生成式人工智能助力家庭教育的模型構建及系統實踐

[摘" "要] 當下中國家庭面臨著教育知識經驗化與碎片化、密集教養方式與過度教育焦慮惡性循環以及個性化家庭教育指導服務匱乏的三重困境。為破解家庭教育的實踐困境、提升現代家庭教育能力、促進積極家庭心理成長，研究構建了生成式人工智能助力家庭教育的理論模型，并在GLM-4大模型的基礎上運用提示詞工程、檢索增強生成以及有監督微調技術開發了家庭教育生成式人工智能系統。從實踐效果來看，家庭教育生成式人工智能系統具備卓越的情境適應性和對特定任務極強的泛化性能。家庭教育生成式人工智能系統能精準分析和解決各種復雜的家庭教育問題，為家長提供科學系統的育兒知識和正面管教指導，緩解家長教育焦慮，并為不同社會經濟背景的家庭提供個性化的教育指導服務，有利于促進我國家庭教育的現代化發展。

[關鍵詞] 生成式人工智能； 家庭教育能力； 積極家庭心理； 理論模型； 系統實踐

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 王珊（1977—），女，四川成都人。副教授，博士，主要從事現代學校的數字化治理及評價。E-mail：wangshan77@126.com。

一、引" "言

家庭一直是社會制度的核心之一，對人的生存質量和發展機遇具有決定意義。習近平總書記指出，無論時代發生多大變化都要重視家庭建設[1]。2019年，中共中央、國務院印發《中國教育現代化2035》，明確將家庭教育現代化全面納入國家教育現代化建設體系[2]。2023年，教育部、全國婦聯等十三部門聯合印發《關于健全學校家庭社會協同育人機制的意見》，也明確要求強化家庭教育指導與專業支持[3]。然而，當下過度的教育焦慮卻是中國家庭的真實寫照。家長教育焦慮的調查結果顯示，68%的受訪家長對孩子的教育感到焦慮[4]。全面提升家庭教育能力、促進家庭的可持續性發展，已經成為當下中國家庭教育現代化建設的重要任務。所謂家庭教育能力，是指父母運用現代家庭教育知識和恰當的家庭教養方式順利實現兒童社會化心理特質必備的綜合能力[5]。生成式人工智能（Generative Artificial Intelligence，簡稱生成式AI）作為人工智能時代的突破性技術，不僅革新了學習方式[6]，也為技術賦能家庭教育帶來了前所未有的機遇。生成式AI通過專業大數據庫、個性化方案定制幫助家長提升家庭教育理念、促進積極家庭心理成長，在指導家長解決具體問題的過程中將靜態教育知識轉化為現代家庭必備的教育能力。鑒于此，本研究聚焦生成式AI賦能家庭教育的理論模型構建及其系統實踐，以期紓解當下家庭教育困境，為提升家庭教育能力、促進家庭積極心理成長、推進家校協同育人提供有效路徑。

二、 當前中國家庭教育面臨的困境

（一）家庭教育知識來源的經驗化與碎片化

中國社會生活的急劇變遷早已引起家庭從規模、結構到功能的轉變，但家庭教育知識的生產始終沒有作為一個獨立的知識系統進入到公共領域。這導致大部分家長過度依賴自身成長經歷、傳統習俗、直覺和過往經驗來教育孩子，增加了教育過程和結果的不確定性[7]。再加上互聯網時代的各種社交媒體、博客、短視頻等為家長提供了太多即時性、片段化、良莠不齊的“拼湊”信息，“快餐式”的知識消費最終導致大部分中國家長的家庭教育知識缺乏深刻性和系統性。

（二）密集型教養模式與教育焦慮之間的惡性循環

在密集型教養模式下，父母深度參與到子女生活學習各個方面，過度的干預和過強的控制給子女帶來巨大壓力，使孩子缺乏自主空間。例如，“雞娃群”家長以階段化、指標化、計量化的教育方式對子女進行超前教育和全天候的密集型教養。城市家庭中的養育實踐也以一種經紀人的職業標準來追求子女在教育市場中的經營業績[8]。密集型教養模式讓家長處于長期的焦慮、疲憊和憂郁之中，過度的教育焦慮又反過來激發新一輪密集型教養行為，就像“莫比烏斯環”無盡往復。

（三）家庭教育指導服務無法滿足家庭個性化需求

從大數據調研來看，城市家長和家庭社會經濟地位較高的家長接受家庭教育指導服務的機會更多、效果更好。底層家庭受制于文化資本的不足，在幫助其子女獲得社會認可能力以實現階層流動的過程中力不從心[9]。從經濟狀況、教育資源、觀念意識等方面來看，城鄉家庭在教育投入、子女職業規劃與期望等方面都存在較大差距。現有的家庭教育指導服務難以精準匹配不同社會經濟地位家庭的具體需求，再加上家庭教育專業知識生產本身的精英化傾向，使得處境不利的家庭更難獲得有效的家庭教育指導服務[10]。

三、 生成式AI助力家庭教育能力提升的模型設計

面對當前中國家庭系統性教育知識的匱乏、密集型教養導致的高度教育焦慮以及個性化家庭教育指導服務供給不足等棘手問題，生成式AI表現出解決特定任務情境下復雜問題的卓越適應性。生成式AI是一種用于創建新內容和想法的人工智能，它的核心能力在于創造性地生成內容而非簡單地復制映射已知實例[11]。這種區別于傳統機器學習、深度學習模型的生成式AI經過海量文本數據的預訓練，能夠充分學習文本語言結構和各領域術語概念及其關系。即使面對復雜多變的家庭教育問題，生成式AI只需要通過巧妙的提示詞設計，并結合少量的微調樣例數據，便能表現出對特定任務極強的泛化性能，即大模型的少樣本學習（Few-shot Learning）能力[12]。正因如此，生成式AI在面臨相似的特殊場景任務時能基于文本相關性進行分析推斷，自動生成與輸入問題最相關、最有用的一系列回答。因此，本研究構建生成式AI助力家庭教育能力提升的理論模型，以期為家長提供專業化、個性化的指導，讓家庭“習得幸福”，實現提升家庭教育能力、促進積極家庭心理成長的目標。如圖1所示，家庭教育具體場景問題可歸為家長在子女教育時面臨的道德品行、智力發展、勞動能力、身心健康等問題。家庭教育生成式AI系統是解決這些具體問題的技術核心。開發設計家庭教育生成式AI系統的目的有以下三個方面：一是為家長提供更加科學全面的家庭教育知識，幫助家長走出經驗與直覺的家庭教育誤區；二是在家長與AI系統的人機交互對話中精準匹配家庭教育需求，為解決家庭教育問題提供更加專業的分析和個性化指導，讓處境不利的家庭獲得更多教育資源來彌補其文化資本的不足；三是幫助家長逐步改變密集內卷的教養方式，緩解家庭教育的焦慮。家庭教育生成式AI系統主要包括數據支撐、技術支撐和模型能力三個層面。

（一）數據支撐層

數據支撐層是整個家庭教育生成式AI系統的基石。數據支撐層根植于統計學的大語言模型（Large Language Models，LLM），數據是推動LLM進步的核心燃料。家庭教育生成式AI系統包括以下兩類數據：一是有監督微調數據集。該數據集包含大量家庭教育實踐中家長可能提出的問題以及與之匹配的專業性、針對性分析與指導，用于對通用LLM進行有監督微調。二是專業知識文本數據庫。專業知識文本數據庫包括大量家庭教育相關的文獻、書籍等專業知識文本數據，為LLM生成更加專業、可靠的分析與指導提供依據。

（二）技術支撐層

技術支撐層包括提示詞工程（Prompt Engineering）、檢索增強生成（Retrieval Augmented Generation，RAG）、有監督微調（Supervised Fine-tuning，SFT）、思考鏈（提示詞工程中的重要方法）和文本語義嵌入與向量數據庫（檢索增強生成的核心技術）。提示詞工程、RAG和SFT三大核心技術是提高LLM輸出質量和準確度的重要技術。

1. 提示詞工程

提示詞本質上是一段文本，它的主要功能是引導LLM按照預期的方式處理輸入內容并生成結果。提示詞的模板化、流程化設計即提示詞工程。提示詞模板（Prompt Template）是一種預先設定好的語言結構，用來幫助LLM區分各板塊的輸入內容以更好匹配特定下游任務要求。提示詞工程的重要性在于其能夠通過精心設計的提示詞模板引導預訓練的語言模型，使其在接收到新輸入信息時以高效、強針對性方式生成輸出內容。這不僅提高了模型的適應性和靈活性，還能在沒有大量標注數據的情況下，實現對新任務的學習和應用[13]。思考鏈（Chain of Thought，CoT）是提示詞工程的一種重要方法。面對普通的提問方式，大模型通常會直接給出問題的最終答案。由于沒有展示其背后的思考過程，其結果往往難以被理解和信任。但CoT要求大模型在得出最終答案之前必須明確地輸出其推理和思考過程的中間內容，提升了生成式AI分析推理的能力及其可靠性[14]。

2. 檢索增強生成（RAG）

檢索增強生成（RAG）的目的是提高大模型生成內容的可靠性以及回答問題的準確性。RAG既使輸出的內容有參考來源，又能大幅降低大模型幻覺問題（即大模型在生成文本時可能會產生看似合理但實際上錯誤或與現實相悖的現象）[15]。RAG技術的實現涉及文本語義嵌入模型和向量數據庫兩種生成式AI技術。文本語義嵌入模型是自然語言處理領域中針對文本語義提取和壓縮這一特定任務的一類文本處理模型，通常以Google公司提出的BERT（Bidirectional Encoder Representations from Transformers）模型為基礎架構。它通過Transformer編碼層，將文本中的詞語、短語、句子乃至文檔壓縮成一個高維度的嵌入向量（一組數字），得到的向量是完整文本語義的壓縮表示形式，具有存儲和檢索高效的特點[16]。在存儲文本內容時，首先進行語義嵌入生成嵌入向量，再將該向量作為索引與原始文本的相關數據一起存儲到數據庫中。在檢索時，同樣進行語義嵌入生成查詢文本的嵌入向量，再通過執行最近鄰搜索（Nearest Neighbor Search）等相似性算法，找到與查詢文本最相似的幾個知識文本片段，并返回查詢結果[17]。

3. 有監督微調（SFT）

有監督微調（SFT）是激發大模型特定領域相關知識和額外注入垂直領域專業知識的機器學習技術，它是在預訓練模型基礎上進行的操作。在經過預訓練的通用大模型基礎上，用少量有標注數據集對模型進一步訓練，讓預訓練模型依據這些標注數據來調整參數，從而使模型能夠學習特定領域的專業知識或強化對特定任務指令的理解[18]。原始的全量SFT訓練方法需要對模型的所有層進行訓練，這不僅需要龐大的計算資源，而且可能導致災難性遺忘。但是，通過低秩適應（Low-rank Adaptation，LoRA）等微調技術，僅需調整模型的少部分全連接層，便可大大降低微調訓練成本、有效防止災難性遺忘。

（三）模型能力層

經過以上三大技術處理后，家庭教育生成式AI系統具備以下四項基本能力：一是家庭教育問題的分析與解決能力。經過有監督微調訓練后的通用大模型具備了對家庭教育具體場景問題的指導經驗，掌握了規范化的問題分析與解答模式；二是多學科知識的學習與整合能力。家庭教育問題涉及眾多因素間的相互影響，具有相當的復雜性和挑戰性，家庭教育生成式AI系統擅長學習和整合不同學科領域的知識進行跨學科綜合理解；三是專業化的家庭教育指導能力。家庭教育生成式AI能夠基于自身強大的專業知識庫和深度學習能力，為家長解決家庭教育中遇到的難題提供科學指導；四是個性化家庭教育指導服務能力。生成式AI系統能精準分析不同社會經濟地位家庭的偏好，其自身具有的“開拓能力”避免了家庭教育指導服務的趨同化。

四、基于GLM-4的家庭教育生成式AI系統建構

本研究選取智譜AI與清華大學聯合研發的最新開源大模型GLM-4-9B-Chat（以下簡稱為GLM-4）為基座大模型構建家庭教育生成式AI系統。GLM-4具有9B（約90億）的參數量，在10TB的龐大文本數據上進行了預訓練后，具有128K（約13.1萬）長度的超長上下文窗口，能夠進行長文本推理，適合配置檢索增強生成功能。同時，GLM-4是經過了與人類偏好對齊的Chat版本，在多個對話模型典型任務數據集上表現出超越“開源大模型之王”Llama-3-8B-Instruct等模型的卓越性能。家庭教育生成式AI系統的構建是在GLM-4的基礎上進行如下的“三步走”。

（一）構建提示詞

提示詞工程的目的是將家庭教育生成式AI系統的任務錨定在家庭教育具體問題分析與指導之中，并保證一輪指導對話基于家庭行為分析（無則跳過）、問題成因分析、問題相關理論和個性化指導建議四個方面展開。為構建家庭教育生成式AI系統，本研究共設計了4套提示詞模板：一是針對家長首次提問和后續提問設計的2套提示詞模板（見表1）；二是根據家長是否填寫“家長措施”設計的2套模板，其目的是讓模型區分是否需要分析家長行為。提示詞模板設計充分考慮了RAG的配置要求，將RAG系統檢索出的相關知識內容嵌入到其中。另外，提示詞模板強調生成式AI要以“通俗易懂”的方式分析和回答家長提出的問題，并命令AI“不允許在回答中添加編造成分”，以提高AI問題回答的準確性和專業性。

（二）配置檢索增強生成

配置RAG的目的是建設專業知識數據庫并增強生成式AI系統的可解釋性，通過提供檢索內容原始參考文檔為家庭教育問題的專業分析及解決方案提供依據。配置RAG包括構建專業數據庫和RAG配置后的AI問答兩個階段。在專業數據庫構建階段（如圖2第1～7步所示），首先向系統輸入大量與家庭教育知識相關的非結構化知識數據，包括從超星數字圖書館篩選的9本家庭教育電子版專著以及中國知網180余篇家庭教育核心期刊論文。這些數據經代碼處理為規范的文本數據后，被切分成多個知識片段。通過文本語義嵌入模型BAAI/bge-large-zh生成表征各個片段語義的語義嵌入向量，再以該向量為索引將多個知識片段文本存入專業知識向量數據庫，等待后續檢索使用。在RAG配置后的AI問答階段（如圖2第8～17步所示），首先對家長提問進行語義嵌入，使其生成輸入問題的語義嵌入向量，并與專業知識庫中所有知識片段的嵌入向量進行相似度比較，高效檢索出與輸入問題最相關的多條知識文本片段。再將多條知識文本片段代入提示詞模板，與問題一同輸入專家大模型，使專家大模型在回答問題時能參考相關專業知識，提高輸出內容的專業性與可靠性。

（三）有監督微調數據庫的構建及模型訓練

有監督微調的目的有三個方面：一是借助少量的有監督微調數據，激發模型在預訓練過程中積累家庭教育相關知識儲備，使模型快速適應任務，增強其面對復雜多變家庭教育問題的規范化分析和指導能力；二是增強GLM-4模型輸出內容的可讀性、規范性和可靠性；三是使GLM-4模型在輸出內容時中添加正確引導信息（如請求家長提供更詳細的信息、鼓勵家長有問題隨時繼續對話等），使個性化指導具備更好的連貫性。本研究借助GPT-4o和GLM-4構建了家庭教育不同問題領域的多輪對話問答數據集，并使用該數據集對GLM-4模型進行了有監督微調。

1. 有監督微調數據集構建

本研究借鑒BLIP-2構建高質量微調數據集所用到的兩模型一問一答方式[18]。研究者先使用特殊的提示詞使GPT-4o模擬家長角色，連續6次規范化地對GLM-4提出家庭教育具體問題。通過多輪問答，提取深度交流的家庭教育問答案例數據。對問答數據進行人工檢查、修正和補充，確保數據的準確性、規范性和可讀性，最終獲得了34例涵蓋大、中、小學各年齡段，涉及孩子品行教育、心理健康教育等類型的多輪對話案例。每個對話案例均進行了6輪對話，共計204條問答文本數據。

2. 有監督微調模型訓練

利用已構建好的少量數據集進一步訓練模型，強化模型對特定任務指令的理解，從而規范其在該任務上的輸出，產生更符合預期的結果。經過有監督微調訓練后的大模型，也就具有了對特定任務更強的處理能力。有監督微調模型訓練包含訓練和效果評估兩個環節，需要將完整微調數據集劃分為訓練集和測試集，分別用于模型訓練與評估。本研究使用機器學習常用的“留出法”數據集劃分方式，按訓練集和測試集約9∶1的比例隨機劃分數據集[19]（訓練集與測試集各包含30和4例案例，各對應180條和24條多輪對話數據），分別用于模型微調訓練和效果評估。模型微調訓練過程如圖3所示，共進行了90步訓練，每一步中使用兩條對話數據讓模型學習訓練，最終完成180條對話數據的一輪完整訓練。圖中Loss為損失值，反映模型輸出文本與參考文本之間的差異大小。損失值越小，代表模型生成的文本與正確回答越接近[20]。模型最初的損失值較大（約為0.9），說明其生成文本與正確回答之間存在較大差異。經過訓練后，最終模型在訓練集上的損失值較為平穩地收斂至0.2左右，這表示該模型已較為充分地學習到訓練樣本的任務模式和輸出規范。

對訓練后的模型進行效果評估，模型在測試集的4個案例、24條問答文本數據上得分見表2。其中，ROUGE（Recall-oriented Understudy for Gisting Evaluation）是自然語言處理領域常用指標，它用于評估模型生成結果與正確回答的接近程度。ROUGE-1、ROUGE-2、ROUGE-L分別評估模型生成文本的單詞、詞語、句子和參考文本之間的相似程度[21]。BLEU（Bilingual Evaluation Understudy）則是一種基于 n-gram （n個詞共現）的精確度度量，n表示生成文本與參考文本之間連續幾個詞構成的詞組相同數量情況[22]。BLEU-4是綜合考慮了1-gram 、2-gram、3-gram和4-gram的指標。1-gram表示生成結果和正確答案每個單詞相同的比例，2-gram、3-gram、4-gram分別表示2、3、4個連續詞所構成詞組相同的比例。從評估指標來看，生成文本與參考文本在單詞層面的匹配度較高、短語層面的匹配度一般、句子結構上的匹配度較好。損失值曲線變化平穩且測試指標無異常偏高，因而整體來看，模型不存在明顯的過擬合風險。

（四）家庭教育生成式AI系統的應用實踐

從家庭教育生成式AI系統的應用來看，該系統已完全適應了家庭教育問題情景及回答規則。生成式AI系統具備極強的泛化性能，因而其能為家長提供科學系統的教育知識，幫助他們走出家庭教育知識經驗化與碎片化的誤區。家長在AI系統指導下解決家庭教育中遇到的各種棘手問題，在問題解決中逐漸將靜態知識轉化正面管教行為，從而促進了積極家庭心理的成長并實現了家庭教育能力提升的目標。生成式AI系統的應用實踐還表明其能根據家庭實際狀況制定個性化服務方案，滿足不同社會經濟背景家庭的教育指導需求。如圖4所示，該案例是一個不存在于微調數據集中的新問題。針對家長提出的“如何提高孩子數學成績？”這一問題，AI系統從學習動機理論出發給出加強數學理解的教育建議，幫助家長調整教育行為。AI系統從家長措施、問題成因、問題相關理論、個性化指導建議四個方面制定了該問題的解決方案，在持續性的人機交互中喚醒家長教育自覺、促進他們從經驗育兒轉向科學育人。

本案例中的家庭教養方式是典型的密集內卷型。從“家長措施分析”不難看出，由于過度的教育焦慮，該家長不僅對孩子的作業進行全面干預和控制，而且強制孩子參加各種校外培訓班。但這些“雞娃”措施并沒有提升孩子成績，也使得家長陷入更深的教育焦慮中。如圖4所示，家庭教育生成式AI系統為家長提供了專業性、科學性和多元化的問題解決方案，能夠在一定程度上緩解家長的教育焦慮。AI系統還從專業角度為家長分析了高控制教養方式對孩子自我決定需求的抑制。建議家長采用“更民主的、鼓勵為主的教育方式”、建立“積極學習態度”，幫助“孩子設定小目標以培養自我效能感”等，這些措施有利于家庭樹立正面管教理念、提升積極情緒管理和積極關系建構的能力。生成式AI的基礎是深度學習模型，因而它能通過與家長的多輪對話來不斷捕捉有用信息，通過持續性的資源整合來創新問題解決方案，滿足家庭個性化的指導需求。

五、結 束 語

“家庭功能體現在父母的修為中。”[23]生成式AI為家庭教育注入“數字化”基因，通過技術賦能化知識為素養，助力現代家庭教育能力的提升。本研究從當代家庭面臨的教育困境出發，構建了生成式AI助力家庭教育能力提升的理論模型及其實踐系統。家庭教育生成式AI系統的應用實踐表明該模型不僅能緩解家長過度教育焦慮、提高家長解決子女教育問題的能力、建設積極的親子關系，而且能滿足不同社會經濟背景家庭對教育指導服務的個性化需求。在未來的研究中，還應進一步加強家庭教育生成式AI系統實用效能的研究。本研究開發的家庭教育生成式AI系統主要服務于家長，缺乏對孩子的關注。孩子不僅是家庭教育的對象，也是現代家庭建設的主體。積極家庭關系的建立也應從兒童的視角出發來探尋新的突破口，因而應增強親子溝通智慧系統的開發。當然，家庭教育問題的解決離不開家校社的協同，家庭教育生成式AI系統還應拓寬系統功能，探索不同教育責任主體協同育人的技術實現，使得教育回歸人的發展本質，實現立德樹人這一教育根本目的。

[參考文獻]

[1] 新華網. 習近平：不論時代發生多大變化都要重視家庭建設[EB/OL]. （2015-02-17）[2024-12-28]. https：//www.chinanews.com.cn/gn/2015/02-17/7072454.shtml.

[2] 中共中央、國務院. 中國教育現代化2035[EB/OL]. （2019-02-23）[2025-01-06]. https：//www.gov.cn/zhengce/2019-02/23/content_ 5367987.htm.

[3] 中華人民共和國教育部. 教育部等十三部門關于健全學校家庭社會協同育人機制的意見[EB/OL]. （2023-01-17）[2025-01-16]. http：//www.moe.gov.cn/srcsite/A06/s3325/202301/t20230119_1039746.html.

[4] 智課教育. 中國家長教育焦慮指數調查報告[EB/OL]. [2024-12-28]. https：//baike.so.com/doc/28610011-30068076.html.

[5] 葉強. 家庭教育立法應重視“提升家庭教育能力”[J]. 湖南師范大學教育科學學報，2021（3）：1-9.

[6] 石琬若，韓錫斌. 生成式人工智能對學習分析研究的影響：現狀與前瞻——2024年學習分析與知識國際會議（LAK24）評述[J]. 電化教育研究，2024（12）：113-120.

[7] 高書國. 論我國家庭教育知識體系的構建[J]. 南京師大學報（社會科學版），2022（1）： 47-56.

[8] 楊可. 母職的經紀人化———教育市場化背景下的母職變遷[J]. 婦女研究論叢，2018（2）：79-90.

[9] 雷萬鵬，向蓉. 家庭教育指導服務的雙重差異與政策啟示[J]. 南京師大學報（社會科學版），2022（6）：14-23.

[10] 王梅霧，張曉峰. 我國家庭教育專業化的知識生產及審視：知識社會學視角[J]. 教育學術月刊，2023（9）：106-112.

[11] 李森，鄭嵐. 生成AI對課堂教學的挑戰與應對[J]. 課程·教材·教法，2024（1）：39-46.

[12] BROWN T， MANN B， RYDER N， et al. Language models are few-shot learners[J]. Advances in neural information processing systems，2020（33）：1877-1901.

[13] LIU P， YUAN W， FU J， 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.

[14] WEI J， WANG X， SCHUURMANS D， et al. Chain-of-thought prompting elicits reasoning in large language models[J]. Advances in neural information processing systems，2022（35）：24824-24837.

[15] LEWIS P， PEREZ E， PIKTUS A， et al. Retrieval-augmented generation for knowledge-intensive nlp tasks[J]. Advances in neural information processing systems，2020（33）：9459-9474.

[16] KENTON J D， TOUTANOVA L K. Bert： pre-training of deep bidirectional transformers for language understanding[C]//Proceedings of NAACL-HLT. Minnesota，USA： 2019 Association for Computational Linguistics. 2019：4171-4186.

[17] TAIPALUS T． Vector database management systems： fundamental concepts， use-cases， and current challenges[J]． Cognitive systems research，2024（84）：1-8.

[18] ZHU D， CHEN J， HAYDAROV K， et al. Chatgpt asks， blip-2 answers： automatic questioning towards enriched visual descriptions[J/OL]. arXiv preprint arXiv：2303.06594，2023（3）：1-17[2024-12-12]. https：//scholar.google.com.

[19] 周志華. 機器學習[M]. 北京：清華大學出版社，2016：25.

[20] 阿頓斯·張，李沐，扎卡里·C.立頓，等. 動手學深度學習[M]. 何孝霆，瑞秋·胡，譯. 北京：人民郵電出版社，2019：231-232.

[21] LIN C Y， OCH F J. Looking for a few good metrics： ROUGE and its evaluation[C]//Ntcir workshop， Southern California：Information Sciences Institute University，2004：1-8.

[22] PAPINENI K， ROUKOS S， WARD T， et al． BLEU： a method for automatic evaluation of machine translation[C]//Proceedings of the 40th Annual Meeting on Association for Computational Linguistics. Yorktown：BM T. J. Watson Research Center，2002：311-318.

[23] 李玫瑾. 心理撫養[M]. 上海：上海三聯書店，2021：31.

Model Construction and System Practice of Generative Artificial Intelligence Enabling Family Education

WANG Shan1，" XIAO Yiqiang1，" PAN Yining2，" PENG Wei3

（1.College of Educational Sciences， Sichuan Normal University， Chengdu Sichuan 610066;

2.Qingtaishan High School Affiliated to Sichuan Normal University， Chengdu Sichuan 610101;

3.College of Computer Science， Sichuan University， Chengdu Sichuan 610065）

[Abstract] Nowadays， Chinese families face the triple dilemma of empirical and fragmented educational knowledge， the vicious circle of intensive parenting style and excessive educational anxiety， and the lack of personalized family education guidance services. In order to solve the practical dilemma of family education， improve the ability of modern family education， and promote the positive psychological growth of families， the study constructed a theoretical model of generative artificial intelligence to assist family education， and developed a generative artificial intelligence system for family education on the basis of the GLM-4 model by using prompt engineering， retrieval augmented generation， and supervised fine-tuning. From the practical results， the generative artificial intelligence system for family education has excellent contextual adaptability and strong generalization performance for specific tasks. The system for family education can accurately analyse and solve various complex family education problems， provide parents with scientific and systematic parenting knowledge and positive discipline guidance， alleviate parents' educational anxiety， and provide personalized educational guidance services for families with different socioeconomic backgrounds， which is conducive to promoting the modernization of family education in China.

[Keywords] Generative Artificial Intelligence; Family Education Ability; Positive Family Psychology; Theoretical Model; System Practice

基金項目：四川省2024年教育科學規劃項目“教師跨學科素養培養與教學實踐創新研究”（項目編號：SCJG24C430）；2023年四川師范大學研究生教育教學改革研究項目“指向實踐理性的全日制教育碩士專業學位研究生實踐教學體系構建”（項目編號：2023YJSJG016 ）