基于通用大模型的“機械基礎”課程AI教學助手設計 與開發研究

摘要：為應對“機械基礎”課程的復雜性及學生的個性化學習需求，本研究設計并實現了一款融合自然語言處理與深度學習技術的AI教學助手。通過實證分析可知，該系統有效提升了教學效率與質量，拓展了高等教育智能教學工具的應用視角，提供了切實的支持。本研究的成果也為AI教學助手在其他學科領域的應用奠定了堅實的理論基礎。

關鍵詞：大模型；機械基礎；教學助手

中圖分類號：G434" 文獻標識碼：A" 論文編號：1674-2117（2025）07-0102-05

引言

隨著信息技術的迅猛發展，傳統高等教育面臨著課堂時間不足與個性化學習需求難以響應等多重挑戰。AI技術的不斷進步為教育改革提供了新的可能，特別是在智能教學方法的應用上，通過數據分析，AI已展現出提升教學效率與效果的巨大潛力。[1]然而，對于專業性強、知識體系復雜的工程類課程，尤其是“機械基礎”這類課程，AI教學助手的應用尚處于起步階段，傳統教學方法難以有效滿足學生的多樣化學習需求?；诖耍狙芯恐荚陂_發一款專為“機械基礎”課程設計的AI教學助手，依托先進的大模型技術，提供個性化的學習路徑與優化的教學方法，最終提升教學效率。[2]研究目標是探索AI技術在“機械基礎”教學中的應用潛力，為高等教育的教學創新提供理論支持與實踐指導。

國內外研究現狀

隨著全球教育技術的迅速發展，AI教學助手逐漸成為研究熱點，尤其是在K-12教育領域，如Knewton和DreamBox等平臺已取得顯著進展。這些平臺基于大數據分析和機器學習技術，能夠動態調整教學內容，滿足學生個性化學習需求。[3]然而，與K-12教育相比，AI教學助手在高等教育，特別是工程類學科中的應用還處于初期階段，主要面臨課程內容復雜性和學科差異性的挑戰。例如，盡管一些高校已在部分課程中嘗試引入AI教學助手，利用自然語言處理和知識圖譜技術進行學習監控和反饋，但這些應用大多局限于理論探索和小規模試驗，尚未實現大規模的推廣與系統化應用。[4]

當前研究也存在著以下局限：首先，雖然AI教學助手在K-12教育領域的應用較為成熟，但在高等教育中的應用，尤其是在“機械基礎”這樣復雜課程中的應用仍然有限，影響了其在更廣泛教育環境中的潛力；其次，現有AI系統在處理專業性強、內容復雜的課程時，支持力度不足。因此，本研究提出了一種基于通用大模型的AI教學助手設計方案，旨在為“機械基礎”課程的學生提供更精準、個性化的學習支持，提升教學效率。

通用大模型在高等教育中的問題

近年來，通用大模型在自然語言處理（NLP）領域取得了顯著進展，并逐漸在教育行業中發揮重要作用。通過大量數據訓練，這些模型具備了文本生成、理解和推理的能力，廣泛應用于智能問答系統、自動評估工具和個性化學習建議的提供，從而在提升教學效率與促進個性化學習方面表現出色。然而，在工程學科，尤其是“機械基礎”課程中，通用大模型的應用仍面臨諸多挑戰。主要挑戰之一是模型在理解和解釋專業術語方面存在局限性。由于缺少針對特定學科的深入訓練，模型在處理如“晶格”“位錯”等“機械基礎”課程中的關鍵術語時，可能無法準確傳達其含義，影響學生對這些基礎概念的理解。[5]此外，模型在解釋復雜工藝時也表現出不足，如在“熱處理工藝”對材料性能影響的描述中，往往缺乏足夠的細節，無法深入闡述不同熱處理方法對材料微觀結構與宏觀性能的影響，限制了其在教學中的有效性。進一步而言，模型在實際工程應用中，如在金屬零件設計和材料選擇等問題上，難以提供符合工程實踐的具體建議，暴露出其深度與專業性方面的不足。最后，通用大模型在處理需要上下文理解的問題時，常常缺乏必要的連貫性，影響了其為學生提供一致而清晰解釋的能力。

針對上述挑戰，本研究提出了三項核心策略。首先，構建一個全面的“機械基礎”課程資源庫，涵蓋關鍵專業概念與常見難點，旨在提高模型對復雜術語的解析準確性；其次，深入開展教學目標與需求的詳細分析，依據不同學生的學習特點設計個性化學習方案，確保教學助手能夠更精確地滿足學生的多樣化需求；最后，在實際教學環境中對AI教學助手進行反復測試與迭代優化，持續提升其功能和性能表現。通過這些策略，本研究力圖提升通用大模型在“機械基礎”課程中的應用效果，為高等教育領域AI教學工具的開發和應用提供系統化的參考框架。

“機械基礎”課程的教學特點及研究意義

作為工程學科的核心課程，“機械基礎”涵蓋了機械設計、機械制造、機械成形與機械加工等多個重要領域，其教學特點在于強調理論的深度、實驗技能的掌握，以及對學生個體差異的靈活適應。課程內容不僅包括復雜的數學推導、力學分析和結構設計，還要求學生能夠將所學理論知識應用于實際工程問題的解決。此外，由于課程實踐性較強，學生需要在實驗中掌握材料的物理屬性與加工技術，但受限于實驗資源，傳統教學手段往往難以充分支持學生對理論知識的深入理解與應用。尤其是面對課程內容的廣泛性和復雜性，學生的學習需求和能力差異顯著，傳統教學策略難以滿足所有學生的個性化學習需求。

本研究將通用大模型技術應用于“機械基礎”課程教學，旨在推動智慧教學理念的發展，特別是在個性化教育與動態學習路徑構建方面。[6]通過分析學生行為和學習數據，AI教學助手能夠提供實時且個性化的學習資源與指導，進而促進知識的深入理解和創新思維的培養。此外，實證研究證明了AI技術在教育領域的應用價值，為個性化學習理論提供了有力的實踐依據。在應用層面，本研究開發的AI教學助手不僅為工程學科提供了創新的教學輔助工具，滿足了學生對個性化學習體驗的需求，還顯著提升了教學的精準性與效率。具體而言，使用AI教學助手的班級在解決復雜問題的能力上顯著增強，期末考試通過率較未使用該助手的班級提升了11個百分點。該AI教學助手不僅適用于“機械基礎”課程，還具備推廣至其他學科課程的潛力，從而推動高等教育智能化的發展，該AI教學模式有望廣泛應用于更多教育領域，助力教育模式的現代化轉型。[7]

AI教學助手的設計與開發

1.AI教學助手的設計

在開發AI教學助手的過程中，本研究始終遵循以用戶為中心的設計原則，確保系統能夠充分滿足學生和教師的需求，提供有效的教學支持。為此，筆者進行了深入的用戶研究，廣泛收集了有關學習挑戰、教學方法偏好和界面設計期望的數據，這些數據為系統設計提供了決策依據。

在用戶界面設計上，追求簡潔、直觀的設計風格，使學生能夠輕松操作系統。采用了便捷的導航系統，幫助學生快速定位并訪問所需功能和資源。與此同時，設計了靈敏的交互按鈕和清晰的提示信息，簡化操作流程，并確保系統適配多種終端設備（包括手機平板），從而提供一致的用戶體驗。

在用戶體驗方面，重點關注系統的響應速度、用戶交互的便捷性和視覺設計的舒適度。通過一系列用戶測試和反饋，不斷優化交互設計，確保AI教學助手不僅具備全面的功能，還能提供卓越的用戶體驗。例如，為了提升操作效率和滿意度，系統引入了即時反饋機制，借助動態提示功能，用戶可以實時獲取系統響應。

2.課程資源庫的構建

AI教學助手的核心競爭力源自其豐富且高質量的課程資源庫，該資源庫構成了其堅實的知識基礎。資源庫的構建可以遵循以下步驟。

①資源的搜集與系統化。多元化的“機械基礎”課程教學資源被匯集成庫，涵蓋自編教材、自制微課視頻、全面的試題庫、詳細的教學教案及融入思政元素的案例庫。這些資源不僅全面覆蓋了課程的核心概念與難點解析，還為學生提供了豐富的擴展材料，形成了系統化的學習支持體系。

②資源的規范化與體系化。為確保AI教學助手能夠高效利用這些教學資源，將資源進行標準化處理，確保其格式與風格的一致性。通過基于知識點、難易度和資源類型等維度的細致分類與標記，系統大大優化了檢索效率，使學生能夠迅速、準確地獲取所需學習材料。資源庫還支持多種訪問途徑，包括關鍵詞檢索與章節導航，進一步提升了資源的可訪問性和用戶體驗。

③資源庫的動態更新能力。為滿足課程內容的持續更新需求，構建了靈活的更新機制，以確保資源庫能夠實時擴展和刷新，保持其內容的時效性與適應性。在每學期初，資源庫根據最新的教學大綱進行更新，以確保教學內容始終與課程要求同步。這一設計使AI教學助手能夠持續優化其教學支持功能，確保其在不同教學階段中的有效性。

3.AI教學助手的開發

AI教學助手開發的關鍵步驟如下：

（1）模型的選擇與訓練

鑒于“機械基礎”課程教學需求的復雜性，本研究選用了“智譜清言”通用大模型。該模型擅長處理自然語言和進行復雜的邏輯推理，具有在自然語言處理、知識掌握和問題解答方面的卓越性能，因此適合作為AI教學助手的技術基礎。

針對性領域訓練：為使模型更貼合“機械基礎”課程的特性，通過使用教材、教案和案例庫等專業資源對模型進行了針對性的訓練。該訓練策略顯著提升了模型在解答專業問題時的準確度和專業性。例如，經過此類領域訓練，模型能夠更精確地處理諸如“晶體結構”或“金屬熱處理”等專業概念的詢問。

知識庫的構建與優化：在模型訓練的同時，AI教學助手配備了一個訂制化的知識庫，內含大量標準化課程資源。通過細致的參數設置，包括最大召回片段數和最小相關性閾值，確保模型能夠檢索到最相關的知識片段，從而提供精確的解答。此外，生成算法的多樣性參數也經過調整，以確保模型在回答準確性的基礎上，能夠提供多樣化的學習建議和資源鏈接。

（2）系統架構設計

系統架構的設計對AI教學助手的開發至關重要。為確保系統功能的可擴展性和持續優化，本研究構建了一個靈活的模塊化架構。AI教學助手的用戶界面設計簡潔且直觀（如下頁圖1），允許學生和教師直接向系統提出問題。為引導用戶提問，系統提供了三個示例問題。在提出問題后，AI教學助手將執行一系列操作：首先，系統會在知識庫中檢索與問題最相關的信息；其次，評估并選擇相關性最高的知識片段；最后，系統基于通用大模型的架構，生成并提供精確的答案。

當用戶選擇提問“退火的目的是什么”時，AI教學助手會首先在知識庫中搜索與問題相關的片段，并找到5條符合相關性標準的內容。隨后，系統會基于這些片段生成相應的答案，用戶還可以驗證片段的準確性。最后，系統將生成三個下一步問題建議，幫助用戶進一步深入學習，如圖2所示。

交互與功能模塊的開發包括快速生成思維導圖和流程圖的工具，旨在通過可視化手段幫助學生更直觀地理解復雜的理論內容。此外，集成的語音與文本交互功能為用戶提供了多樣化的交流方式，提升了系統的靈活性與用戶的交互體驗。

4.AI教學助手調試與優化

在AI教學助手的初始版本開發完成后，實施了全面的系統調試和優化措施，確保其在教學應用中的可靠性和高效性。這一階段涵蓋了功能測試、性能評估、用戶反饋整合及系統的迭代改進，旨在提升AI助手的精確度、響應速度和用戶滿意度。

（1）功能測試與性能評估

AI教學助手的核心功能，包括智能問答、學習資源推薦和思維導圖自動生成等，它們都需要經過詳盡測試，以驗證各功能模塊的協調性和整體性能。在模擬教學環境中，對系統表現進行了嚴格評估，重點關注了響應時間、答案的精確度和整體穩定性。

（2）用戶反饋的收集與分析

在初步測試后，采用問卷調查和個別訪談的方式，廣泛收集了來自不同班級和背景的學生與教師的使用反饋。反饋主要集中在系統的用戶友好性、答案的準確性及學習資源推薦的適用性等方面。通過分析反饋，發現系統在處理復雜問題時的準確率仍有提升空間，個性化學習資源的推薦功能亦需優化。為解決這些問題，筆者對模型算法進行了精細調整，對知識庫檢索算法也進行了改進，從而顯著提升了系統對專業術語的理解和學習資源推薦的質量。數據顯示，使用AI教學助手的班級在期末考試中的平均成績提高了1.3分，成績較低的學生群體進步更為顯著。

（3）系統迭代與性能增強

依據用戶反饋，針對系統在準確率和響應速度方面的不足，擴充了訓練數據集，并特別添加了“機械基礎”課程的專業內容進行針對性訓練。這些措施顯著提升了模型對專業術語和概念的解析能力。同時，知識庫檢索算法也進行了優化，增強了系統在回答專業問題時的準確性與反應速度。此外，思維導圖生成功能的改進使得復雜概念的展示更為直觀且易于理解，語音交互模塊的優化則顯著提升了嘈雜環境下的識別準確度。經過這些優化，系統的交互輪數從平均4輪增至7輪，反映出學生傾向于進行更深入的學習討論。

（4）實證研究與優化成效

在優化后的AI教學助手應用于實際教學場景后，研究結果表明，系統在多個關鍵性能指標上，包括回答的準確度、響應速度以及用戶滿意度等都有顯著改進。具體而言，學生的學習參與度提高了20%，系統訪問量增加了55%。每次對話的平均輪數的增加，表明學生在學習交流中投入了更多時間與精力。此外，學生對系統的滿意度評分從4.2分提升至4.8分（滿分5分），這進一步驗證了系統優化的有效性。

這些綜合措施極大地提升了AI教學助手在穩定性、準確性和用戶互動體驗方面的表現，為“機械基礎”課程中AI教學助手的廣泛應用奠定了堅實的基礎。

結論與建議

本研究開發了一款基于通用大模型的AI教學助手，應用于“機械基礎”課程，并驗證了其在提升教學效率、質量及滿足學生個性化學習需求方面的積極作用。通過個性化學習資源推薦與智能問答功能，AI教學助手顯著提升了學生對關鍵知識點的掌握程度，減少了學習中的挫折感。實證研究表明，使用AI教學助手的班級期末考試平均成績有所提升，尤其是成績較低的學生進步更為顯著。此外，學生的學習參與度進一步反映了該助手的應用效果。

但本研究的樣本規模有限，只集中于特定高校與課程。為進一步驗證AI教學助手的廣泛適用性，未來研究建議擴大樣本規模與多樣性，推廣至更多高校和不同學科。同時，持續在實際教學中測試AI教學助手，并根據學生反饋進行調整與優化，以滿足不同學習背景與能力的需求。本研究的AI教學助手設計理念與技術實現具有廣泛的適用性，建議在其他專業課程中進行定制化開發與應用，如電子工程、化學工程等，以推動教學模式的智能化轉型。

參考文獻：

[1]劉燕明，紀文頡.區域研學實踐教育智慧化探索[J].教育實踐與研究，2024（09）：9-14.

[2]時云峰，孫熠，夏莉娜，等.基于知識圖譜的個性化學習資源構建研究[J].電腦知識與技術，2024（21）：24-26.

[3]陳闖，史建濤，李為相，等.大數據時代背景下建筑電氣課程教學改革與探索[J].中國現代教育裝備，2024（09）：141-144.

[4]萬林，鮑雯.基于知識圖譜的習題資源構建[J].中國信息技術教育，2023（21）：84-89.

[5]趙冉，韓校粉，程兆剛，等.機械基礎課程思政設計與實施[J].中國教育技術裝備，2023（06）：98-100+107.

[6]金玉梅，陳航.教育大數據挖掘的價值定位、現實限制與有效策略[J].教育理論與實踐，2021，41（19）：3-8.

[7]董子恒.人工智能技術在教育中的應用研究[J].中國教育技術裝備，2024（14）：41-43.

作者簡介：蘇寧，碩士，講師；張翼飛，碩士，副教授，室主任；李趙輝，碩士，助教；王凌英，碩士，講師。

基金項目：陸軍工程大學教學成果立項培育項目“生成式人工智能在課程智慧教學中的典型應用場景研究與實踐”。