入理解文本含義，處理各種自然語言任務(wù)，如文本摘要、問答、翻譯等。大語言模型的訓(xùn)練過程通常分為兩個階段：預(yù)訓(xùn)練和微調(diào)。在預(yù)訓(xùn)練階段，大模型使用大量的未標(biāo)記文本數(shù)據(jù)進行訓(xùn)練，最終目的是讓模型理解語言的一般規(guī)律和語義表示，捕捉語言的復(fù)雜性和多樣性，并生成與輸入相關(guān)的文本。此外，大語言模型的發(fā)展使人們在自然語言處理領(lǐng)域取得了顯著突破，為人們提供了一種更加智能、高效的語言交互方式。隨著技術(shù)的不斷進步，大語言模型及其在人工智能領(lǐng)域的應(yīng)用已成為全球科技研究的熱點，其在規(guī)模上的增長尤為引人注目，參數(shù)量已從最初的十幾億躍升到如今的一萬億。

總的來說，大語言模型的基本原理是通過深度學(xué)習(xí)和大規(guī)模文本數(shù)據(jù)訓(xùn)練，實現(xiàn)對語言規(guī)律的建模和自然語言文本的生成，為自然語言處理領(lǐng)域的發(fā)展提供了強大的支持。

（二）典型大語言模型

通用大語言模型以如今廣為人知的由OpenAI發(fā)布的ChatGPT作為開端，其在具有強大性能的GPT?3基礎(chǔ)模型上，引入代碼訓(xùn)練、指令微調(diào)（Instruction Tuning）和基于人類反饋的強化學(xué)習(xí)（Reinforcement Learning from Human Feedback，RLHF）等技術(shù)，進一步增強自然交互和人類對齊能力，使其在面對常識性和推理性問題、未知領(lǐng)域和敏感議題時展現(xiàn)出顯著智能化特征。在此之后，OpenAI所發(fā)布的多模態(tài)大模型GPT?4，支持同時以文本和圖像多種模態(tài)運行，其認知和推理能力或?qū)硗ㄓ萌斯ぶ悄艿脑僖淮巫兏铩?/p>

通過結(jié)合指令微調(diào)和基于人類反饋的強化學(xué)習(xí)兩項技術(shù)，ChatGPT在與人類用戶對話交互方面展現(xiàn)了卓越表現(xiàn)。例如，在程序調(diào)試方面，ChatGPT可以根據(jù)用戶提供的程序代碼片段回答錯誤原因或提供解決方法，且還會主動提問以獲取更多信息，從而確認自己的理解是否正確；在敏感話題方面，ChatGPT可以根據(jù)用戶提問時使用的措辭或意圖判斷是否應(yīng)該回答。正因為這種強大的認知與交互能力，ChatGPT一經(jīng)發(fā)布便迅速引起社會的廣泛關(guān)注，成為通用人工智能發(fā)展歷程中的重要里程碑。除ChatGPT外，眾多研究機構(gòu)還推出了各自的大語言模型，國內(nèi)外部分大語言模型發(fā)布時間線如圖1所示。這些模型各有特色，能夠靈活應(yīng)用于多樣化的場景與任務(wù)中，極大地推動了人工智能技術(shù)的發(fā)展及其在實際中的應(yīng)用。

值得注意的是，大語言模型在工科實踐項目學(xué)習(xí)中發(fā)揮著重要作用。例如，它具備強大的編程能力，能理解自然語言編寫的編程需求，生成代碼片段，幫助學(xué)生快速入門編程并優(yōu)化代碼。此外，大語言模型擁有龐大的知識庫和較強的學(xué)習(xí)能力，能為學(xué)生提供最新的技術(shù)動態(tài)和實踐經(jīng)驗，助力項目實施。

二、大語言模型在工科實踐教學(xué)中的機遇

工科實踐教學(xué)一直以來都是培養(yǎng)工程技術(shù)人才的重要途徑之一。在傳統(tǒng)工科實踐教學(xué)中，學(xué)生通過實驗課、實習(xí)、設(shè)計項目等方式，鞏固理論知識，同時提升實際操作能力和問題解決能力。然而，隨著科技的不斷進步和人工智能技術(shù)的日益成熟，大語言模型作為一種新型的人工智能技術(shù)，為工科實踐教學(xué)帶來了全新的機遇與可能性。

（一）構(gòu)建個性化學(xué)習(xí)環(huán)境

傳統(tǒng)教學(xué)普遍采用“一刀切”的教學(xué)方式，讓每個學(xué)生接受相同的教學(xué)內(nèi)容與方法，忽視了學(xué)生間的個體差異。然而，每個學(xué)生的學(xué)習(xí)需求、興趣和學(xué)習(xí)風(fēng)格都可能不同，因此個性化學(xué)習(xí)體驗變得至關(guān)重要。大語言模型以其卓越的自然語言處理能力和深度學(xué)習(xí)技術(shù)，為構(gòu)建個性化學(xué)習(xí)環(huán)境提供了強大的支持。通過深入了解學(xué)生的學(xué)習(xí)需求、習(xí)慣和偏好，大語言模型能夠生成定制化的學(xué)習(xí)資源、教學(xué)計劃和輔導(dǎo)方案，從而讓學(xué)生獲得更高效、更有趣的學(xué)習(xí)體驗。

大語言模型通過收集和分析學(xué)生的學(xué)習(xí)數(shù)據(jù)，能夠精準地把握學(xué)生的學(xué)習(xí)特點和需求。這些數(shù)據(jù)包括學(xué)生的答題記錄、學(xué)習(xí)時長、互動頻率等，通過對這些數(shù)據(jù)的挖掘和分析，模型能準確識別學(xué)生的學(xué)習(xí)難點、興趣點及提升空間。基于這些數(shù)據(jù)，大語言模型可以為學(xué)生推薦合適的學(xué)習(xí)資源與內(nèi)容。例如，對于基礎(chǔ)薄弱的學(xué)生，模型可以推薦一些基礎(chǔ)性的教程和練習(xí)題，幫助他們鞏固基礎(chǔ)知識；對于能力較強的學(xué)生，模型則可以推薦更具挑戰(zhàn)性和創(chuàng)新性的學(xué)習(xí)項目和任務(wù)，激發(fā)他們的探索精神與創(chuàng)新潛能。此外，大語言模型還可以根據(jù)學(xué)生的學(xué)習(xí)進度和實時反饋，靈活調(diào)整教學(xué)計劃和策略。當(dāng)學(xué)生在學(xué)習(xí)過程中遇到困難時，模型能迅速提供針對性的指導(dǎo)，幫助他們解決問題；當(dāng)學(xué)生的學(xué)習(xí)進度超過預(yù)期時，模型也可以相應(yīng)地調(diào)整教學(xué)內(nèi)容與難度，持續(xù)激發(fā)學(xué)生的學(xué)習(xí)熱情與動力。

（二）提供實時反饋和支持

在傳統(tǒng)教學(xué)模式中，教師通常面對的是一群學(xué)生，采用的是“一對多”的教學(xué)方式。在這種教學(xué)方式下，教師往往難以針對每個學(xué)生的個性化需求提供具體反饋與支持。隨著科技的進步，大語言模型的出現(xiàn)為教育領(lǐng)域帶來了全新的可能性。大語言模型憑借其強大的自然語言處理能力和深度學(xué)習(xí)技術(shù)，充當(dāng)虛擬助教或智能輔導(dǎo)角色，為學(xué)生提供個性化的、實時的反饋與支持。無論學(xué)生身處家中、學(xué)校還是其他任何地方，一旦遇到學(xué)習(xí)難題或疑惑，都能即刻向大語言模型提出，并立即獲得解答與反饋。這不僅有助于及時解決學(xué)生的問題，還能幫助他們厘清思路，深化知識理解，同時培養(yǎng)學(xué)生的主動學(xué)習(xí)意識和獨立思考能力，使他們更加自信地應(yīng)對學(xué)習(xí)挑戰(zhàn)。

（三）推薦豐富的學(xué)習(xí)資源

在傳統(tǒng)教學(xué)模式中，學(xué)生的學(xué)習(xí)資源受限于教材、教師專業(yè)知識及學(xué)校資源，因此知識接觸面較窄，難以充分拓展學(xué)習(xí)深度和廣度。然而，隨著大語言模型的出現(xiàn)，這一局面得到了極大的改善。大語言模型憑借其強大的自然語言處理能力和深度學(xué)習(xí)技術(shù)，能夠精準對接學(xué)生學(xué)習(xí)需求與教學(xué)目標(biāo)，生成豐富多樣的學(xué)習(xí)資源。這些資源全面覆蓋教學(xué)文檔、練習(xí)題、實驗?zāi)M等，且能根據(jù)學(xué)生的個性化需求進行靈活定制，從而有效拓寬學(xué)生的視野。

大語言模型能夠針對不同需求的學(xué)生提供定制化學(xué)習(xí)資源。對于在特定領(lǐng)域有濃厚興趣的學(xué)生，模型能深入挖掘相關(guān)知識，提供進階內(nèi)容，以滿足他們的求知欲，激發(fā)他們的學(xué)習(xí)熱情，并培養(yǎng)他們的專業(yè)素養(yǎng)。對于學(xué)習(xí)遇阻或進度較慢的學(xué)生，模型則能提供多層次輔助，依據(jù)學(xué)生實際情況定制練習(xí)題與解析，助力他們逐步攻克難點，提高學(xué)習(xí)效果。

（四）提升自主學(xué)習(xí)能力

在傳統(tǒng)教學(xué)模式中，學(xué)生常處于被動接受信息的狀態(tài)。大語言模型能夠通過互動學(xué)習(xí)的方式，有效激發(fā)學(xué)生的自主學(xué)習(xí)意識與潛能。模型作為交互式學(xué)習(xí)工具，有效引導(dǎo)學(xué)生自主學(xué)習(xí)，幫助學(xué)生培養(yǎng)良好的學(xué)習(xí)習(xí)慣與自主意識。當(dāng)學(xué)生在學(xué)習(xí)過程中遇到困難或疑問時，他們可以與模型進行對話，尋求幫助和指導(dǎo)，而不再完全依賴教師或其他人的指導(dǎo)。自主學(xué)習(xí)能力是現(xiàn)代社會中不可或缺的重要能力，它不僅有助于學(xué)生更好地適應(yīng)未來的學(xué)習(xí)和工作環(huán)境，實現(xiàn)自我成長和發(fā)展，還能提高他們的學(xué)習(xí)效率和成效。通過與大語言模型的互動學(xué)習(xí)，學(xué)生將掌握自主學(xué)習(xí)技能，學(xué)會主動提出問題、尋找答案及思考解決方案，為未來學(xué)習(xí)與職業(yè)發(fā)展奠定堅實基礎(chǔ)。

三、大語言模型應(yīng)用于工科實踐教學(xué)的挑戰(zhàn)

大語言模型在工科實踐教學(xué)中應(yīng)用廣泛，為教學(xué)帶來了創(chuàng)新機遇，但同時也面臨著不容忽視的挑戰(zhàn)與風(fēng)險。

（一）信息的準確性難以保證

由于大語言模型在處理和生成文本時存在局限性，且對數(shù)據(jù)和上下文的理解可能存在偏差，因此大語言模型應(yīng)用于教學(xué)時存在帶來誤導(dǎo)性信息的風(fēng)險。首先，大語言模型是通過學(xué)習(xí)大量的文本數(shù)據(jù)來生成回答的，這些數(shù)據(jù)可能包含錯誤、過時或帶有偏見的信息。如果模型未能具備充分識別和過濾這些信息的能力，那么在生成答案時就有可能包含誤導(dǎo)性的內(nèi)容。其次，模型的訓(xùn)練數(shù)據(jù)可能無法完全反映現(xiàn)實世界的復(fù)雜性，這也會導(dǎo)致生成的答案存在局限性或偏差。再次，大語言模型在理解和解釋文本時可能受到上下文、語境和語義復(fù)雜性的影響。例如，在某些情況下，模型可能無法準確理解問題的真正含義或意圖，從而生成與實際情況不符的答案。這種誤解或誤判可能導(dǎo)致學(xué)生接收到錯誤的信息或概念。最后，大語言模型還存在被濫用或誤用的風(fēng)險。例如，有人可能會故意輸入錯誤的問題或誘導(dǎo)模型生成誤導(dǎo)性的答案，以此來誤導(dǎo)學(xué)生或達到其他不良目的。這種濫用行為不僅會影響教學(xué)質(zhì)量，還可能對學(xué)生的學(xué)習(xí)和認知產(chǎn)生負面影響。

（二）知識的碎片化程度加劇

由于大語言模型采用問答式學(xué)習(xí)方式，僅在學(xué)生提出問題后才進行回答，這導(dǎo)致其所呈現(xiàn)的知識往往以相對獨立的主題形式存在，難以保證知識的系統(tǒng)性。不可否認，在數(shù)字化時代，碎片化學(xué)習(xí)是一種重要的學(xué)習(xí)方式，但知識的碎片化不利于學(xué)生構(gòu)建完整的知識結(jié)構(gòu)體系。具體而言，問答式學(xué)習(xí)雖能滿足個體學(xué)習(xí)需求，卻將知識分割成了碎片，使原本體系化的知識結(jié)構(gòu)被打散。學(xué)生在面對這些無序的碎片化知識時，難以有效建立知識碎片之間的相互聯(lián)系。此外，知識的碎片化還會加劇資源信息的超負荷現(xiàn)象，使得知識的甄別難度日益增大。同時，在碎片化學(xué)習(xí)環(huán)境下，人的思維容易變得去中心化，注意力難以集中，往往采取發(fā)散性思維看待事物，導(dǎo)致學(xué)習(xí)的深度與廣度不足。學(xué)生可能滿足于在生成答案時淺嘗輒止，缺乏進一步的思考和知識內(nèi)化，從而難以促進知識的有效遷移和學(xué)以致用。

（三）偏離動手能力培養(yǎng)目標(biāo)

工科實踐教學(xué)的核心在于培養(yǎng)學(xué)生的實踐能力和實驗技能，這是他們未來從事工程技術(shù)工作的基礎(chǔ)。實踐能力和實驗技能的培養(yǎng)不僅依賴于理論知識的學(xué)習(xí)，更需要學(xué)生在真實的實驗環(huán)境和操作中不斷嘗試、摸索和修正。在真實的實驗環(huán)境中，學(xué)生可能會遇到各種未知的挑戰(zhàn)和問題，這些問題往往沒有固定的答案，需要學(xué)生根據(jù)自身的知識和經(jīng)驗進行獨立思考和判斷。通過不斷地嘗試和修正，學(xué)生可以逐步掌握實驗的關(guān)鍵技巧和方法，提升自己的實踐能力。過度依賴模型可能會導(dǎo)致學(xué)生缺乏實際操作的經(jīng)驗和技巧，使他們在操作真實的實驗設(shè)備時顯得生疏和不自信。缺乏實際操作和調(diào)試經(jīng)驗不利于學(xué)生準確理解實驗原理及步驟，導(dǎo)致學(xué)生難以有效地將理論知識與實際操作相結(jié)合，偏離學(xué)以致用的目標(biāo)。

（四）阻礙學(xué)生創(chuàng)新思維培養(yǎng)

過度依賴大語言模型可能會削弱學(xué)生在實際操作中獨立思考和解決問題的能力，這種依賴性在一定程度上阻礙了學(xué)生創(chuàng)新思維的培養(yǎng)和高階能力的提升。大語言模型能夠即時提供答案和解決方案，這在一定程度上減少了學(xué)生獨立思考和探索的機會。當(dāng)學(xué)生遇到問題時，他們可能更傾向于直接詢問模型，而不是自己嘗試分析問題、提出假設(shè)并進行實驗驗證。這種即時的反饋機制雖然方便快捷，但削弱了學(xué)生面對挑戰(zhàn)時的自主探索精神，不利于他們通過實踐來培養(yǎng)創(chuàng)新思維。此外，大語言模型通常基于大量的數(shù)據(jù)和算法進行生成和推理，其提供的答案和解決方案往往局限于已知的范圍，可能會導(dǎo)致學(xué)生陷入思維定式，難以跳出已知框架去思考和探索新的問題。這種思維定式也在一定程度上限制了學(xué)生的創(chuàng)新思維和解決問題的能力，使他們在面對未知或復(fù)雜問題時可能感到無所適從。

四、大語言模型時代教師主動應(yīng)對策略

面對大語言模型帶來的教學(xué)機遇和挑戰(zhàn)，工科高校教師需要采取一系列策略來適應(yīng)這種新的教學(xué)環(huán)境。

（一）抓住機遇優(yōu)化教學(xué)設(shè)計

大語言模型作為人工智能領(lǐng)域的一項重要技術(shù)，為高校工科教學(xué)帶來了前所未有的機遇。教師應(yīng)積極擁抱這一變革，充分利用大語言模型的優(yōu)勢，創(chuàng)新教學(xué)方式，提升教學(xué)質(zhì)量。

第一，大語言模型具有強大的自然語言處理能力，能夠理解和生成人類語言。因此，可以利用大語言模型構(gòu)建智能問答系統(tǒng)，幫助學(xué)生快速解答學(xué)習(xí)中的疑問。傳統(tǒng)的問答方式往往受限于教師的知識儲備和教學(xué)時間，而智能問答系統(tǒng)則可以隨時隨地為學(xué)生提供幫助，極大地提高學(xué)習(xí)效率。同時，每個學(xué)生都有自己獨特的學(xué)習(xí)方式和節(jié)奏，傳統(tǒng)的“齊步走”教學(xué)模式很難滿足所有學(xué)生的需求。大語言模型可以根據(jù)學(xué)生的學(xué)習(xí)數(shù)據(jù)和習(xí)慣，為每個學(xué)生提供定制化的學(xué)習(xí)建議和資源。這有助于激發(fā)學(xué)生的學(xué)習(xí)興趣和積極性，提高他們的學(xué)習(xí)效果。

第二，大語言模型還可以幫助教師拓展教學(xué)內(nèi)容。工科領(lǐng)域的知識更新迅速，教師需要不斷學(xué)習(xí)和掌握新知識才能跟上時代的步伐。然而，由于時間和精力的限制，教師很難及時獲取和整理所有相關(guān)資料。而大語言模型可以通過爬取互聯(lián)網(wǎng)上的信息，為教師提供豐富的教學(xué)素材和案例。這可以幫助教師豐富教學(xué)內(nèi)容，使學(xué)生接觸到更多前沿知識和技術(shù)，拓寬他們的視野和思路。

第三，大語言模型還可以促進教學(xué)方式的創(chuàng)新。傳統(tǒng)的工科教學(xué)方式往往注重理論知識的傳授和實踐技能的培養(yǎng)，而忽視了學(xué)生的自主探究體驗。大語言模型的應(yīng)用可以為學(xué)生提供更多的自主學(xué)習(xí)和探索的機會，鼓勵他們通過提出問題、解決問題的方式來深化對知識的理解和掌握。同時，教師還可以利用大語言模型引導(dǎo)學(xué)生開展項目式學(xué)習(xí)、協(xié)作式學(xué)習(xí)等，培養(yǎng)學(xué)生的團隊協(xié)作能力。

（二）應(yīng)對挑戰(zhàn)規(guī)避潛在風(fēng)險

正如任何技術(shù)革新一樣，大語言模型給教學(xué)帶來的不僅僅是機遇，也伴隨著一系列挑戰(zhàn)。工科高校教師需要積極應(yīng)對這些挑戰(zhàn)，確保技術(shù)的合理應(yīng)用，并最大限度地發(fā)揮其在教學(xué)中的積極作用。

大語言模型技術(shù)的復(fù)雜性和專業(yè)性對教師提出了更高的信息素養(yǎng)要求。要有效應(yīng)用大語言模型開展教學(xué)，教師需要具備一定的計算機技術(shù)和人工智能基礎(chǔ)知識，了解模型的工作原理、數(shù)據(jù)輸入和處理方式等。同時，教師還需要學(xué)會如何選擇和使用適合教學(xué)需求的大語言模型，確保模型在教學(xué)中的準確性和可靠性。學(xué)生在使用大語言模型時，可能會因為缺乏批判性思維而容易接受模型生成的信息，從而導(dǎo)致對知識的誤解或淺嘗輒止。因此，教師需要引導(dǎo)學(xué)生正確使用大語言模型，培養(yǎng)學(xué)生的信息篩選和判斷能力。這包括引導(dǎo)學(xué)生如何評估模型生成信息的可靠性、如何結(jié)合其他資料進行綜合分析，以及如何對模型進行反饋和改進等。

在傳統(tǒng)教學(xué)中，學(xué)生需要通過自身的努力和深入思考來解決問題，而大語言模型的出現(xiàn)可能會使學(xué)生傾向于依賴技術(shù)來快速獲取答案，不利于培養(yǎng)學(xué)生獨立思考和自主解決問題的能力。為了應(yīng)對這一挑戰(zhàn)，教師需要注重培養(yǎng)學(xué)生的自主學(xué)習(xí)能力和創(chuàng)新精神，引導(dǎo)他們將大語言模型作為學(xué)習(xí)的輔助工具。同時，教師還可以設(shè)計具有挑戰(zhàn)性和探索性的學(xué)習(xí)任務(wù)，以激發(fā)學(xué)生的學(xué)習(xí)興趣和主動性。

（三）以需求為牽引的互動教學(xué)案例

下面展示一個利用大語言模型開展“師—生—大模型”教學(xué)的具體案例。該案例以“某部門多型裝備歷年經(jīng)費投入可視化”問題為導(dǎo)向，利用大語言模型智能輔助手段，通過問題分析、方法篩選、輔助編碼等階段解決實際問題（見表1）。從該案例可以看出，大語言模型在工科實踐教學(xué)中的應(yīng)用并不僅僅局限于簡單的單回合問答。相反，教師可以根據(jù)具體情況進行合理的引導(dǎo)和啟發(fā)，同時鼓勵學(xué)生結(jié)合所學(xué)知識，對大語言模型返回的結(jié)果進行合理運用、篩選、甄別及必要的調(diào)整。

五、結(jié)語

在ChatGPT等大語言模型蓬勃發(fā)展的當(dāng)下，教育領(lǐng)域正經(jīng)歷一場前所未有的技術(shù)創(chuàng)新浪潮。特別是在工科實踐教學(xué)中，自適應(yīng)學(xué)習(xí)與人工智能技術(shù)的深度融合，正引領(lǐng)我們探索一種全新的教學(xué)模式。在這種模式下，學(xué)生能夠根據(jù)個人興趣和學(xué)習(xí)進度，靈活選擇適合自己的學(xué)習(xí)路徑，從而實現(xiàn)真正意義上的個性化學(xué)習(xí)。這種互動式的學(xué)習(xí)方式，不僅能夠激發(fā)學(xué)生的學(xué)習(xí)興趣和提升學(xué)生的課堂參與度，還能有效提升教學(xué)效果。然而，工科實踐教學(xué)中運用大語言模型面臨著一些不容忽視的挑戰(zhàn)和風(fēng)險。在未來一段時間內(nèi)，教師仍將是工科實踐教學(xué)中培養(yǎng)學(xué)生創(chuàng)新能力和批判性思維的主體。如何不斷探索和優(yōu)化教學(xué)模式、合理運用大語言模型，以適應(yīng)新技術(shù)時代的教育需求，值得進一步深入研究和探索。

［ 參 考 文 獻 ］

[1］ 國務(wù)院.國務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL]. （2017-07-20）[2024-04-03]. https：//www.gov.cn/zhengce/content/2017-07/20/con?"tent_5211996.htm.

[2］ BAIDOO?ANU D，ANSAH L O. Education in the era of generative artificial intelligence（AI）：understanding the potential benefits of ChatGPT in promoting teaching and learning [J]. Journal of AI， 2023， 7（1）： 52-62.

[3］ 汪芳，趙左，王毅航，等. 人工智能在程序設(shè)計教學(xué)應(yīng)用中的探索與實踐[J].計算機教育，2023（11）： 45-50.

[4］ 盧宇，余京蕾，陳鵬鶴，等.生成式人工智能的教育應(yīng)用與展望：以ChatGPT系統(tǒng)為例[J].中國遠程教育，2023，43（4）：24-31.

[5］ 張震宇，洪化清. ChatGPT支持的外語教學(xué)：賦能、問題與策略[J]. 外語界，2023（2）：38-44.

[6］ 丁奕，呂寒雪.當(dāng)教師遇上ChatGPT：挑戰(zhàn)與應(yīng)對之道[J].當(dāng)代教育論壇，2024（2）：10-18.

[7］ UNESCO. Guidance for generative AI in education and research [EB/OL].（2023-09-07）[2024-04-03]. https：//www.unesco.org/en/articles/guidance?generative?ai?education?and?research.

[8］ 陳慧敏，劉知遠，孫茂松.大語言模型時代的社會機遇與挑戰(zhàn)[J]. 計算機研究與發(fā)展，2024，61（5）：1094-1103.

［責(zé)任編輯：梁金鳳］