大語言模型賦能教學實現個體指導應用路徑研究

摘要：大語言模型技術迅猛發展，在各個領域的應用日益廣泛，尤其是在教育領域已展現出顯著的成效。傳統的教學指導方法往往無法根據每個學生的具體學習情況提供個性化的學習建議。探討了大語言模型在大學生個體指導中的應用路徑，包括數據集準備、大語言模型的部署、微調和評估。初步應用結果表明，經再訓練和微調的大語言模型生成學習建議的能力顯著提升。

關鍵詞：大語言模型；個體指導；建議生成；教育技術

一、前言

大語言模型等人工智能技術在教育領域的應用，正日益成為推動教育數字化轉型的重要力量。黨的二十大報告中明確指出要推動“教育數字化”，并加強信息技術和人工智能在教育中的應用[1]。在此背景下，教育部及相關部門強調推進智慧校園建設，打造中國版人工智能教育大模型，以促進教育與科技的深度融合[2]。此舉旨在培養適應社會發展需求的高素質人才，確保在全球競爭中保持優勢地位。因此，研究如何對大學生進行及時個體指導并生成有效的學習建議，對于提升人才培養質量具有重要意義。

大語言模型在教育領域的應用推動了智慧學習和學校管理創新。EduChat、桃李、九章等[3]已在智慧學習和學校管理中展現出良好的教育價值[4]。其中，桃李和九章大模型尤為關注知識的持續更新，適用于教育咨詢和智能導學的場景[5]。這些先進的應用案例表明，大語言模型在教育領域具有廣闊的應用潛力，不僅為教育工作提供了創新的解決方案，也為提升教育質量和效率提供了強有力的技術支撐。

本文探討了大語言模型在大學生個體指導中的具體應用路徑。通過大學生學習特征分析、數據集準備以及基于LoRA技術對ChatGLM3模型進行微調，實現高效的學習建議生成，指導學生提升學習效果。初步研究結果表明，經過再訓練和微調的大語言模型生成學習建議的能力有了顯著提升，為教育工作者提供了有效的參考和支持。

二、大語言模型實現個體指導的關鍵步驟

（一）數據集的數據結構設計

為了確保大語言模型能夠生成符合學生實際情況的合理建議，數據集的結構設計至關重要，是數據采集前必須進行的重要工作。

首先是學習成績相關特征與標簽設計情況。學習成績是衡量學生學術表現的關鍵。通過隨堂測試、課堂答辯、考勤情況和綜合成績等多維度評價學生的即時和長期學術表現。例如：隨堂測試能夠反映學生的即時掌握情況，特征是 “相對隨堂測試得分指數是90”“隨堂測試得分與平均水平相比很大”。標簽為“隨堂測試得分高于大多數同學，表現非常出色”。

其次是課堂表現相關特征與標簽設計情況。課堂表現是展現學生學習態度的關鍵。通過學生在課堂上的答題頻次、參與討論次數及其時長等來表現。例如，討論次數反映了學生在課堂中的參與度，特征是“相對討論次數指數是10”“答題討論次數與平均水平相比很小”。標簽為“幾乎沒有參與討論，缺少與他人的互動和觀點交換，建議多參與討論，主動分享你的想法和問題，這不僅能加深對知識的理解，也有助于課堂氛圍的營造”。

最后是課堂反饋相關特征與標簽設計情況。課堂反饋直觀反映學生學習情況，涵蓋了學生對課程內容的接受度、教學進度的適應性，以及對隨堂測試難度的反饋。例如：特征是“相對隨堂測試難度指數是30”“隨堂測試難度與平均水平相比較小”，標簽是“認為隨堂測試的難度低于一些同學的評價，這可能意味著該同學對課程內容掌握較好，具備較強的學習能力”。

（二）大語言模型的特征工程實現

在大語言模型的應用中，數據的質量和預處理過程對于模型的訓練效果至關重要。為了確保模型能夠高效地理解和處理輸入數據，數據需要經過一系列的預處理和特征工程操作。這一過程不僅有助于提升數據的結構化程度，還能顯著增強模型在預測和分析過程中的表現。本研究中，研究人員采取了全面的特征工程方法，涵蓋了數據清洗、特征轉換和特征映射等多個環節，以確保數據能夠有效支持大語言模型的訓練。

首先，對收集到的數據進行數據清洗。原始數據中通常會存在一些無效記錄、缺失值或者異常值，這些數據如果不進行處理，會影響后續分析和模型的訓練效果。研究人員采用了刪除和填充相結合的策略：對于缺失值較多或包含異常值的數據，會直接刪除這些記錄，以避免對模型訓練造成負面影響。而對于缺失值較少的記錄，則根據數據的不同性質采取相應的填充方法。具體來說，數值型數據可以使用均值或中位數進行填充，而類別型數據則會用最頻繁的類別來填充。此外，針對數據的分布特征，研究人員還會進行插值處理，確保數據的完整性和準確性。

其次，在完成數據清洗后，對數據進行量化轉換，特別是針對定性數據的處理。在大語言模型的訓練中，定性數據，如對課程、教學內容、教學方法的評價等，需要轉化為定量數據，以便模型能夠更好地理解和處理。以課程滿意度反饋為例，研究人員們將不同的評價，如“很滿意”“滿意”“較滿意”“一般”“不滿意”“很不滿意”，轉換為相應的數值100、80、60、40、20、0。這種數值化的方式能夠將主觀評價轉化為客觀、可量化的指標，便于模型進行分析和特征提取，從而提高數據處理的效率和準確性，使得模型在學習過程中能夠進行更加精準的預測和判斷。

最后，需要進行數據排名和特征映射的工作。通過對所有數據進行百分比排名，可以直觀地展示每個學生在各個維度上的相對位置。這一過程的核心思想是將所有數據轉化為一個可比較的標準，從而為特征工程提供了更多有價值的信息。例如，學生的期末成績、簽到次數、考勤成績等定量數據在進行排名后，可以為每個學生在不同維度上賦予相應的權重和標簽，形成一個個性化的數據視圖。這種排名方式使得研究人員能夠清晰地識別出學生的優勢和不足，并為后續個性化提供學習建議奠定了基礎。

通過這種方式，所有的數據經過了結構化、標準化的處理，并映射到相應的特征和標簽上。這一過程不僅為大語言模型的訓練提供了高質量的輸入數據，還確保了數據的適應性和一致性，使得模型能夠準確地進行學習和預測。最終，研究人員將所有處理過的數據整合為一個統一的數據集，并將其作為大語言模型訓練的輸入數據，確保模型能夠在處理和分析過程中得到更加精準的結果。

（三）大語言模型的微調

大語言模型的微調是其在大學生個體指導中應用的核心步驟之一，能夠提升模型的生成學習建議文本的準確性。微調通過對模型進行針對性訓練，能夠有效調整其生成內容的方向。在眾多微調方法中，LoRA （Low-Rank Adaptation）微調方法因在計算效率和性能優化方面的優勢，成為了當前大語言模型微調的重要手段。

LoRA是一種新興的高效微調方法，其核心理念是通過低秩矩陣分解來減少預訓練模型微調時需要調整的參數數量。傳統的微調方法通常需要對整個模型的參數進行調整，不僅計算開銷大，還可能導致過擬合問題。而LoRA通過在模型的權重矩陣中引入低秩分解項，僅對其中少量的參數進行微調，避免了對所有參數進行全面調整的高計算負擔。這樣的做法大大降低了計算復雜度，并且由于調整的參數量較少，能夠有效防止過擬合，從而提高微調過程的穩定性和魯棒性。

LoRA方法在大語言模型的微調中具有顯著的優勢，特別是在面對數據量較大或計算資源有限的情況下。通過這種方式，能夠以較低的成本對模型進行高效的個性化調整，尤其是在處理大學生個體指導時，能夠更加靈活地適應每個學生的學習特點和需求，意味著LoRA微調不僅可以提升模型的學習能力，還能使其在具體應用場景中表現得更加精準、智能。

在大學生個體指導中，LoRA微調技術展現出了極大應用潛力。通過對大語言模型微調，可以結合學生的個體差異，如課程滿意度和知識掌握情況，使模型更加精準地理解學生的學習需求?；诰珳世斫?，模型能夠根據每個學生的具體學習背景和水平，提供量身定制的學習建議和指導。這種個性化的教育方式，有助于提高學生的學習效率，促進知識深入掌握，并激發其自主學習動力，為學生的學業發展提供有針對性的支持。

三、大語言模型個體指導應用實踐

圍繞關鍵步驟展開個體指導大語言模型應用實踐，成功地實現模型的實際應用離不開多個關鍵步驟的精心設計與實施。

（一）環境配置

本研究的實驗環境基于最新穩定版的Ubuntu操作系統，內核版本為5.15.0-117-generic，確保了系統的穩定性和對硬件的良好支持。軟件環境使用Python 3.10.12，具有強大的兼容性和豐富的第三方庫，適合機器學習和深度學習任務。硬件配置方面，實驗服務器配備Intel Xeon Silver 4214處理器，具備出色的多線程計算能力，能夠高效處理并行任務。系統內存為128GB，支持大規模數據處理和模型訓練?；A模型選擇了ChatGLM3-6B，提升了語言理解和生成能力，更好地支持實驗中的任務需求。

（二）數據集準備

在本研究中，數據集準備所需的數據是通過多種形式的收集手段來獲取的，以確保大語言模型能夠全面學習大學生在整個課程學習中的各種學習狀態。

在整個學期的教學過程中，研究人員高度重視學生成績信息的全面收集。通過精心策劃的隨堂測試和嚴謹組織的期末測試，為獲取學生成績數據搭建了堅實橋梁。每節課后，都會安排5～10分鐘的隨堂測試，題目以選擇題為主，緊密圍繞當堂課的核心知識點，旨在快速檢驗學生對新知識的即時掌握程度。而期末測試則涵蓋了更為廣泛的內容，包括組織學生進行答辯。在答辯中，學生需展示課程項目成果，深入闡述解決問題的思路以及對課程核心概念的理解，由授課教師和助教老師組成的評審團從多個維度進行嚴格打分。這些成績數據，不僅直觀反映了學生對知識的掌握情況，還為后續分析學生的學習能力提供了關鍵依據。

教室上課系統在數據收集工作中發揮了至關重要的作用。一方面，借助其便利的線上平臺功能，在每節課結束后，即時向學生發放課堂反饋問卷。問卷內容涵蓋對當堂課的課程滿意度、教學內容的理解、教師講課速度等多維度評價，確保學生能基于當堂課的切身體驗提供準確反饋。另一方面，該系統強大的數據導出功能，使研究人員能夠精準獲取學生上課的各類信息，包括簽到情況（了解學生的出勤規律）、課堂問答數據（洞察學生對知識的疑惑點），以及課堂討論的詳細信息，如討論次數、時長和發言頻次等。這些數據全方位展現了學生在課堂上的參與度和活躍度，為研究學生的學習態度和行為模式提供了可靠支撐。

通過這些數據收集方式，最終共收集了來自多名大學生的相關學習指標數據。經過整理和處理后，得到了11，286條不同的指標數據。這些數據涵蓋了學生在課堂學習中的表現、測試成績、反饋意見等多個維度，為后續分析提供了堅實的基礎。數據的多樣性和豐富性使得研究人員能夠全面評估學生在本學期內的學習進度和效果，并為后續的學習方法和教學策略優化提供重要參考。

（三）模型再訓練和微調

在本研究中，為了提高大語言模型在大學生個體指導中的應用效果，模型的訓練和微調是至關重要的步驟。

為了提高模型在生成學習建議時的針對性和準確性，研究人員使用了大量與大學生學習狀態相關的文本數據集訓練模型。數據集包括大學生的學習反饋、課堂表現和學習成績等。通過這種方式，模型可以更好地理解大學生在學習過程中的表現，并生成更符合其需求的指導建議。

使用LoRA方法微調大模型。微調過程的核心在于根據大學生群體的特點和需求，調整模型參數，使其能夠更加準確地捕捉到教育領域的細微差異。這一過程不僅提高了模型的適應性，還能有效減少模型生成不相關或低質量學習建議的概率。通過反復訓練和驗證，逐步優化模型的性能，使模型能夠為大量大學生提供更加具有針對性的學習指導。

（四）學習建議生成

學習建議生成是大語言模型在大學生個體指導中的核心應用。在本研究中，通過反復訓練，模型能夠根據學生當前的學習狀態、遇到的困難及潛在的學習瓶頸，生成個性化的學習建議，幫助學生提高學習效率和解決問題。

利用大語言模型進行學生個體指導的實際應用舉例如下。輸入特征“課程學習的相對滿意度指數是10”的學生，模型輸出為“這名學生對課程的滿意度低于大部分同學，建議分析不滿點，可能是課程內容、教學方式等因素影響了學習體驗”。輸入特征“隨堂測試難度指數是90”的學生，模型輸出為“這名學生認為隨堂測試難度較高，可能需要檢視學習方法和準備策略，以便更好應對未來的考試”。這些建議不僅基于學生的學習成績，還結合課堂反饋和學習表現等多個因素，力求為學生提供全方位的學習指導。

此外，學習建議的生成還涉及自適應調整的機制。當學生根據初步建議反饋后，模型會根據新的輸入調整后續的指導策略，確保建議的持續優化。這種反饋機制不僅使得學生的學習路徑更加靈活，也使得模型不斷自我優化，提升其在多變的學習環境中的應用效果。

四、大語言模型應用效果與評估

對本研究模型的性能進行了全面的評估，采用了多種標準化的自動化評價指標，以客觀地衡量模型在文本生成任務中的表現。

首先，大模型BLEU-4平均得分為95.82，這一指標反映了模型在生成文本時，較長詞組的準確性和匹配程度。高得分意味著模型生成的文本在詞組層面的準確性較高，且與參考文本的相似度極為接近，表明模型在保持語言流暢性和語義一致性方面具有較強的能力，能夠較好地復現訓練數據中的語言模式。

其次，ROUGE系列指標也顯示出模型在文本生成上的良好表現。大模型ROUGE-1平均得分為96.84，該指標主要衡量了模型生成的文本與參考文本在單詞級別的重合度。較高的得分表明模型在內容覆蓋方面表現突出。此外，ROUGE-2平均得分為95.52，這一指標關注的是生成文本中雙詞短語的匹配程度，進一步反映了模型在短語級別的生成能力。ROUGE-L平均得分為96.53，它考查了生成文本和參考文本之間的長序列匹配，尤其是句子級別的結構匹配。較高的ROUGE-L得分表明，模型能夠在句子結構上較好地保持一致性，生成的文本在邏輯性和流暢性方面都具有較強的可讀性。

最后，通過對這些自動化評估指標的綜合分析，得出結論：該模型在文本生成任務中展現出了卓越的能力，尤其在詞匯覆蓋和句子結構方面具備較強的能力，能夠生成與參考文本高度一致的內容。這些結果表明模型在自動化評估中表現優秀，能夠較好地適應復雜的語言生成任務。

總體而言，本模型在多個標準評估指標上均表現出色，充分展示了在生成任務中的高效性和準確性。未來的研究可以進一步優化模型的生成策略，提升模型對更復雜上下文的理解和處理能力，從而進一步增強生成文本的多樣性和創造性。

五、結語

本文探討了大語言模型在大學生個體指導中的應用，包括數據集設計、準備、部署、微調與評估。實驗表明，微調后的模型在生成學習建議上顯著增強，但模型的建議深度受限于訓練數據的質量與多樣性，尤其在復雜學習場景下。盡管微調提升了模型在特定領域的效果，如何確保模型在不同學科與學習風格下提供個性化指導仍是挑戰。未來研究應優化訓練數據，結合學習分析與推薦系統，并強化師生互動反饋，以提升大語言模型在個性化學習中的應用效果。

參考文獻

[1]劉雨航，方淑敏.教育數字化轉型中的注意力治理：機制、風險及其應對[J].中國電化教育，2024（12）：31-38+47.

[2]黃璐璐，馮婷婷，李淼浩，等.數字轉型背景下的智慧教育：藍圖擘畫與關鍵路徑——2024全球智慧教育大會綜述[J].現代教育技術，2024，34（11）：36-46.

[3]劉明，吳忠明，楊簫，等.教育大語言模型的內涵、構建和挑戰[J].現代遠程教育研究，2024，36（05）：50-60.

[4]繆青海，王興霞，楊靜，等.從基礎智能到通用智能：基于大模型的GenAI和AGI之現狀與展望[J].自動化學報，2024，50（04）：674-687.

[5]劉明，郭爍，吳忠明，等.生成式人工智能重塑高等教育形態：內容、案例與路徑[J].電化教育研究，2024，45（06）：57-65.

基金項目：全國教育科學“十四五”規劃項目2022年度教育部重點課題“ISO+AI驅動的線上教學質量保障與提升體系研究”（項目編號：DCA220448）

作者單位：首都經濟貿易大學管理工程學院

■ 責任編輯：王穎振 楊惠娟