教育大模型促進教學創(chuàng)新的技術實現路徑與應用實踐研究

中圖分類號： 文獻標識碼：A 文章編號：2095-5995（2025）02-0014-11

生成式人工智能的迅猛發(fā)展為推動教育創(chuàng)新提供了全新技術支撐與實現路徑，許多教師正探索大模型在教師備課、課堂教學、自主學習、教育管理等場景中的應用模式。如何將前沿技術有效轉化為教育實踐中的創(chuàng)新應用，如何構建符合我國教育實際需求的自主可控大模型，如何推動大模型在教育教學中規(guī)模化、常態(tài)化應用，以及如何提升智能素養(yǎng)等，成為當前亟待深入研究與解決的關鍵問題。本文將圍繞教育大模型的技術實現路徑與應用實踐展開探討，以期為進一步深化教育數字化轉型和落實教育部“人工智能賦能教育行動”提供有益參考。

一、教育大模型技術新進展

（一）技術突破驅動應用智能化升級

大模型技術旨在對人類語言進行處理、理解和生成，它能夠創(chuàng)造出邏輯連貫且契合上下文的文本內容，在翻譯、內容生成等眾多領域已有廣泛應用。近年來，隨著全球大模型落地場景的日益豐富，大模型技術在模型架構優(yōu)化、多模態(tài)融合、深度推理能力增強等方面不斷迭代演進，實現了能力與效率

的跨越式提升。

1.模型算法優(yōu)化

以深度求索的DeepSeek系列模型為例，DeepSeekV2、V3以及R1在模型架構上選擇混合專家（MixtureofExperts，MoE）模型而非稠密（Dense）模型，進行和積累了大量技術創(chuàng)新，包括動態(tài)路由機制、通信瓶頸突破等，通過架構創(chuàng)新將算法效率提升轉化為實質性的代差優(yōu)勢。

2.多模態(tài)融合

以科大訊飛的星火認知大模型為例，不僅重新定義了萬物智聯(lián)時代的多模AIUI交互標準，而且在原有的遠場高噪、全雙工、多語種多方言能力基礎上，升級了多模態(tài)能力，新增了超擬人和個性化能力，讓多模態(tài)的交互從語音交互拓展到音視頻流的實時多模交互[1]，有效拓展了模型的應用邊界。

3.推理能力增強

以深度求索的DeepSeekR1模型為例，在DeepSeek-R1的強化學習方案中，其亮點之一在于利用組相對策略優(yōu)化（GroupRelativePolicy Optimization，GRPO）算法取代了常用的基于人工反饋的強化學習（ReinforcementLearningfromHumanFeedback，RLHF）近端策略優(yōu)化（ProximalPolicyOptimization，PPO），通過盡可能減少人類標注數據，設計純強化學習的環(huán)境，用精心設計的獎勵機制來訓練模型學會自動推理[2]。

（二）教育大模型為教育創(chuàng)新發(fā)展提供關鍵技術支撐

隨著生成式人工智能技術的突破，大模型從通用領域能力提升向行業(yè)應用的垂直化演進已成為必然趨勢，以大模型為代表的通用人工智能將深刻影響未來教育也已成為全球廣泛共識。

就國外而言，2023年7月，日本文部科學省發(fā)布《初等中等教育階段生成式AI利用暫行指南》，并于2024年12月更新至2.0版本，從教師的角度列舉了人工智能在教育行業(yè)適用的場景。2023年9月，聯(lián)合國教科文組織發(fā)布《教育與研究領域生成式人工智能指南》，闡述了生成式人工智能對教育的影響，并呼吁對教師進行相關培訓。2024年8月，聯(lián)合國教科文組織發(fā)布《教師人工智能能力框架》和《學生人工智能能力框架》，旨在指導各國學生和教師了解人工智能的潛力和風險，以便在教育和其他領域以安全、道德和負責任的方式應用人工智能。

同月，英國教育部發(fā)布《生成式AI的教育用例》用戶研究和技術報告，闡述了教育領域中使用生成式人工智能的立場。2025年3月，OpenAI發(fā)布了NextGenAI，并提供5000萬美元和最新模型API，旨在顛覆傳統(tǒng)教育加速AI在該領域的創(chuàng)新應用。就國內而言，我國教育部也于2024年3月啟動實施“LEAD行動（人工智能大模型應用示范行動）”，提出教育專有大模型將優(yōu)先在10個學科推出垂直應用，同時，以教育專有大模型的整合來賦能通用大模型的提質。

中國企業(yè)諸如網易有道、學而思、猿輔導、作業(yè)幫、科大訊飛等，都基于自身多年的教育行業(yè)理解發(fā)布了效果顯著、性能卓越的教育大模型，有效推動了國內教育的變革與創(chuàng)新。以科大訊飛深度推理大模型星火X1為例，其基于國產化算力構建，通過高效的領域數據自動化挖掘和多類型數據合成算法創(chuàng)新，不僅有效構建了海量數學領域預訓練數據，更顯著提升基座模型的數學專業(yè)能力。同時，基于評語模型與強化學習算法，有效實現了大模型長思維鏈的激發(fā)，促使大模型在推理過程中反思驗證，從而進一步提升了模型在推理階段的準確性[3]

大模型是教育高質量發(fā)展的關鍵支撐技術，為滿足教育行業(yè)適用性要求，必須在自主可控的軟硬件底座上研發(fā)教育專屬大模型，并結合大模型技術的進一步創(chuàng)新，把握教育應用的新機遇。

二、中國版教育大模型的系統(tǒng)架構與關鍵技術策略

（一）教育大模型建設的系統(tǒng)架構

根據“夯實基礎支撐、突出模型能力、健全模型測評”的教育大模型構建基本思路[4]，結合當前人工智能技術的最新技術發(fā)展以及國產化自主可控、安全可信建設的建設要求，本文提出涵蓋基礎層、模型層、場景層的教育大模型系統(tǒng)架構。具體如圖1所示。

1．基礎層

基礎層為教育大模型提供軟硬件設施與數據資源的雙重保障。在國產化軟硬件設施方面，國產化AI芯片如華為昇騰芯片等，為模型的計算提供高效、可靠的硬件支持，保障國家教育信息化建設的自主可控；國產化算力集群如飛星1號、2號等，通過集群化部署提供強大的計算能力，滿足教育大模型訓練推理過程中的高算力需求。

數據基礎設施包括行業(yè)通用數據集和教育領域數據。其中，行業(yè)通用數據集為模型提供了廣泛的認知能力和泛化能力。教育場景數據和教育知識數據則專門針對教育領域設計，包含了高質量的教育數據樣本，可顯著提升教育大模型應對復雜教育場景任務的能力，確保模型在教育知識領域的準確性和權威性。

2．模型層

模型層是教育大模型發(fā)揮教育場景賦能效用的關鍵，可由基座層、策略層和接口層構成。

基座層是模型的底層支撐，采用如訊飛星火等先進的基座模型。這些基座模型經過大規(guī)模數據訓練，具備強大的語言理解與生成能力，為上層的教育應用場景提供通用的智能基礎。

策略層強化了教育大模型的能力效果，提高了教育場景的適切性。監(jiān)督微調（SupervisedFine-tuning，SFT）通過有標注的教育數據集進一步訓練模型，以不斷調整參數，能夠增強模型對特定任務指令的理解；基于人工反饋的強化學習機制，讓模型在與師生的交互中不斷優(yōu)化自身行為，提升性能[5]；深度推理策略的應用，能夠提升教育大模型的應用決策可信度，其基于鏈式思維（ChainofThought，CoT）將復雜問答拆解為多個小問題，逐步推理各個小問題來得到最終答案，這種方式能夠與各類教育場景結合，幫助師生取得更理想的教學效果；知識增強（KnowledgeAugmented Generation，KAG）通過引入外部知識圖譜等教育專業(yè)知識庫，提升模型的理解與生成能力[6]。

接口層是模型與外部世界溝通的“橋梁”。數據接口是大模型與外部數據源或數據使用者進行交互的通道，負責接收與傳輸各類教育數據，如學生學習數據、教學資源數據等；API接口能夠為上層應用提供便捷的調用方式，使各種教育應用場景輕松接人模型的服務；安全接口確保數據傳輸與模型調用過程中的安全性，保障教育數據的隱私與合規(guī)。

另外，為提升應用效果，還需引入倫理內容安全與模型效果評估等模塊。一方面，注重生成內容的合規(guī)性與道德性，避免偏見和不當內容；另一方面，對模型的響應時間、準確率、安全性等進行全面評估，以此確保教學內容質量和模型性能。

3．場景層

場景層聚焦于模型能力在各類實際教育場景中的落地，典型場景包括“AI助教”“AI助學”“AI助管”三類。

在“AI助教”方面，大模型依據教師構思，輔助資源整合、教學設計、生成教案、學情分析，實現智能備課，提升備課效能；強化學生課堂行為分析，輔助教學決策，助力生成式對話，提高課堂教學效果等。

在“AI助學”方面，大模型依據學習進度、知識掌握程度定制學習路徑與內容，推動個性化學習；增強學習互動性，激發(fā)學習興趣與主動性；融入五育并舉理念，通過多樣化活動與資源推薦，提升學生綜合素質等。

在“AI助管”方面，大模型通過多類型智能體應用，促進校園服務個性化；融合現有平臺系統(tǒng)，搭建數字基座，實現管理系統(tǒng)互聯(lián)互通；利用多模態(tài)數據分析能力，提高查詢效率和決策準確性等。

（二）教育大模型建設的關鍵技術策略

教育大模型的建設需要切實考慮教育場景的復雜性、知識體系的嚴謹性以及師生人機協(xié)同的交互需求。為此，應圍繞教育大模型建設系統(tǒng)架構，從幻覺應對、推理邏輯優(yōu)化、多模態(tài)協(xié)同、安全可控、生態(tài)建設、效果評估六個方面落實技術應用，以推動其從“工具淺層使用”向“學科融合應用”的效果躍遷。

1.結合知識增強與知識圖譜技術，有效降低教育應用的“幻覺”影響

由于數據偏差、知識過時、意圖誤解等原因，大模型在教學應用中可能出現內容生成與事實不符、邏輯斷裂或脫離上下文的情況，從而影響嚴肅教學場景。知識圖譜技術的應用有助于知識點間的關系呈現，從而幫助模型通過邏輯拆解和語義關系合成來提升自然語言理解能力與推理能力[]。引入知識增強生成技術能夠幫助總結和提煉非結構化文檔，提高結果準確率，與溯源技術相結合，還能使模型的每個輸出結果都標注來源[8]，有效提高模型輸出結果的可驗證性。此外，引入基于圖神經網絡（GraphNeuralNetwork，GNN）的知識圖譜嵌人技術，可以進一步提升模型對復雜知識關系的建模能力，從而減少生成內容的偏差和錯誤。

2.整合專家育人智慧，創(chuàng)新機器思維鏈與數學問題鏈相結合的鏈式推理路徑

為提升機器推理的教學效果適切性，融合教育專家的教育邏輯與機器思維鏈技術成為必然。具體而言，可將教育專家在教學過程中積累的教學理念、方法和經驗進行提煉與整合，并融人到教育大模型中。同時，創(chuàng)新性地構建機器思維鏈與數學問題鏈相結合的推理路徑[9]，讓模型在面對數學等問題時，能夠像人類教師專家一般進行邏輯推理和問題解決。通過引人符號推理與神經符號計算（NeuroSymbolicComputing）技術，模型能夠在數學問題求解中結合符號邏輯與深度學習，實現更高效、更精確的推理過程。

3.強化多模態(tài)能力，提高適應教育復雜任務場景的能力

若大模型多模態(tài)能力不足，教師在講解結合圖像、文字和音頻等多種信息的知識點時，模型就無法有效整合相關信息，難以為學生提供全面、生動的學習體驗。通過對圖像、文本、音視頻等多種模態(tài)數據的集成整合和學習，能夠獲取不同數據類型之間的內在聯(lián)系，從而為教學提供更全面、更準確的信息理解和處理能力，實現復雜的跨模態(tài)理解、生成與推理[10]。借助多模態(tài)融合架構，如CLIP（ContrastiveLanguage-ImagePre-Training）模型等，可以更高效地實現跨模態(tài)數據的對齊與理解，在教育場景中提供更自然、更豐富的交互體驗，滿足復雜教學任務的需求。

4.創(chuàng)新價值觀對齊技術與文本審核機制，確保教育內容輸出安全可靠

在教育領域，大模型的輸出內容需要與人類價值觀進行對齊，以確保生成內容符合社會道德規(guī)范、契合育人目標，避免生成有害或誤導性的信息。通過價值觀對齊技術（如預訓練、上下文提示等手段），能夠確保語言模型生成的內容或決策符合目標價值觀[11]。同時，建立嚴格的文本審核機制，能夠進一步保證模型輸出內容的安全性和可靠性，實現觀點生成到語義邏輯的全鏈路安全管控，讓教育大模型更好地服務于教育教學活動。結合基于人工反饋的強化學習技術，模型可以在生成內容時動態(tài)調整輸出，確保其符合教育場景的倫理要求，進一步提升內容的安全性和適用性。

5.重視教育智能體的開發(fā)與應用，著力構建開放共享的教育生態(tài)

教育智能體是解決大模型教育應用人機協(xié)同模式的核心技術路徑[12]。在實際應用中，智能體作為大模型的具象化體現，承擔從認知到行動的關鍵環(huán)節(jié)，打通大模型與實際教學場景的“最后一公里”。具體來說，智能體能夠通過自主規(guī)劃、多模態(tài)感知與工具調用能力，精準分解教學任務并動態(tài)調整策略，從而深化與教師的協(xié)同。這不僅輔助內容生成，更能主動支持課堂互動、教學反饋和個性化干預，為構建開放共享的教育生態(tài)，實現跨域的人機協(xié)同教學、協(xié)同學習和協(xié)同決策提供了堅實基礎。通過強化學習框架（如PPO等）的訓練，可以進一步提升智能體在教學任務中的自主決策能力，動態(tài)適應不同教學場景的需求，為師生提供更高效的支持。

6.推動模型應用效果改進，重視教育場景下的模型評估與優(yōu)化體系建設

由于教育大模型訓練數據隱含社會偏見，且缺乏教育領域特有的倫理約束，易導致理解偏差、偏離育人目標。因此，教育大模型評估體系的建設對于衡量模型性能、指導模型優(yōu)化，以及確保模型在教育場景中的有效應用具有關鍵意義。通過建立健全、科學、全面，能夠覆蓋專業(yè)能力與安全能力監(jiān)測的評估指標[13]，可以精準反映模型在教育任務中的表現，從而為模型的后續(xù)性能提升與應用改進提供明確方向，為模型的持續(xù)優(yōu)化提供依據。結合因果推理的評估方法，可以更深入地識別模型在教育場景中的潛在偏差，為模型優(yōu)化提供更具針對性的指導，確保模型在教學中始終符合育人目標。

三、教育大模型教學應用實踐與思考

在國家政策的積極引導下，隨著教育大模型技術和產品能力的不斷優(yōu)化，越來越多的教師開始探索利用大模型促進教學創(chuàng)新，隨之出現了許多成效明顯的特色應用實踐，如輔助教師備課、創(chuàng)新生成式課堂、促進精準教學等。當然，教育大模型教學應用尚處于初始階段，從大模型研發(fā)，到教師自身素養(yǎng)，再到應用推進方式，都還存在一些問題亟待解決。

（一）大模型賦能教學創(chuàng)新發(fā)展的實踐探索

1．輔助教師備課

備課是教師教學工作中至關重要的一環(huán)，占據了教師大量時間和精力，輔助備課是很多教師應用教育大模型的常見場景。

第一，利用大模型搜索與整合互聯(lián)網信息，以提高教學信息搜索效率。大模型具備“聯(lián)網搜索”功能，能夠快速從互聯(lián)網上搜索與提示詞相關的知識內容、教案、課件、案例等信息，并在此基礎上進行分析和整合。相比之前的互聯(lián)網搜索，基于大模型的搜索更能精準匹配教師需要，幫助教師以更快捷的方式找到個人所需的內容。以小學語文為例，利用訊飛星火輸人提示詞“幫我找一些小學《靜夜思》的教學資源”，大模型不僅可以列舉來自智學網、知乎等平臺的知識類、教案類、課件類、試題類和其他拓展類相關資源，還可以提供相應的內容說明以便教師參考使用，從而大大提高資源搜索的精準度和效率。這一過程得益于大模型對自然語言處理（NaturalLanguageProcessing，NLP）技術的深度應用，通過語義理解和上下文關聯(lián)分析，能夠更準確地理解教師的需求，并結合知識圖譜技術對搜索結果進行結構化整合，從而提供更高效的信息檢索服務。

第二，利用大模型智能生成教案草案，以提高教學設計的效率和質量。教師將需要設計的課時、班級等信息發(fā)送給大模型，大模型可以輸出單元主題、教學目標等教學設計的標準模塊，并智能匹配符合新課標的教學任務、教學活動[14]。例如，溫州某高一語文老師在教授“荊軻刺秦王”一課時，通過大模型生成教案獲得啟發(fā)，將“如何評價荊軻刺殺秦王的價值和意義”作為問題主線，設計了小組探究式教學模式。這一功能的實現依賴于大模型的生成式預訓練技術（GenerativePre-trainedTransformer，GPT），通過對海量教學案例和課程標準的學習，模型能夠自動生成符合教學邏輯的教案框架，并結合強化學習技術不斷優(yōu)化生成內容，使其更貼近實際教學需求。

第三，利用大模型智能生成課件等多類型教學資源，支持教師設計和優(yōu)化教學活動。基于強大的文字、圖像、聲音、視頻等多模態(tài)資源生成能力，大模型能根據教師輸入的文本提示詞智能生成教案、作業(yè)練習題目、情境圖片、思維導圖、動畫和視頻等各類型教學資源，還可以一鍵生成互動式教學課件。訊飛星火還提供了PPT模板選擇和內容二次編輯等服務，支持教師隨時修改模板、修訂文字內容、進行文圖轉換，以此優(yōu)化信息呈現方式，有效提升教師備課效率和質量。這一功能的背后是多模態(tài)生成技術的支持，例如，基于擴散模型（DiffusionModel）的圖像生成技術和基于Transformer架構的文本生成技術，能夠實現高質量、多樣化的教學資源生成。同時，結合計算機視覺和語音合成技術，模型還可以生成動態(tài)視頻和語音講解，進一步豐富教學資源的表現形式。

調研數據顯示，在大模型支持下教師的資源檢索便捷度和教學設計效率提升超過 56% 、課件制作效率提升超過 64% ，教師的好評度也超過 93%^[15] 這些成效得益于大模型在自然語言處理、多模態(tài)生成和知識圖譜等領域的深度技術融合，也離不開模型在教育場景中的持續(xù)優(yōu)化與迭代。通過結合教育專家的反饋和實際教學數據，大模型能夠不斷調整生成策略，提升輸出內容的準確性和適用性，從而為教師提供更智能、更高效的備課支持。

2.創(chuàng)新生成式課堂

課堂是學校育人主陣地，生成式人工智能為課堂插上了智能化動態(tài)生成的飛翔翅膀[16]。很多教師在大模型支持下將智能助教、智能學伴等引入課堂，以人機協(xié)同的形式打造“動態(tài)生成”的課堂教學新

模式。

第一，利用大模型輔助教師生成式的“教”。大模型可以快速完成課堂教學數據資料處理并提供相應建議，輔助教師及時掌握學生學習狀況以便靈活調整教學內容和活動。如蘇州某高中物理“電場強度”教學中，教師在講解基本知識后，通過線上小測驗收集學生作答信息，并將這些數據輸人大模型。由此發(fā)現大部分學生對電場強度的矢量性理解存在困難，于是，根據大模型建議讓學生圍繞“靜電除塵的原理”展開討論交流，以此激發(fā)學生思維，深化對知識的理解。這一過程依賴于大模型對實時數據的處理能力，結合自然語言處理（NLP）技術和機器學習算法，模型能夠快速分析學生的答題數據，識別知識盲點，并基于教育心理學原理生成針對性的教學建議，幫助教師動態(tài)調整教學策略。

第二，利用大模型輔助學生生成式的“學”。自主探索和協(xié)同探究是學生學習掌握知識的有效途徑，基于大模型的智能助手能根據學生學習情況及變化，動態(tài)地提供相應學習資源、問答指導[1]，幫助學生通過人機對話更高效地學習和掌握知識。例如，在上海求真中學的化學實驗教學中，每組學生都配有一個AI助教，“不僅能實時陪伴學生觀察實驗結果，回答形形色色的問題，還能循循善誘提問，引導學生有針對性地反思實驗過程，自主提出改進思路\"[18]。這一功能的實現得益于大模型的多模態(tài)交互能力，結合計算機視覺技術，AI助教能夠實時分析實驗現象，并通過自然語言生成（NaturalLanguageGeneration，NLG）技術與學生進行互動。同時，模型基于強化學習（ReinforcementLearning，RL）技術不斷優(yōu)化問答策略，確保問題引導的針對性和有效性，從而幫助學生更深入地理解實驗原理。

第三，利用大模型輔助生成式的“評”。利用大模型評價學生的作業(yè)或作品，能夠實現評價的全面性、客觀性和高效性，為教師和學生提供更有價值的反饋信息。如廣州某小學美術“節(jié)日的餐桌”教學中，教師將學生制作的“節(jié)日菜肴”繪畫作品提交給大模型，大模型從造型、色彩、構圖多個維度進行智能評價，總結了優(yōu)點與不足之處。這一功能的背后是計算機視覺與深度學習技術的結合，模型通過卷積神經網絡對圖像進行特征提取，并結合生成對抗網絡技術生成評價建議，確保評價的全面性和客觀性。此外，模型還運用自然語言處理技術生成詳細的評語，為學生提供更具建設性的反饋，幫助他們在藝術創(chuàng)作中不斷進步。

大模型加持下的生成式課堂，大大提高了學生的學習興趣和課堂參與度。如跟蹤數據顯示，在引入科普大模型“奇思妙問”的小學科學課堂上，學生的互動參與率從 25% 提升到 77% 、問題解答率從23% 提升到 95% 、學生舉手提問率從 16% 提升到73% 。這些成效不僅得益于大模型在自然語言處理、計算機視覺和強化學習等領域的技術突破，還離不開模型在教育場景中的持續(xù)優(yōu)化與迭代。通過結合教育專家的反饋和實際教學數據，大模型能夠不斷調整生成策略，提升輸出內容的準確性和適用性，為課堂教學提供更智能、更高效的支持，真正實現“動態(tài)生成”的課堂新模式。

3.促進精準教學

“規(guī)模化教育與個性化培養(yǎng)的有機結合”是教育創(chuàng)新發(fā)展的方向。大模型的數據分析、多模態(tài)理解、邏輯推理等能力，為實現因材施教提供了強大支持，促進精準教學也成為很多教師探索大模型教育應用的重點方向。

一方面，利用大模型準確洞察學情，助力教師精準“教”。大模型能夠有效處理作業(yè)數據、考試數據、隨堂測驗、學生作品等數據和資料，生成各類學情報告，可以輔助教師掌握班級整體知識掌握情況分布和學生個體情況，還可以針對班級整體和學生個體存在的不足提出改進建議，從而為教師優(yōu)化教學策略更精準實施教學提供參考和建議。如訊飛星火智能批閱機已在全國各地大規(guī)模應用，不僅有效減輕了教師作業(yè)批改負擔，還能“即刻打印當次作業(yè)的報告和講義，更精準地掌握學生的學習情況，并作為后續(xù)課堂作業(yè)講評的重要依據，還可以自動收錄建設班級錯題庫，輔助老師針對性地布置個性化作業(yè)”，教師反映“即刻生成的試卷分析很有效，不僅列出了錯誤多的題目，也列出了哪些學生錯了，便于老師更精確地了解學生的掌握情況。\"[19]這一功能的實現依賴于大模型對海量教育數據的深度挖掘與分析能力，通過機器學習算法（如隨機森林、梯度提升樹等）對學生的答題數據進行建模，識別知識薄弱點，并結合知識圖譜技術生成個性化的學習建議。同時，模型通過自然語言處理技術自動生成詳細的學情報告，為教師提供直觀的數據支持，幫助其精準調整教學策略。

另一方面，利用大模型針對學生需要提供精準支持，實現學生個性化“學”。借助于大模型強大的理解力及穿透式能力，可以為個性化學習路徑規(guī)劃和資源推薦提供強力支撐。包括：實時分析學生的反應、行為和進展，根據每個學生的進展和表現生成和調整學習內容[20]；針對作業(yè)的具體內容，進行步驟式分析，實現更加細致的問題診斷和個性化路徑規(guī)劃；通過智能識別學生最近發(fā)展區(qū)，規(guī)劃動態(tài)學習路徑和適切資源等[21]。這一功能的背后是強化學習和自適應學習技術的深度融合。大模型通過實時采集學生的學習行為數據（如答題時間、錯誤率、互動頻率等），結合深度學習算法動態(tài)調整學習內容的難度和呈現方式，確保學習路徑與學生的認知水平相匹配。此外，模型通過知識追蹤（KnowledgeTracing）技術預測學生的學習狀態(tài)，識別其“最近發(fā)展區(qū)”，從而推薦最適合的學習資源和方法，幫助學生實現高效學習。

（二）拓展和深化大模型教學應用的思考

1.大模型的教育適用性有待提升

當前，由于教育領域專用大模型研發(fā)相對滯后，許多教師只能使用通用大模型開展教學。雖然通用大模型在資源搜索與制作、教學設計等方面為教師提供了巨大支持，但通用大模型并非專門為教育領域應用而開發(fā)，還存在生成內容不準確、需求匹配度低等問題，其應用普及與深化存在阻礙。第一，生成內容準確性差，影響教師使用信心。根據提示詞智能生成相應內容是大模型教學應用的核心價值之一，那些似是而非、背離事實的生成內容會極大影響教師的使用信心，尤其對于學生來說存在較高的誤導風險。第二，需求匹配度欠缺，無法滿足教學應用復雜需求。教育是一項育人的事業(yè)，場景復雜、容錯率低，不同場景、不同對象有著不同的特征和需要，通用大模型難以很好地適配所有場景，常在某些特定應用中表現欠佳。例如，難以根據不同教育階段、學科和學習目標生成更具針對性和適配性的內容，難以滿足情感交流與溝通的需要等。

以上問題主要受四方面因素影響：一是技術方面存在限制。通用大模型通常采用Transformer等架構，基于大規(guī)模無監(jiān)督或自監(jiān)督學習方式進行訓練，由于缺乏對知識的深度理解和邏輯推理能力的專門訓練，容易出現事實性錯誤和推理能力弱的問題。二是教育領域具有高度復雜性。教師、學生、年齡、學科等存在差異，教學目標、知識內容、物質條件、文化環(huán)境等多因素影響，導致通用大模型難以靈活匹配具體場景的多樣特征，難以根據個性化具體需求提供精準支持。三是與教育理論融合不足。缺乏教育學、心理學等多學科理論指導下的系統(tǒng)性訓練，難以將教育方法、學習規(guī)律等融人到內容生成過程中，生成內容的科學性、準確性和適用性自然無法保障。四是教育數據訓練不足。用于通用大模型訓練的數據集包含多學科、多領域，可能缺失教育領域的特定數據，導致模型在教育相關內容的學習上存在不足，往往只能生成一般性、模式化的內容，難以提供深入分析和專業(yè)見解。

2．實踐中“探索一循證一迭代”的大模型研發(fā)模式有待完善

近年來，生成式人工智能發(fā)展取得重大突破，技術迭代迅速，這意味著大模型研發(fā)是一個持續(xù)循環(huán)迭代的過程。在這個過程中，使用者的真實需求和應用實證數據反饋對于大模型的持續(xù)優(yōu)化升級至關重要。然而，從國內大模型行業(yè)發(fā)展現狀來看，教育領域大模型研發(fā)主要以技術驅動為主，尚未形成清晰的基于教育實踐的“探索一循證一迭代”研發(fā)模式。

第一，教育者參與不夠。目前，大模型研發(fā)過程往往只有少量信息化專家提供咨詢指導。在大模型試用過程中，個別區(qū)域和學校只有少數管理者和教師通過應用調研反饋參與其中。整體來看，參與者數量較少、缺乏多樣化，且參與程度普遍較淺，無法為大模型研發(fā)提供全面的、準確的教育教學理論支撐和應用反饋，也無法適應區(qū)域間、校際間以及復雜教育場景的差異，難以對研發(fā)內容和活動過程產生深刻影響。

第二，循環(huán)迭代難以閉環(huán)。一是生成式人工智能技術迭代迅速，大模型研發(fā)沒有充足的驗證、迭代時間，只能順應技術潮流和熱點。二是教育管理部門、高校、研究機構等對大模型教學應用循證研究的關注和投人不夠，一線教師不具備足夠的循證研究能力，嚴重缺乏反映大模型教學應用過程與成效的實證性數據和典型案例，無法為大模型迭代提供實證依據。

以上問題主要受到兩方面因素的影響：一是大模型合作研發(fā)的主體角色和多元參與機制不清晰。大模型合作研發(fā)涉及多個主體，包括基礎模型開發(fā)者、應用開發(fā)商、數據提供方和使用者等，大模型的出現打破了原有產業(yè)鏈條，新的協(xié)作模式尚未成熟，不同主體間的信息差進一步強化了合作壁壘。尤其是作為最終用戶的教育管理者、教師、學生，由于對先進技術缺乏充分的了解和認知，在大模型研發(fā)過程中基本沒有發(fā)言權。二是教育者參與利益分配機制不完善。大模型的研發(fā)和應用投入成本巨大，但商業(yè)化模式尚在探索中。從企業(yè)角度來看，普遍關注擴大短期收益規(guī)模和市場占有率，在針對個性化訴求進行深人實踐、實現產品細節(jié)優(yōu)化方面持續(xù)投入的意愿不強。從教育者角度來，智力資本和試錯成本難以得到合理估算，合作參與整體處于弱勢地位，深度參與積極性普遍不高。如何切實實現“人在回路”，如何平衡教育者、研究者的投人與收益關系，是進一步完善大模型研發(fā)循環(huán)迭代機制必須面對的命題。

3.教師智能素養(yǎng)亟待提升

人工智能不會取代教師，但如果教師無法有效運用人工智能優(yōu)化教學過程、提升教學質量，那么這些教師可能會面臨被取代的風險。因此，大模型教學應用對教師智能素養(yǎng)提升提出必然要求。

從觀念意識方面來看，部分教師對人工智能作用于教育領域的重要性及其潛在影響的認識不夠，大模型使用意愿不高。通過在江蘇、湖北、安徽、浙江、廣東等地的調研發(fā)現，教師使用意愿整體低于管理者和學生。許多教師仍不了解大模型的教學價值，擔心新技術的引人會增加教學負擔，而且未必能夠提升課堂教學效果。同時，有部分教師不能正視大模型“幻覺”現象，不敢大膽探索應用。

從教學應用方面來看，教帥將大模型有效融入學科教學的能力不足。雖然很多教師參加過生成式人工智能或大模型教育教學應用方面的培訓，但大模型在實際教學中的應用仍舊會出現提示詞不準確、生成內容不滿意、使用負擔太大、課堂組織失控等各種問題。教師難以靈活駕馭大模型并進行持續(xù)、深入應用，而應用實踐的不良體驗，則會進一步惡化教師對大模型教育價值的認知，降低其應用意愿。

教師智能素養(yǎng)培養(yǎng)不可能一蹴而就，上述問題的出現也反映了當前教師培訓在支持教師應用大模型方面的不足。這些問題的產生主要源于兩個方面的原因：一是培訓內容與教師差異化教學實踐之間需求不匹配，如培訓內容難以消化、學科實踐匹配度不高等。2024年以來，很多地方和學校組織開展了大模型教學應用培訓，但通常以多學科教師集中統(tǒng)一培訓的方式進行，針對具體某一學科的應用培訓內容相對較少，因此，許多老師并未掌握在課堂教學設計中引入大模型的方式。二是培訓方式多以理論講授和案例分享為主，缺少實踐指導。理論與案例雖提升了認知，但教師們對如何將大模型應用于各科教學實踐了解甚少，缺乏相應的操作技能以及創(chuàng)新教學方法，致使大模型在實際教學過程中無法獲得有效應用。所以，為促進大模型助力教學變革，教師培訓必須進行優(yōu)化創(chuàng)新。

4.創(chuàng)新應用缺乏具體參照和有效指導

長期以來的教育信息化實踐證明，新技術的介入會在一定程度上增加教學的復雜性，而典型案例和應用指導是減輕和消解新技術應用負擔的必要措施。當前，大模型教育應用，尤其是在基礎教育領域的應用，存在典型案例不足、缺乏專業(yè)指導等問題，難以有效發(fā)揮大模型優(yōu)勢并促進教學創(chuàng)新。

第一，學科教學應用優(yōu)秀實踐案例的缺乏，導致教師缺少行動參照，“摸著石頭過河”加重了教師的應用負擔。目前，教育部組織公布了兩批高等教育大模型應用案例，但基礎教育領域大模型應用案例的收集工作尚未啟動。很多中小學教師都在探索大模型應用，但合理應用的標準是什么、優(yōu)秀應用策略有哪些、如何有效防控各類風險等問題，尚未有統(tǒng)一認知和評判標準，這在一定程度上使教師產生迷茫。

第二，技術與應用指導缺失，導致教師常常孤軍奮戰(zhàn)，對大模型的持續(xù)深入應用面臨多重阻礙。目前，教師通常會應用訊飛星火、Kimi、豆包等網上公開免費對話大模型，在遇到生成內容中的特殊符號、表格如何導出等技術問題時，經常“求助無門”，當遇到大模型與學科教學融合方面的專業(yè)問題時，常會“孤立無援”。依靠教師個體來應對各類技術和學科融合問題，無疑會快速燃燒其探索熱情，難以實現持續(xù)和深入應用。

雖然影響上述問題的因素有很多，但實證研究力度不夠和應用支持服務體系不完善是最值得關注的兩個關鍵因素。首先，實證研究支持不足，影響了已有案例的示范性和引領性。在大模型教學應用探索實踐中，不乏一些有特色的、與教學實際融合較深的應用。例如，在課堂上引入虛擬人對話練習英語口語；利用大模型生成課堂討論話題；讓學生利用大模型創(chuàng)作匯報材料。但是，由于缺少實證數據尤其是效果實證數據的支持，相關應用方式、策略等只能作為特色實踐方法進行分享，要成為具有示范性和引領性的典型案例，還需要進一步實證研究支持。其次，支持服務機制不健全，教師難以獲得專業(yè)支撐。大模型技術迭代頻繁，無論對于企業(yè)，還是對于專家、教研員和教師來說，大模型及其教育應用都是新事物。如何與大模型企業(yè)建立長效的服務關系、如何從海量應用探索者中準確識別具備專業(yè)應用指導能力的真正專家、如何協(xié)調企業(yè)和高校以及本地教研之間的協(xié)作關系、如何協(xié)調處理大模型應用與指導新投人和經費短缺的矛盾等，都是區(qū)域和學校在構建大模型教學應用支持服務體系中需要面對的問題。

四、促進教育大模型發(fā)展與教育應用的建議

自主可控是中國版教育大模型建設發(fā)展的必然方向，規(guī)模化應用是充分發(fā)揮教育大模型賦能教學創(chuàng)新優(yōu)勢的必由之路。針對當前教育大模型在教學實踐應用中存在的突出問題，建議從技術研發(fā)、場景創(chuàng)新、素養(yǎng)提升和生態(tài)協(xié)同等多方面系統(tǒng)推進，構建覆蓋全鏈條的技術研究路徑和產業(yè)生態(tài)體系。

（一）支持自主可控的教育專屬大模型建設

以教育部“LEAD行動”為戰(zhàn)略支點，加快建設符合教育需求的深度推理大模型，在“機器思維鏈”的基礎上結合優(yōu)秀教師經驗，研發(fā)“教學思維鏈”驅動的教育深度推理大模型，并持續(xù)創(chuàng)新教育大模型關鍵算法，強化模型的科學性與教育適切性。通過全流程安全審核機制，結合聯(lián)邦學習等技術保障數據隱私與合規(guī)性，確保模型輸出內容符合教育價值觀與倫理要求。制定教育專屬大模型標準規(guī)范，實施質量評測，參考行業(yè)通用標準，從知識覆蓋度、教學交互性、倫理合規(guī)性等維度建立評測體系，重點規(guī)范模型在知識問答、學情分析、資源推薦等核心場景的功能要求，并通過定期質量評測確保模型性能持續(xù)優(yōu)化。推動教育數據開放共享與標準制定，構建國家級教育數據共享平臺，整合學情數據、教學資源及科研成果等多源異構數據，制定教育數據分級分類開放目錄，明確數據脫敏、訪問權限及安全標準，同步建立動態(tài)更新機制，確保數據與教材修訂、考試政策變化保持同步。

（二）打造場景應用標桿賦能教育變革創(chuàng)新

推動基于大模型的智能化應用開發(fā)，優(yōu)先打造重點場景標桿案例。在智能備課方面，開發(fā)教案自動生成與資源精準推薦工具，支持教師快速匹配教學素材；在個性化學習方面，基于學情畫像動態(tài)調整學習路徑，提供分層練習與錯題分析；在精準測評方面，結合圖文識別與自然語言處理技術實現自動批改與錯因診斷；在教學質量評價方面，利用多模態(tài)數據分析課堂互動質量，優(yōu)化教學策略；在教育管理優(yōu)化方面，通過數據預測學生風險并制定干預策略，提升管理效能。建議教育部牽頭編制教育大模型應用指導文件，明確應用框架，確保K12、職業(yè)教育、高等教育等不同學段場景的適配性與實踐效能。同時，設立教育大模型創(chuàng)新示范區(qū)，通過試點驗證場景方案的可行性，形成可復制的標準化流程。建立“需求一反饋一迭代”閉環(huán)機制，推動標桿案例向全國規(guī)模化推廣。

（三）制定專項工作計劃提升教師智能素養(yǎng)

設計覆蓋大模型技術原理、智能工具實操、數據驅動教學優(yōu)化等方面的培訓課程。重點強化教師在新一代深度推理模型支撐下的智能工具使用、數據分析和信息化教學設計等方面的能力，推動教師全面適應教育數字化轉型新要求。在智能工具使用方面，培訓教師熟練操作基于大模型的備課助手、學情分析系統(tǒng)等工具；在數據分析方面，培訓教師掌握學情數據可視化、學習路徑動態(tài)調整等技能；在信息化教學設計方面，培訓教師利用大模型生成個性化教學方案的能力，實現差異化教學。同時，開展教師智能素養(yǎng)認證體系建設，聯(lián)合教育主管部門制定教師智能素養(yǎng)等級標準，形成標準化能力評估框架，根據工具操作、數據分析、教學創(chuàng)新等不同層次能力素養(yǎng)，設立初、中、高三級認證，并將相關認證納入職稱評審激勵機制，促進教師智能素養(yǎng)全面提升。

（四）建立政產學研用協(xié)同的教育大模型研發(fā)與應用生態(tài)

研究政策協(xié)同機制，依托“人工智能 + ”等國家行動計劃，研究具有教育行業(yè)特色的專項政策，通過稅收優(yōu)惠、專項基金等政策激勵企業(yè)參與教育大模型技術攻關。搭建產學研合作平臺，推動高校、科研機構與科技企業(yè)共建聯(lián)合實驗室，聚焦教育垂類模型優(yōu)化與算力基礎設施共享，攻克跨學科知識融合、多模態(tài)資源生成等共性技術難題。鼓勵地方教育部門開放教學管理、教師培訓等場景，為教育大模型提供真實應用反饋，促進需求對接，加速大模型在教育場景的落地驗證。支持開放平臺建設，開發(fā)大模型應用工具鏈，開放API接口，降低開發(fā)者研發(fā)成本和準人門檻，加快教育應用生態(tài)建設。此外，需要各類教育從業(yè)者共同探索大模型技術背景下的教育應用新場景、新形式、新方法，堅持應用為王，打造“政策引導一技術研發(fā)一場景驗證一市場推廣一用戶反饋一技術迭代”的閉環(huán)鏈條。

參考文獻：

[1］科大訊飛研究院．語音、視覺、數字人三合一，人機怎樣回歸真“交互\"？［EB/OL].[2024-10-31].https：//mp.weixin.qq.com/s/qMEISuJVFxLtl9KHd5yiiQ.

[2]機器之心，從PPO到GRPO，DeepSeek-R1做對了什么？[EB/OL].[2025-02-16].https：//mp.weixin.qq.com/s/dWA2zdq38szNLCnYsJO1RQ.

[3]科大訊飛智慧教育.深度推理大模型星火X1再升級，解鎖教育無限潛能［EB/OL].[2025-03-03].https：//mp.weixin.qq.com/s/5spTh_b1QLUDvCjVcOzNUg.

[4]［13］劉邦奇，喻彥琨，王濤，等，人工智能教育大模型：體系架構與關鍵技術策略［J]．開放教育研究，2024（5）：76-86.

[5]武法提，夏志文，高姝睿．以生成式人工智能重塑智慧學習環(huán)境：從要素改進到生態(tài)重構[J].電化教育研究，2025（1）：54-63.

[6]LiangL，Sun M，Gui Z，et al．Kag：Boosting IIms inprofessionaldomainsviaknowledgeaugmentedgeneration[J]．arxiv preprint arxiv：2409．13731，2024.

[7］唐曉晟，程琳雅，張春紅，等，大語言模型在學科知識圖譜自動化構建上的應用[J].北京郵電大學學報（社會科學版），2024（1）：125-136.

[8]

[9][21]王士進．大模型技術進展和教育應用[J].中國人工智能學會通訊，2025（1）：13-17.

[10］中國計算機學會數字圖書館.多模態(tài)大模型關鍵技不及應用LEB/UL」.L2U25-2-2/」.nttpS：//WWW.ccf.org.cn/ccfdl/ccf_dl_focus/new/25-5-49/.

[11］劉昆麟，屈新紀，譚芳，等.大語言模型對齊研究綜述[J]．電信科學，2024（6）：173-194.

[12]盧宇，余京蕾，陳鵬鶴，基于大模型的教學智能體構建與應用研究[J]．中國電化教育，2024（7）：99-108.

[14］劉邦奇等，生成式人工智能與未來教育形態(tài)重塑：技術框架、能力特征及應用趨勢[J].電化教育研究，2024（1）：13-20，

[15]2024全球智慧教育大會丨科大訊飛聶小林：新一代人工智能技術助推教育數字化轉型的實踐［EB/OL].[2024-8-20].https：//edu.iflytek.com/about-us/news/special-column/1277.

[16］黎加厚．生成式人工智能時代的課堂教學創(chuàng)新［J].中小學信息技術教育，2024（Z1）：6-10.

[17］UNESCO（2023）.Guidancefor generativeAl ineducation and research[EB/OL].[2023-10-03].https：//www.unesco.org/en/articles/guid-ance-generative-ai-education-and-research.

[18］人機對話、文生視頻！AI助教走入滬上課堂，探索教育領域垂直大模型[EB/OL].［2024-12-10].https：//sghexport.shobserver.com/html/baijiahao/2024/12/10/1476343.html.

[19]為教育減負，“大模型批改神器”走進上海80多所學校[EB/OL].[2025-1-10].https：//edu.iflytek.com/about-us/news/company-news/1877.

[20］葉新東，劉澤民.基于多模態(tài)大模型的精準教學支持體系構建研究［J].遠程教育雜志，2024（1）：84-93.

Research on Technical Implementation Pathways and Application Practices of Educational Large language Models Promoting Teaching Innovation

NieXiaoLin，WangShijin1，LiuMing2，WangYafei1，QinBing2（1.iFLYTEKCO.LTD，Hefei，Anhui，230088；2.Harbin InstituteofTechnology，Harbin，Heilongjiang，150001）

Abstract：Withcontinuous breakthroughs inartificial inteligence（Al）technology，educational large language models（LLMs）haveemergedasapivotaltechnologydriving educational transformationand innovationintheAlera. Developinga Chineseversion of educational LLMsisessential toachieveautonomouscontrol，security，and trustworthiness，Related research necessitates redesigning system architectures based on domesticcomputing power and advancingtechnologicalinnovationsinsixkeyareas：hallcinationmitigation，reasoning logicoptimization，multimodal collaboration，safetyandcontrolability，ecosystemdevelopment，andeffectivenessevaluation.Practicalapplications demonstratethateducationalLLMs havesignificantlyassisted teachers’eficacyinpreparing teachingmaterials， inovatinggenerativeclassrooms，andenablingprecise teachingmodel．However，challengespersist，including insuficienteducationalaplicability，imperfectPamp;Dmodels，alackofinteligentliteracyamong teachers，andtheabsence ofapplicationreferencesand guidelines.Tofulyrelease thepotentialdevelopmentof largemodels in fostering teaching inovation，multi-prongedstrategiesarerequired：increasingsupportforeducationLLMs，acceleratingthedevelopment of benchmarkapplicationsinkeyscenarios，implementing specializedprograms toenhanceteachers'intellgentiteracy， andestablishingacollborative“government-industry-academia-research-aplication”ecosystemforeducationalLLMs deployment.

Keywords：Educational Large Language Models；Teaching Innovation；Intelligent Literacy

（責任編校：周文鼎）