智能教育中的大模型智能體：基礎、模式和挑戰

中圖分類號：G434 文獻標識碼：A 文章編號：2095-5995（2025）01-0049-12

一、教育技術的演進與LLMAgent作為教育技術的未來

智能教育領域正經歷一場深刻的變革，LLMAgent作為新一代教育技術的代表，正逐步改變傳統的教學與學習模式。在教育技術的發展歷程中，從早期的計算機輔助教學（ComputerAided

Instruction，CAI）到如今的大語言模型（LargeLanguageModel，LLM），每一次技術躍升都為教育帶來了新的可能性與挑戰。LLMAgent以其強大的自然語言處理能力和智能決策能力，在個性化學習、智能輔導以及課程設計等方面展現出巨大的應用潛力，能夠根據學習者的特點和需求提供定制化的學習體驗，從而有效提升學習效果和教育質量。然而，

LLMAgent在獲得廣泛應用的同時，也面臨著諸如幻覺問題、偏見放大、即時反饋依賴以及情感依賴等多方面的挑戰。本文將深人探討LLMAgent在智能教育中的理論與技術基礎、未來發展以及面臨的挑戰，并提出相應的對策建議，以期為推動智能教育技術的持續發展和創新提供有益參考與指導。

（一）傳統計算機輔助教學（CAI）在新時代的范式轉型

教育技術的發展歷程始終伴隨著人機交互（Human-ComputerInteraction，HCI）的演進而不斷重塑。早在20世紀60年代，計算機輔助教學（Computer-AssistedInstruction，CAI）便有了雛形，其以程序化教學理論為基礎，體現為強調自動化知識傳遞的交互模式。例如，Suppes（1966）開發的計算機輔助教學系統通過算法自動生成個性化練習題，奠定了自動化測評的基礎[1]。隨著認知科學的興起與發展，20世紀80年代的CAI研究逐步關注人機互動過程中的認知支持。例如，Anderson等人（1985）提出的認知導師系統（CognitiveTutors）能夠跟蹤學習者的問題解決過程，提供即時反饋，初步實現了人機協同的交互模式[2]。然而，早期的計算機輔助教學主要表現為單向信息傳遞，缺乏對學習者認知狀態的深人感知和反饋機制，也難以靈活適應復雜、多樣的教學場景。

20世紀90年代后期，網絡技術的迅猛發展進一步推動了計算機支持的協作學習（Computer-SupportedCollaborativeLearning，CSCL）的發展。Dillenbourg（1996）提出的CSCL框架強調人機協同促進知識的社會性建構[3]，如通過Agent模擬同伴討論與互動。交互設計被引人CSCL，積累了豐富的研究成果。例如，這一時期的研究者發現，動態可視化界面能夠有效提升概念理解[4]，而多模態交互（如語音、手勢）則會降低認知負荷。受限于模型與算法的限制，該時期的交互模式仍然依賴于預設規則與固定模式，難以實現真正意義上的個性化認知協作。

進入21世紀初，機器學習算法尤其是自適應學習技術的突破，使得CAI開始朝著個性化、動態化的方向轉型。深度學習的迅速興起重構了人機交互的范式。以Transformer架構為基礎的LLM進一步突破了系統交互的瓶頸，特別是RAG架構的提出，使系統能夠動態整合外部知識庫，為教育Agent的認知協作提供了堅實的技術支撐。

教育技術的發展歷程中，一條關鍵主線是其從單純的通信工具向認知協作伙伴的深刻轉型。從通信技術（如Zoom）到增強工具（如Grammarly），再到LLM（如GPT），工具與人之間的互動與協作不斷深化，從而為教學與學習過程提供了更強大的支持。近年來，LLM與RAG等技術的迅速發展深刻改變了人機關系的本質。LLM不僅進化為可交互的知識庫，還逐漸從用戶的視角轉變為一個獨立的交流主體。例如，與LLM的對話中，當LLM能夠提供個性化和情感化的回應時，用戶更可能與之產生情感連接[5]。用戶將LLM視作平等的交流對象并產生情感依戀的程度，與其情感智能和生成能力直接相關[5][6]。這一特性也驅動了教育技術在大模型時代下的演變。LLMAgent不僅能夠模擬人類導師，通過對話提供一對一指導，還具備可靠的外部知識庫，使其在一定程度上代替人類導師。通過實時交互與反饋提升學習效果，對話式人機協同學習模式已經成為一種新興的學習模式[。由此，教育技術真正從被動的信息傳遞工具轉變為主動的認知協作伙伴，使學習者從被動接受者轉為主動協作者[8]。基于此，有必要深入探討LLM及其衍生工具在教育與教學中的促進作用。

（二）LLMAgent作為未來智能教育技術的前景

從技術發展的角度來看，人工智能智能體（ArtificialIntelligenceAgent，AIAgent）經歷了多個階段的演進，包括規則驅動、機器學習，以及近年來的深度學習與LLM驅動。最初，AIAgent主要依賴明確的規則系統與邏輯推理來進行任務決策，適用于特定的封閉任務環境，但在面對動態復雜環境時適應性有限。隨著計算能力的提升和機器學習技術的發展，Agent的智能水平顯著提高，尤其是近年來，GPT系列、PaLM等LLM的出現，加速了AIAgent向強人工智能代理（StrongAIAgent）方向快速演進。

與早期的AIAgent不同，LLMAgent是一種基于LLM驅動的自主計算實體，具備感知環境、規劃決策與執行動作的能力。它與傳統Agent和單純的LLM相比，具有兩大顯著區別。首先，與早期基于規則系統和有限狀態的傳統AIAgent不同，LLMAgent憑借深度學習算法與海量數據訓練，展現出卓越的涌現能力與泛化特性，能夠突破預設規則的限制，處理開放域的復雜任務。其次，不同于單純的LLM，LLMAgent不僅能夠通過自然語言處理與用戶進行深入互動，還可根據環境變化自主規劃策略、做出決策并實施行動，從而靈活適應和高效完成復雜任務。

在教育領域，LLMAgent的應用日益廣泛，正逐步從實驗室研究走向產業實踐與真實教學場景。憑借智能輔導、個性化學習和課程設計等功能，LLMAgent已初步展現出替代CAI系統的巨大潛力[9]。例如，MathGPT、CodexTutor等基于LLM的Agent系統，能夠通過自然語言對話分析學生的學習需求與困難，動態生成個性化指導內容并實時反饋學習效果。此外，LLMAgent還能利用海量學習數據與教育資源，幫助教師設計和生成高質量的教學材料與課程內容，從而提升教學效率和創造力。借助LLM進行課程設計與內容生成，不僅能減輕教師的重復性工作負擔，還能實現數據驅動的動態調整與個性化課程優化。教育領域的LLMAgent已有多個成熟框架，主要包含記憶、行動、交互等模塊。例如，Gao等人提出的Agent4Edu匹配了學習者檔案、記憶和行動模塊，能夠與個性化學習算法（如計算機化自適應測試）進行交互并生成人類學習者的響應數據，從而提供多方面評估和增強定制服務[10]

教育類LLMAgent的興起標志著教育技術范式的轉型，其獨特的認知能力與交互模式伴隨著機遇機遇與挑戰。當前研究雖初步展示了其廣闊的應用前景[1]，但在理論與技術基礎、發展趨勢與面臨挑戰等方面，仍存在明顯的研究空白與不足之處，這主要體現在能力與風險兩方面。在能力方面，張凱認為，通用AI教學模型面臨缺乏用戶深度理解、知識推理不足及人機交互不自然等挑戰，急需推進個性化、知識可靠且富有同理心的智能交互平臺，以提升數字化輔導的學習體驗[12]；在風險方面，一些大模型引發的風險也有待進一步梳理[13]。因此，本研究旨在探討教育類LLMAgent的理論與技術基礎、發展趨勢與應用挑戰，以期為未來的教育技術創新與教學實踐提供重要的理論指引與實踐參考。

二、教育LLMAgent助力教育教學的理論與技術基礎

（一）理論基礎

教育LLM是“適用于教育場景、具有超大規模參數、融合通用知識和專業知識訓練形成的人工智能模型，是LLM、知識庫及各類智能教育技術的集成[14]”。作為教育LLM的延伸，教育LLMAgent建立在豐富而堅實的教育學與心理學理論基礎之上。從社會文化理論視角來看，教學本質上是師生在社會互動中共同建構知識的過程，這一理論尤其強調維果茨基提出的“最近發展區”（ZoneofProximalDevelopment，ZPD）概念，即學生在更有能力個體的引導下所能達到的潛在發展水平。在這一框架下，CSCL強調通過同伴反饋和引導式探究促進學生對知識的深層次理解與建構[15][16]。基于這一理念，利用技術模擬教師或高技能同伴的角色，可有效支持學生進人并擴展其 ZPD^[17][18] 。在此背景下，教育LLMAgent具有獨特優勢，它能夠提供即時、個性化的引導與反饋，激發學生積極參與交互式對話，從而更有效地促進學生的認知發展與社會互動能力提升[16]

從知識建構理論（KnowledgeBuildingTheory）與建構主義視角出發，智能教育Agent具備堅實的理論基礎。知識建構理論強調，學生作為知識主體，通過持續的協作式對話促進知識創新與發展[19]。研究表明，高效的知識建構依賴于對參與者貢獻類型與行為模式的深入理解，從而實現高質量的互動與知識融合[20]。此外，建構主義理論指出，知識并非由教師單向傳輸，而是學生通過主動探索、交互反饋和批判性反思逐步建構[21]。例如，WISE（Web-basedInquiryScienceEnvironment）等建構主義的學習環境設計清晰地體現了學生如何在技術支持下，通過探究與反思過程，逐步整合并深化知識[22]。因此，教育LLMAgent通過鼓勵學生提出問題、參與協作互動與反思學習過程，可以有效支持知識的主動建構與創造，進一步促進學生高階思維能力與自我導向學習能力。

教育LLMAgent的設計與應用同樣獲得了社會認知理論（SocialCognitiveTheory）與認知負荷理論（CognitiveLoadTheory）的支持。社會認知理論強調，個體通過觀察、模仿與互動反饋強化自我效能感與自我調節能力，從而更積極主動地參與學習過程[23]。這一理論與教育LLMAgent的核心功能高度契合。例如，通過示范、即時反饋與交互式指導，促進學生糾正錯誤、培養學習動機并提升反思與自我調節能力。與此同時，認知負荷理論指出，教學過程需要合理管理學生的認知資源，避免過高的外在認知負荷，以優化生成性認知負荷[24，25]，從而促進深度學習。在這一背景下，教育LLMAgent的優勢在于感知學生的理解狀態，并動態調整信息呈現方式與內容復雜度，從而有效降低不必要的外在認知負荷，優化認知資源分配，最終提升學習的深度與質量。

（二）技術基礎

1.語義理解：Transformer架構實現對復雜教育場景中長上下文的處理

近年來，以Transformer架構為核心的LLM憑借其高效的上下文建模和推理能力，為教育領域中復雜長文本理解和多輪對話情境處理提供了重要的技術支持[26]。Transformer是一種深度學習架構，通過自注意力機制實現對序列數據中長距離依賴關系的高效捕捉，可動態關注輸人序列不同位置的信息并進行全局上下文建模。與傳統循環神經網絡（RNN）相比，Transformer架構具備高度的并行性和更高的計算效率，在訓練和推理階段都能顯著提升模型性能。在教育場景中，Transformer架構能夠有效處理多輪教學對話、跨章節教材內容和復雜語義關系的建模任務，因為Transformer架構的自注意力機制憑借其并行化計算和全局上下文建模能力，突破了傳統序列模型在處理長距離語義依賴方面的局限，為教育場景中的多輪對話理解、跨學科知識關聯等復雜任務提供了堅實的支撐，Dai等人（2019）基于Transformer-XL架構的研究表明，該模型在處理跨章節教材內容的長程依賴建模任務時提升了知識回溯的準確率[27]。同時，Transformer架構特有的層歸一化與位置編碼機制，也使教育Agent能夠穩定且高效地處理不同粒度和類型的教學材料，為個性化教學資源組織和推送提供技術支持。

盡管過往研究證明了Transformer架構在長上下文處理、概念理解和推理深度方面的優越性，但當前LLM在教育教學場景中的應用仍面臨諸多技術挑戰，尤其是在多跳推理任務中，LLM難以持續保持推理的一致性[28]。為此，研究者們提出了一系列優化策略，如在注意力頭中注入特定“記憶”信息，以增強模型在復雜推理場景中的表現；通過并行執行多個未來token的SPEED方法，提高推理效率，解決實際教學互動中推理延遲的問題[29]；為了應對教育場景中長文本推理和交互式教學對話帶來的內存瓶頸問題， W_u 等人（2023）通過簡化解碼器層的設計，有效降低了推理過程中的內存訪問頻率，從而提高了模型的推理效率與響應速度[30]。此外，基于稀疏KV緩存的加速方案以及動態KV緩存管理框架的提出，也有效緩解了長文本生成任務中的內存占用問題[31]，提升了模型在真實復雜教育場景中的實用性。

2.記憶：檢索增強生成確保輸出內容有據可信

隨著LLM在教育領域的深人應用，如何確保生成內容的準確性與可靠性成為關鍵挑戰。RAG技術通過動態整合結構化知識庫與生成式模型，為解決這一難題提供了創新路徑。RAG結合了檢索和生成的優勢，通過從外部知識庫中動態檢索相關信息并將其整合到生成過程中，顯著提升生成內容的準確性與上下文相關性[32]，目標在于克服傳統生成模型在處理知識密集型任務時的局限性。在教育場景中，RAG主要通過非參數化知識檢索與參數化語言生成的端到端聯合訓練，在保持LLM創造力的同時，通過檢索學科知識圖譜（如數學定理庫或化學物質數據庫）約束生成邊界。例如，先通過概念關系圖譜注人領域知識、定位核心知識點，再結合案例庫生成情境化教學對話，從而達到提高生成內容的知識覆蓋率、提升教育Agent可信度的目標。RAG的動態更新能力和多領域適應性，進一步推動了其在教育場景中的廣泛應用。對比研究表明，采用RAG架構的教育Agent在學術評估中的表現顯著優于純生成模型，其錯誤響應中的知識性幻覺占比大幅下降，從而使Agent能夠更好地處理開放式教育對話中的長尾知識需求。

3.長程推理：鏈式思維（CoT）分解復雜任務

鏈式思維（ChainofThought，CoT）作為一種能夠分解復雜任務并實現長程推理的技術方法，在教育場景中展現了巨大潛力，特別是在教育技術與計算支持協作學習領域。CoT的理論基礎可以追溯至認知科學和心理學中關于問題分解和推理的研究。Newell和Simon（1972）的解決問題理論指出，人類在面對復雜問題時傾向于將其分解為若干子任務，并通過分步執行來達到整體目標[33]。這為CoT的提出提供了重要的認知依據。此外，Laird等人（1987）在其SOAR認知架構中進一步強調了分層推理模型的重要性，認為復雜認知任務的解決需要基于分階段的認知規劃[34]

近年來，得益于LLM的快速發展，CoT作為一種技術實現方法獲得了更廣泛的關注。近年來，CoT研究力圖通過其提示方式，將復雜問題分解為一系列明確的步驟，提升其在長程推理任務中的表現。例如，顯式鏈式思維提示（Chain-of-ThoughtPrompting）僅通過提示詞的設計，即可大幅提高模型在復雜數學推理和邏輯推理任務中的表現。在教育領域，Henke1等人（2024）將鏈式思維提示應用于數學評估中，通過改進開放性問題的評分精度，充分證明了CoT在教育評估中的潛力[35]。

在教育場景中，CoT的應用主要集中在復雜任務分解和協作學習支持兩個方面。教育技術的一個重要目標是將復雜的學習任務轉化為可操作的認知步驟，從而使學習者更有效地掌握知識。認知負荷理論表明，學習過程中認知負荷過高會導致學習效果下降，而通過任務分解可以有效降低學習者的認知負擔[25]。CoT通過將復雜問題劃分為小而清晰的步驟，引導學生逐步分解和解決復雜的多步驟問題，幫助學習者更好理解問題的內在邏輯，綜合提升其問題解決能力。此外，CoT教育還強調理解和應用知識之間的聯系，通過逐步構建認知路徑，幫助學生在不同情境中遷移所學知識[36]

三、教育類LLMAgent的發展趨勢

（一）多智能體（Multi-Agent）組合的混合專家系統

單一Agent雖然在語言生成與任務執行方面具有一定優勢，但其在解決復雜教育任務時仍存在能力局限。相比之下，Multi-Agent構成的混合專家系統（MixtureofExperts，MoE）通過分工協作實現混合專家功能，為支持復雜的項目式學習提供了一種更為高效和深度的解決方案[37]。Multi-Agent系統的核心理念在于，不同的Agent各自承擔特定的功能和角色，實現協同工作與高效互動。近年來，教育技術領域的研究表明，MoE在教育場景中展示了顯著的潛力，尤其是在項目式學習與教學中的應用。例如，在教學任務中通過分工，由不同的專家模型負責資源推薦、學習路徑規劃、學習評估等具體模塊，實現教育任務的模塊化處理，從而提升學習活動的效率。例如，在探討大型語言模型（LLMs）數學推理能力的增強時，劉三女牙提出了一種創新的虛擬教室（VirtualClassroom，VCR）的多智能框架。該框架設置了教師、助教、學生和課堂記錄員等多種角色，模擬了真實的教育場景，并通過講座、討論和總結分析等步驟，對每個問題進行了深入分析，從而有效提升了針對LLMs數學推理的合成數據生成過程[38]。

Zhang和Liu（2024）指出，Multi-Agent系統的核心優勢在于通過Agent之間的通信整合規劃能力、計算能力與深度思考能力，從而通過混合專家架構提供更深度的解答[39]。傳統的單一Agent在面對復雜任務時往往會因能力瓶頸而無法滿足需求，而Multi-Agent系統通過功能分解和Agent間的高效通信，實現了更復雜的知識推理與任務執行。例如，在教育場景中，Multi-Agent系統可以通過知識專家Agent提供學科背景信息，通過教學專家Agent制定個性化學習計劃，并通過評估專家Agent動態調整學習策略，從而在一方面提升了學習活動的智能化水平，另一方面為個性化和適應性教學提供了重要支持[39]

從教育實踐的角度來看，Multi-Agent系統在基于問題的學習（Problem-BasedLearning，PBL）和基于項目的學習（Project-BasedLearning，PjBL）中的應用可以發揮重要作用。例如，在PBL環境下，多個Agent可以分別負責問題分析、數據收集與解決方案建議，提升學生的自主學習能力和批判性思維[40]。相比之下，單一Agent在同時應對多樣化任務需求時往往表現乏力。Multi-Agent系統通過Agent之間的協作，能夠適應多樣化的學習場景，并在動態環境中實現任務的優化。這種能力與MoE在教育中的應用目標高度一致，即通過個性化的資源分配和協作優化，提高學生的學習成效[41]。類似地，韓國教育部主導的東盟網絡大學項目也通過協作式的Multi-Agent框架，促進了區域內的教育資源共享與學習成果優化[42]。

（二）人類-Agent混合團隊：在真實協作情境中提升學生的知識掌握與團隊協作能力

隨著LLM的迅速發展，研究者開始將其與協作問題解決（CollaborativeProblem Solving，CPS）相結合，重點探究如何通過人類-智能體混合團隊（Human-AgentTeams，HAT）來促進學生的學習成果與協作能力，以提升知識掌握水平并優化團隊協作效率。未來，有必要從多個維度深人探索Agent如何最有效地融人團隊協作展開多維度的探索。例如，可以考慮當Agent在團隊中扮演“學生”的角色而非傳統的教師或助教角色時，是否能夠有效降低學生間的權威感和焦慮感，激發更加自然的互動；還可以探討Agent如何通過提問、提供反饋和模擬錯誤，激發學生的批判性思維和主動學習能力，從而在模擬真實的學習場景中促進團隊成員發展批判性思維與主動學習能力，同時深化知識共享，優化團隊動態。

HAT的有效性在很大程度上取決于團隊動態互動的設計與管理，因此，有必要考慮Agent在HAT中的角色（如提問者、記錄者或協調者），并根據團隊需求動態調整。在當前的角色區分中，尤其在團隊生存任務和團隊創造力任務中，通常將角色分為“任務專家”與“團隊專家”。前者為團隊提供知識庫支持的建議，后者為團隊提供團隊協作上的幫助[43]

（三）啟發式教學：引導學生自主思考

蘇格拉底式提問作為一種啟發式教學方法，強調通過提出開放性問題引導學習者自主探索知識，而非直接告知答案。這一方法的核心在于通過對話激發學生的認知沖突和深度思考，使學習成為一個主動而非被動的過程。然而，傳統的蘇格拉底式教學由于教師資源有限，在規模化教育中難以廣泛實施。LLM的引入為這一問題提供了解決方案。它能夠通過自然語言對話模擬蘇格拉底式提問，在個性化教學和大規模教育之間找到平衡點。目前，已有學者提出基于LLM的啟發式教學模型。例如，SocraticLM通過“Dean-Teacher-Student”Multi-Agent架構，設計并生成35000條基于數學問題的多輪教學對話數據集，有效模擬了不同認知狀態學生的行為，構建了一種既強調學生主動參與又注重反思與討論的學習環境[44]。

相比于傳統課堂中教師的即時反饋，啟發式教學技術手段的介人進一步增強了反饋的實時性和個性化。傳統采用啟發式教學方法中，教師通常通過設計開放性問題來激發學思考并鼓勵他們探索多種可能性[45]，但LLMAgent的不同之處在于，它不僅能夠在一對一交互中提供類似經驗豐富教師的指導，還能夠通過感知學生輸人的變化，捕捉其情感和認知的波動，實時調整提問策略。通過模擬教師與學生之間復雜的互動，系統能夠提出精準且具有啟發性的問題，促使學生反思已有知識的局限性，并在此基礎上主動提出新的疑問。例如，SocraticLLM通過多輪提問策略，根據學生的回答動態調整問題的深度和方向，以支持學生在探索過程中持續構建認知網絡。

（四）測評與反饋自動化

鄭永和認為，在LLM的加持下，教育評價正在由“經驗性評價”向“數字化評價”轉變、由“單一性評價”向“綜合性評價”轉變、由“結果性評價”向“過程性評價”轉變、由“診斷性評價”向“反饋性評價”轉變[46]。研究者預期LLMAgent能進一步在學情分析、AI組卷以及動態評估上發揮自動化教學反饋流程的作用，因為其優勢在于能夠實時對海量學習者的互動數據進行處理并提煉有效信息，反思教學信息推薦效果，最終為多層次的教育場景提供多維度的精準化推薦[47]

通過異質數據的挖掘與分析為學生提供學情測評，是教育LLMAgent為學生提供反饋的基礎。學情分析指通過對學生數據的收集與處理，深人了解學習者的知識狀態、學習行為和情感特征。作為教育過程中的核心環節，其意義在于為幫助學生明確學習目標、修正學習策略并提高學習效率提供基礎。傳統測評往往依賴教師的個人勞動，受限于時間和精力，覆蓋所有學生的全面、快速反饋需要消耗大量精力；另一方面，傳統評估往往是靜態的，即在固定時間點對學生的學習效果進行測量，忽視了學習過程中的動態變化。基于LLM的自動化反饋系統為這一問題提供了新的解決方案。例如，基于自然語言分析實時處理學生提交的文本答案，從中提取知識點掌握情況和情感狀態，并生成針對性的反饋建議，從而減輕教師的負擔。此外，未來多模態學習分析技術（例如語音、視頻和行為數據）的進展可以允許教師從更多維度優化學情分析的全面性，快速、實時獲取學生在學習中的各項狀態。與傳統方法相比，基于LLM反饋的系統一方面能夠從自然語言中抽取指標（如對學生的作文在各個指標上的表現自動打標），另一方面也能基于自然語言提供個性化反饋，還能確保反饋具有上下文相關性和語義深度，從而使教學反饋不再局限于淺層次上正確與否的判斷。

四、教育類LLMAgent的挑戰

（一）依賴即時反饋對認知能力產生負面影響

學生在智能教育系統中的學習行為受到多種因素的影響，其中，即時反饋被視為提升學習體驗和學習效果的重要手段。然而，過度依賴即時反饋可能導致學生忽視自身的學習過程，弱化其元認知能力的發展[48][49]。元認知能力，作為學習者在學習過程中對自身認知狀態進行監控、調節和評估的能力，是自主學習的核心要素。然而，智能教育系統中即時反饋的過度使用，可能削弱學生的自我監控能力，使其形成對外部反饋的依賴[50]。例如，在一項實驗研究中，Rol1等人（2011）發現，當學生頻繁依賴系統提供的答案提示時，其問題解決過程中對自身錯誤的反思能力顯著下降[50]。

在元認知能力的具體構成中，自我監控和調節能力是受到即時反饋依賴影響最顯著的方面。自我監控指學習者對自身學習過程的實時觀察與判斷，而調節能力則是基于監控結果對學習策略進行調整的能力。Zepeda指出，在使用帶有即時反饋功能的智能教育系統時，學習者傾向于通過不斷請求外部提示來解決問題，而非主動評估和修正自己的錯誤。長期來看，這種行為模式可能削弱學生的學習主動性和內在動機[51]

即時反饋依賴產生的機制在于兩方面。一方面，即時反饋的高效性和即時性可能使學習者產生“認知偷懶”（cognitiveoffloading）的現象，即將本應由自身完成的認知任務轉移到外部工具上[52]。這種現象在智能教育系統中尤為普遍，因為系統所提供的反饋往往比學生的自我判斷更加準確且快速。另一方面，學生缺乏對元認知策略的訓練也是導致即時反饋依賴的重要原因[48]。教育系統通常更注重知識傳授，而忽略了元認知技能的培養，這使得學生在面臨復雜的學習任務時更傾向于依賴外部工具。

針對上述問題，研究者提出了一些解決策略以緩解即時反饋依賴對元認知能力的負面影響。其中一個主要方向，是通過設計干預措施來增強學生的元認知意識和技能。例如，Roll等人（2011）提出了一種“漸進式反饋”（scaffoldedfeedback）的方法，即通過逐步減少反饋強度的方式，迫使學生在完成任務時逐步增強自我監控能力[50]。另一種方法是引人“反思性對話”（reflectiveprompts），即在學生接受反饋后引導其反思自己的錯誤來源和改進策略[53]。在具體實踐中，相比于傳統反饋系統，可在人機對話中添加“引導式問題” （guidedquestioning），幫助學生在學習過程中主動思考和反思，如前文提及的SocraticLM的啟發式教學方法[44]。

（二）在準社會交往中對大語言模型產生情感依賴

隨著教育領域中LLM的廣泛應用，學生與模型之間的互動逐漸呈現出類似于準社會交往（ParasocialInteractive，PSI）的特征，進而產生情感依賴并影響其現實社交能力。PSI指的是用戶與媒體中的虛擬人物建立單向情感聯系，盡管這種互動并不包含真實的社會交流[54]。隨著LLM的擬人化和智能化，用戶對這些模型的情感投人和依賴顯著增加，尤其在教育場景下，學生往往將其作為情感支持的來源，而這會抑制學生與現實中的同齡人或教師的社交互動，甚至加劇他們的社交回避和孤立感。

媒體等同理論能夠解釋這一機制。媒體等同指的是，用戶在與計算機系統互動時，往往無意識地將社會交往規則應用到這些技術中，從而對虛擬角色產生類似于人際關系中的情感依賴[55]。內向性和年齡是影響用戶與LLM互動中情感依賴的調節因素。在教育中，特別需要關注內向性較強的學生和青少年群體在與LLM互動時可能形成的情感依賴風險。因為他們在現實社交中可能面臨諸多挑戰，而與LLM的互動相對而言是低風險的情感交流方式。此外，青少年和兒童正處于社會認知和社交技能發展的關鍵階段，從LLM互動中獲得的情感代償可能產生更嚴重的后果。因此，有必要特別關注青少年與Agent之間的情感依賴，以及這種依賴對現實社交能力的負面影響。

考慮到中小學群體更易受到與LLM互動的PSI的影響，在教育場景下，這一由PSI和媒體等同機制所引發的情感依賴現象存在較大的風險，亟需得到研究者和教育實踐者的關注和有效干預[56]。為了應對這種情感依賴在教育場景中的潛在風險，我們提出以下干預策略。第一，增強學習者（尤其是中小學生使用者）對LLM的認知，使他們明確理解這些模型并非具備真實情感和人格的人類；第二，強化現實社會互動，如集體學習、協作任務的設計，以幫助學生更多地與教師和同伴進行互動，減少對虛擬交互的依賴。第三，教師和家長的介人也起到至關重要的作用，他們可以通過為學生提供必要的心理支持和社交技能指導，幫助學生有效區分虛擬互動與現實社交。第四，在交互設計層面，可以調整LLM的擬人化特征，避免過度擬人的語言和頭像，采用更客觀、中立的交互方式，從設計的角度減少情感依賴的產生。

（三）LLM幻覺

盡管LLM在教育領域的應用，為個性化學習、智能輔導和教學資源生成等帶來了巨大提升，其幻覺（Hallucination）問題卻引發了廣泛的爭論和擔憂。幻覺指模型生成內容中包含的不準確或虛假的信息，原因在于幻覺代表著模型對訓練數據的概率擬合偏好，而非對真實世界的語義理解[7]。在教育中，幻覺尤其具有風險，因為論證合理但結論錯誤的信息可能更容易誤導學生，對學生的學習效果和知識掌握造成不良影響。

幻覺的發生與LLM的工作機制密切相關。LLM通過統計學習文本數據，識別出其中的語言模式和結構。這使模型能夠生成流暢且看似合乎邏輯的文本，但并不能保證內容的事實準確性。例如，在回答科學性問題時，盡管語言流暢且具有邏輯，但仍會生成錯誤的解釋或虛假信息。這在教育場景中的風險尤盛，尤其當學生依賴模型生成內容進行學習時，幻覺可能導致錯誤知識的傳播和認知框架的誤導。例如，模型可能生成錯誤的歷史事件時間線或錯誤的因果關系，誤述科學概念或理論。更為嚴重的是，LLM生成的內容由于語言的流暢性和表面上的可信性，往往容易被學生誤認為是準確的信息。這對缺乏批判性思維能力的學生的威脅可能更大，因為他們更有可能不經批判，將AI生成的錯誤信息視為事實。

為了解決大語言模型幻覺在教育領域帶來的風險，學術界和業界已經從技術手段，內容驗證和事實檢查等方面提出了一些應對策略。例如，RAG是解決幻覺的常見策略，通過實時檢索外部知識庫的信息來補充模型生成的內容，從而降低幻覺的發生率。類似地，結合知識圖譜的生成方法也能夠提高內容的準確性，特別是在科學教育領域；培養學生的批判性思維能力也是應對幻覺風險的重要方式之一。在未來的智能教育中，教師有必要幫助學生提高識別和糾正模型生成錯誤信息的能力，從而減輕幻覺對學習的負面影響。

從模型角度，透明性和解釋性也被視為解決幻覺問題的關鍵。研究發現，模型的不可解釋性是幻覺產生的一個潛在因素[58]。為了提高LLM的透明性，可以在模型生成過程中加入因果推理機制，幫助用戶理解內容生成的邏輯和數據來源，使學生和教師有條件檢查模型生成內容的思維過程，在批判思考下快速識別和糾正潛在的幻覺內容。

（四）放大訓練語料中的偏見

LLM在訓練過程中會放大訓練數據中固有的人類偏見。這種現象可能在教育場景帶來比日常使用更嚴重的風險。LLM的設計依賴于大規模的語料庫，而這些語料庫中不可避免地包含了人類社會中的隱性偏見，從而訓練結果中性別、種族、文化和社會地位等內隱聯想嵌人到模型中[59]。LLM的偏見尤其在教育中存在風險，包括錯誤的學習推薦、不平等的資源分配及文化認同感的削弱[60]

偏見的放大不僅是一個技術性問題，也是一個復雜的社會問題，在教育技術的應用中尤為突出。LLM在教育場景中被廣泛應用于教育內容生成、自動化教學助手和個性化學習推薦等領域，這些應用場景中潛在的偏見問題可能加劇社會不平等。如果無法有效解決偏見問題，它們可能會在無意中強化已有的社會不平等結構。例如，在LLM的生成過程中，性別偏見尤為突出。Caliskan等人（2017）的研究表明，基于詞嵌人的模型可能無意中將性別角色的刻板印象傳遞到生成的文本中，如將“男性”與“工程師”關聯，而將“女性”與“護士”關聯[59]。類似的內隱性聯想如果出現在模型的輸出或推薦內容中，可能在無形中影響學生對職業角色的理解，加劇教育資源的偏見分配。

在解決偏見方面，除了當前對LLM對齊的基于人工反饋的強化學習方法（RLHF）之外，偏見的去除方法涉及從訓練語料準備、模型訓練到微調的全流程，包括在語料庫構建階段加強數據的多樣性和代表性，設計更細致的偏見檢測和修正方法，以及在模型訓練中引人去偏見算法（debiasingalgorithms）。在語料準備階段，通過手動和自動方法過濾掉語料中的偏見內容是一種有效的策略。例如，Dinan等人（2020）提出了一種語料清洗框架，通過人工標注和機器學習結合的方式去除訓練數據中的偏見[61]。但這一方法的難點在于，偏見本身往往是隱性的，難以通過簡單的清洗完全去除。學者們也嘗試從模型訓練角度提出解決策略。例如，Zhao等人（2018）提出了一種基于對抗學習的去偏見方法，通過引入一個偏見檢測器在訓練過程中動態調整模型的權重分布，從而減少模型對偏見的依賴[2]。同時，針對模型生成階段的偏見檢測和修正技術也在不斷發展。對偏見的去除是一個持續挑戰，這一過程需要多方面的協作與創新。

參考文獻：

[1]SuppesP.Models ofdata[M/OL]//Logic，MethodologyandPhilosophyofScience，Proceedingofthe1960 International Congress.Elsevier，1966：252-261.http：//dx.doi.org/10.1016/s0049-237x（09）

70592-0.

[2]AndersonJR，Corbett AT，KoedingerKR，etal. Cognitive tutors：lessons learned [J/OL]．Journal of the Learning Sciences，1995，4（2）：167-207.

[3]Dillenbourg P，Self J．Designing human-computer collaborative learning[M/OL]//ComputerSupported Collaborative Learning.SpringerBerlin Heidelberg， 1995：245-264．http：//dx.doi.org/10.1007/978-3- 642-85098-1_13.

[4]Schnotz W，Bannert M.Construction and interference in learning frommultiple representation[J/OL].Learning and Instruction，2003，13（2）：141-156.

[5]Zhang H，ChenY，WangM，etal．FEEL：a framework forevaluatingemotional support capabilitywith large language models[C]//International Conferenceon Intelligent Computing.Springer，2024：96-107.

[6]WangX，Li X，YinZ，et al.Emotional intelligence of large language models[J/OL].Journal of Pacific Rim Psychology，2023，17：18344909231213958.

[7]王一巖，劉淇，鄭永和．對話式人機協同學習：本質 內涵與未來圖景[J]．中國電化教育，2024（11）： 21-27.

[8]Luckin R，George K，Cukurova M.What is Al and why MIGHTAl be useful in education？[M/OL]//Al for School Teachers.CRC Press，2022：1-16．http：//dx. doi.org/10.1201/9781003193173-1.

[9]Kasneci E，Seβler K，Kuchemann S，et al.ChatGPT for good？ On opportunities and challenges of large language models for education[J/OL].2023.http：//dx.doi. org/10.35542/osf.io/5er8f.

[10]Gao W，Liu Q，Yue L，et al.Agent4Edu：generating learnerresponsedata bygenerativeagentsfor intelligent education systems [J].

[11]Chiu T K F．Future research recommendations for transforming higher education with generative Al[J/ OL]．Computers and Education：Artificial Intelligence， 2024，6：100197.

[12]ZhangK，GongW，Liu Q，etal．Intelligent interaction platform forpersonalized digital tutor：advancing empatheticandadaptivelearningexperiences [J].2025.

[13］樂陽，潘香霖，陳向東.AI大模型在教育應用中的 倫理風險與應對[J/OL].蘇州大學學報（教育科學 版），2024，12（1）：87-96.

[14］曹培杰，謝陽斌，武卉紫，等．教育大模型的發展現 狀、創新架構及應用展望［J]．現代教育技術， 2024，34 （2）：5-12.

[15]Stahl G，Hesse F.Social practices of computersupported collaborative learning [J/OL].International Journal of Computer-Supported Collaborative Learning， 2006，1（4）：409-412.

[16]Hmelo-Silver C E，Barrows HS.Goals and strategies ofaproblem-based learningfacilitator [J/OL] ： Interdisciplinary Journal of Problem-based Learning， 2006，1（1）．http：//dx.doi.org/10.7771/1541- 5015.1004.

[17]Lund A，Rasmussen I．The right tool for the wrong task？Match and mismatch between first and second stimulusin double stimulation[J/OL].International Journal of Computer-Supported Collaborative Learning， 2008，3（4）：387-412.

[18]Mercer N，Howe C.Explaining the dialogic processes of teaching and learning：the value and potential of SOciocultural theory[J/OL]．Learning，Culture and Social Interaction，2012，1（1）：12-21.

[19]Scardamalia M，Bereiter C．Knowledge building： theory，pedagogy，and technology[M/OL]//The Cambridge Handbook ofthe Learning Sciences. Cambridge University Press，2005：97-116．http：// dx.doi.org/10.1017/cbo9780511816833.008.

[20]Chen B，ResendesM，Chai C S，etal．Two tales of time：uncovering the significance of sequential patterns amongcontributiontypesinknowledge-building discourse [J/OL]. Interactive Learning Environments， 2017，25 （2）：162-175.

[21]Bruner J.The culture of education[M/OL]．Harvard UniversityPress，1996.http：//dx.doi.org/10. 4159/9780674251083.

[22]Linn MC，Clark D，SlottaJD.WISE design for knowledge integration [J/OL] .Scienceamp;Education，2003，87（4）： 517-538.DOl：10.1002/sce.10086.

[23]Schunk D H，DiBenedetto MK.Motivationand social cognitive theory[J/OL].Contemporary Educational Psychology，2020，60：101832.

[24]Sweller J．Cognitive load theory，learning dificulty， andinstructional design [J/OL] .Learningand Instruction，1994，4（4）：295-312.

[25]Kalyuga S，Singh AM.Rethinking the boundaries of cognitive load theory in complex learning[J/OL]. Educational Psychology Review，2015，28（4）： 831-852.

「26]Vaewani△ Sha7oar Nl Parmar Nl at al △ttantinn le All You Need[A/OL]．arXiv，2017[2022-12-19]. http：//arxiv.org/abs/1706.03762.

[27]Dai Z，Yang Z，YangY，et al.Transformer-XL： attentive languagemodels beyonda fixed-length context[C/OL]//Proceedings of the 57th Annual MeetingoftheAssociationforComputational Linguistics.Association for Computational Linguistics， 2019.http：//dx.doi.org/10.18653/v1/p19-1285.

[28]SakarvadiaM，AjithA，KhanA，etal．Memory injections： correctingmulti-hop reasoningfailuresduring inferencein transformer-based languagemodels[C/OL]// Proceedingsofthe6thBlackboxnlpWorkshop：Analyzing and Interpreting Neural Networks for NIp.Association for Computational Linguistics，2023：342-356.http：// dx.doi.org/10.18653/v1/2023.blackboxnlp-1.26.

[29]Hooper C，Kim S，Mohammadzadeh H，etal．SPEED： speculative pipelined execution for efficient decoding [J/Λ OL].Arxiv-cs.cl，2023.htps：//www.paperdigest.org/ paper/？paper_id arxiv-2310. 12072.

[30]Wu H，Gan Y，Yuan F，et al．Efficient LLM inference Solution on intel GPU[J/OL]．Arxiv-cs．ar，2023. https：//www.paperdigest.org/paper/？paper_id Σ=Σ arxiv-2401.05391.

[31]Hu C，Huang H，Xu L，et al．Inference without interference：disaggregate LLMinference for mixed downstream workloads [J/OL]．Arxiv-cs.dc，2024. https：//www.paperdigest.org/paper/？paper_id Σ=Σ arxiv-2401.11181.

[32]Bansal A，Suddala S.Enhancing generative Al capabilitiesthroughretrieval-augmentedgeneration systemsand LLMs [J/OL] .LibraryProgress International，2024，44（3）：17776-17787.

[33]Bajnbridge L.A reviews of “human problem solving\". By a．NEWELL and H.A. SIMON.（englewood clifs， N．J.：prentice-hall，1972.）[pp. 50[J/OL].Ergonomics，1973，16（6）：892-899.

[34]Laird JE，Newell A，Rosenbloom P S.SOAR：an architecture forgeneral intelligence[J/OL]．Artificial Intelligence，1987，33（1）：1-64.

[35]Henkel O，Horne-Robinson H，Dyshel M，etal.Learning to loveedgecasesin formativemathassessment：using the AMMORE dataset and chain-of-thought prompting to improve grading accuracy[J/OL].Arxiv-cs.ai，2024.https：// www.paperdigest.org/paper/？paper_id Σ=Σ arxiv2409.17904.

[36]Amin R M.Theories of learning cognitivism andislamic education：implications of learning cognitivism theory in islamiceducation [J/OL] ．International Journal of Islamic Studies，2021．https：//www.paperdigest. org/paper/？paper_id Σ=Σ doi.org_10.24252_ijis. v1i1.25524.

[37]FengY，GengYao，ZhuY，et al.PM-MOE：mixture ofexpertsonprivatemodelparametersfor personalized federated learning [J/OL] .Arxiv-cs. Ig，2025．https：//www.paperdigest.org/paper/？ paper_id arxiv-2502.00354.

[38]Liu S，FengJ，Shen X，et al．VCR：a“cone of experience\"drivensyntheticdatageneration framework for mathematical reasoning[J].

[39]Zhang Z，Zhang-Li D，Yu J，et al．Simulating classroom education with LLM-empowered agents [J/OL]．Arxiv-cs. cl，2024.https：//www.paperdigest.org/paper/？paper_ d arxiv-2406.19226.

[40]WangS，Wang F，Zhu Z，etal．Artificial intelligence in education：a systematic literature review[J/OL]. ExpertSystemswith Applications， 2024， 252：124167.

[41]Subramaniam KM，ldris I，Loganathan RK.Financial education in malaysian primary schools curiculum [J/Λ] OL].International Journal of Innovative Science and Research.，2024．https：//www.paperdigest.org/ paper/？paper_id Σ=Σ doi.org_10.38124_ijisrt_ ijisrt24apr1779.

[42]Nongko PA，Said H，Ndibo YL，et al．Learning strategies for equal education programs for learning citizen in non-formal education [J/OL] .International Journal of Research in Education，2024．https：// www.paperdigest.org/paper/？paper_id τ=τ doi.org_ 10.26877_ijre.v4i2.572.

[43]Schecter A，Hohenstein J，Larson L，et al．Vero：an

（ accessible method for studying human-Al teamwork [J/OL].Computers in Human Behavior，2023， 141：107606.

[44]LiuJ， Huang Z， XiaoT，et al. SocraticLM：exploring socraticpersonalized teachingwith large language models[J].AdvancesinNeuralInformation Processing Systems，2024，37：85693-85721.

[45]PaulR，NiewoehnerR，ElderL.Stagesof criticalthinking development[M/OL]//The Thinker'sGuideto Engineering Reasoning.Rowmanamp;LittlefieldPublishers， 2019：51-53.http：//dx. doi.org/10.5771/ 9781538133798-51.

[46]鄭永和，王一巖，楊淑豪．人工智能賦能教育評價：價值、挑戰與路徑［J/OL]．開放教育研究，2024，30 （4）：4-10.

[47]LvR，Liu Q，Gao W，et al.GenAL：generative agent for adaptive learning[J].

[48]Azevedo R，Moos DC，Johnson A M，et al.Measuring cognitiveand metacognitiveregulatoryprocesses during hypermedia learning：issues and challenges [J/ OL].Educational Psychologist，2010，45（4）： 210-223.

[49]Winne P H．Cognition and metacognition within selfregulated learning[M/OL]//Handbook ofSelfregulation of Learningand Performance．Routledge， 2017：36-48.http：//dx.doi.org/10.4324/ 9781315697048-3.

[50]RollI，AlevenV，McLaren BM，etal.Metacognitive practice makes perfect：improving students’selfassessment skills with anintelligent tutoring system [M/OL]//Artificial Inteligence in Education.Springer BerlinHeidelberg，2011：288-295．http：//dx.doi. org/10.1007/978-3-642-21869-9_38.

[51]Zepeda CD，RicheyJE，Ronevich P，et al．Direct instructionofmetacognitionbenefitsadolescent science learning，transfer，and motivation：an in vivo study [J/OL] .Journal of Educational Psychology，2015， 107 （4）：954-970.

[52]Risko EF，Gilbert S J.Cognitive offloading[J/OL]. Trendsin Cognitive Sciences，2016，20（9）： 676-688.

[53]Davis E A．Prompting middle school science students for productive reflection：generic and directed prompts [J/OL]．Journal of the Learning Sciences，2003，12 （1）：91-142.

[54]Horton D，Richard Wohl R.Mass communication and para-social interaction：observations on intimacy at a distance[J/OL]．Psychiatry，1956，19（3）： 215-229.

[55]Lee KM，Nass C.Designing social presence of social actorsin human computer interaction [C/OL]// Proceedings of the Conference on Human Factors in

Computing Systems-Chi’03．ACM Press，2003.

http：//dx.doi.org/10.1145/642659.642662.

[56]Parker MJ，Anderson C，Stone C，et al.A large language modelapproachtoeducational survey feedbackanalysis [J/Λ OL].Arxiv-cs.cl，2023.https：//www.paperdigest.org/ paper/？paper_id arxiv-2309.17447.

[57]Ji Z，Lee N，Frieske R，et al．Survey of hallucination in natural language generation [J/OL] ACM Computing Surveys，2023，55（12）：1-38.

[58]Zhang D，Gangal V，Latimer B，et al．.Enhancing hallucinationdetectionthroughperturbation-based synthetic data generation in system responses [C/ OL]//Findings of the Association for Computational Linguistics Acl 2024．Association for Computational Linguistics，2024：13321-13332．htp：//dx.doi.org/ 10.18653/v1/2024.findings-acl.789.

[59]Caliskan A，Bryson JJ，Narayanan A．Semantics derived automatically from languagecorpora contain human-like biases[J/OL].Science，2017，356（6334）：183-186.

[60]Bender EM，GebruT，McMillan-MajorA，etal.On the dangers of stochastic parrots：can language models Be toobig？[C/OL]//Proceedings of the2021ACM ConferenceonFairness，Accountability，and Transparency.ACM，2021：610-623.http：//dx.doi. org/10.1145/3442188.3445922.

[61]Dinan E，FanA，WuL，etal.Multi-dimensional gender bias classification [C/OL]//Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing（emnlp）.Association for Computational Linguistics，2020.htp：//dx.doi.org/10.18653/v1/ 2020.emnlp-main.23.

[62]Zhao J，Wang T，Yatskar M，et al．Gender bias in coreferenceresolution：evaluationanddebiasing methods[C/OL]//Proceedingsofthe2018 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies，Volume2（short Papers）. Association for Computational Linguistics，2018. http：//dx.doi.org/10.18653/v1/n18-2003.

Abstract：Thispaper systematically explores theapplicationof Large Language Model Agents（LLMAgents）in education，analyzingtheirtheoretical foundations，technicalframeworks，applicationmodes，andthechallnges they face.Byreviewing thedevelopment historyof educationaltechnology，weanalyzetheadvantagesofLLMAgentsin education，particularlytheirpotential forpersonalized learningand inteligenttutoring．Throughtheintroductionof key technologies such as the Transformer architectureand Retrieval-Augmented Generation （RAG），along withcase studies， wedemonstrate howLLMAgents supporteducationalagents ineficientlyexecuting complexeducational tasksand their application effects in classroom teaching，personalized learning plans，and curriculum design.

Keywords：Intelligent Education；BigLanguageModel；Intelligent Agent.

（責任編校：周文鼎）