摘要:作为一种公认的颠覆性技术,大模型在教育领域的应用亟须全面地审视,以评估可能出现的复杂场景及其后果。本研究从聚焦未来导向、鼓励广泛的多元参与、关注多重并发路径、承认不确定性、挖掘技术应用的深层因素等角度,分析技术预见对于探讨大模型教育应用的适用性,以中国人工智能学会的系列研究报告《大型语言模型的教育应用》为例,展示如何通过技术预见活动和相应的工具GPT-EDU4SIGHT,从大模型对教育不同方面的影响、典型应用场景、背后的心理机制、应用的伦理挑战以及基于大模型人工智能基础教育等五个维度进行大模型教育应用的前瞻性探索。技术预见在塑造未来教育中扮演重要的角色,为教育政策制定者、技术开发者和教育实践者提供了一种全新的思考和行动的框架。相应的技术工具也为大模型应用于教育决策和教育治理提供了示范案例。
关键词:大模型;技术预见;应用场景;GPT-EDU4SIGHT
一、引言
以ChatGPT为代表的大模型(Large Language Models,简称LLMs,又译作大型语言模型或大语言模型)以前所未有的速度在公共领域崛起,这些模型代表了人工智能的一个新纪元。它们拥有的强大能力已经在自然语言处理、文本生成等方面取得了卓越成就,并且对教育领域产生了强大的震撼力。大模型深刻地影响了劳动力市场结构[1],促进新的职业技能的发展,致使人力资本投资决策发生转变。大模型也将重塑学习工具和方法,通过提供个性化学习路径和动态资源适应[2],极大地拓展了学生的学习视野[3]。大模型还拓展了教学手段,通过提供定制化的教学资源和数据驱动的洞察,赋予教师前所未有的能力来识别学生的独特需求和潜力,进而设计更加精准和高效的教学策略,进一步增强了教师的职业能力。[4]更重要的是,大模型的出现加速推进了教育机构的数字化转型,在教育观念、教学方法乃至组织结构方面进行了全面的革新。[5]
尽管大模型教育应用的前景令人鼓舞,但其应用过程也一直伴随着一系列公众关切和担忧。人们担心学生的个人隐私是否得到充分保护[6],个性化学习是否会导致信息过滤[7]和认知障碍[8],是否只能有少数学生享受到先进技术的益处[9],这些伦理问题、道德问题和社会责任问题伴随着大模型的教育应用引起了广泛的关注。作为一种公认的颠覆性技术,对于其教育应用带来的复杂性和不确定性,传统的预测方法已经显得力不从心。我们不能仅仅关注其潜在益处以及可能带来的负面影响,更需要深入思考其与教育、社会、经济发展的互动以及未来可能的推进路径。
因此,对于大模型这类新兴技术的教育应用,迫切需要更全面的方法预测技术的未来发展方向,审视可能出现的多种场景及其后果,确保其对教育领域产生积极和可持续的影响。本文旨在引入技术预见方法,深入剖析其对于审视大模型教育应用的适用性,设计相应的技术预见流程,介绍技术预见方法的具体应用,回应公众关切并探索未来的发展图景。
二、技术预见的适用性
近几十年来,对于新技术的发展趋势及其对未来社会影响的研究,无论是研究对象、范围、方法和工具都在不断发展。早期的技术预测(Technology Forecasting)关注已有技术发展轨迹的外推,对于影响科学技术发展的外界因素较少关注。然而,随着社会、技术、经济、环境与政治的发展越来越复杂多变,传统的预测方法已不能适应瞬息万变的社会发展,基于纯定量方法的技术预测也开始受到怀疑。20世纪90年代以来,对于未来社会与技术发展的技术预见成为世界潮流,国家层面的技术预见活动纷纷涌现。
技术预见(Technology Foresight)是一种系统方法,它通过收集信息、构建情景,并进行持续对话来预测新兴技术的发展轨迹和潜在影响。[10-11]与传统的预测方法不同,技术预见更加强调对未来的想象和创新,以及新技术在社会经济各层面的潜在效应。它强调多方参与、开放思维和对不确定性的认知,旨在应对技术和社会变革的复杂性。
随着信息技术在教育发展中所起的作用日益显著,特别是在社会数字化转型的背景下,人们对教育的期望与诉求发生改变,技术预见对未来教育的推测就显得格外重要。技术预见在教育领域的应用不仅可以满足教育领域的中长期政策需求,还使其能够应对技术变革带来的挑战。有影响力的国际组织,包括经合组织、欧盟委员会和世界银行等积极推动教育领域各类技术预见活动,并取得了丰硕的成果。例如,2020年,经合组织发布的《回到教育未来》的报告探讨了2040年教育可能出现的场景,要求学校探寻新的教育方式和内容以找到应对之策。[12]同年欧盟委员会发布了《2021—2027年数字教育行动计划》,并提出发展高质量数字教育生态系统和增强数字化转型的数字技能的行动计划[13],希望为未来教育发展指明前景与方向。
近年来,越来越多的技术预见已经从原来适合于通用场景的“一刀切”方法转变为根据具体领域制定更具针对性的方法来解决问题,越来越基于证据,更富有创造性和包容性。对于技术预见的期望已经从狭隘的STI(科学、技术和创新)优先选择转变为在各层级治理中进行改革并为政策和战略提供信息。[14]因此,技术预见已被公认为是在国际组织、国家、区域、部门或地方各级机构定制政策的一种方法。具体来看,大模型技术本身的迅猛发展、多样的应用场景和复杂的社会影响,使其教育应用成为一个非常需要技术预见的领域。对于大模型在教育领域的应用,不能简单地依靠传统的线性预测,因为这些技术系统拥有强大的自主学习能力,可能产生复杂的社会后果。如果只看到短期效益,而忽视长期风险,可能会造成难以逆转的错误。2023年11月,OpenAI董事会的动荡引起的全球关注[15],其实也反映了公众的忧虑。此时,技术预见方法变得尤为关键——它能够帮助我们用宽广的视野充分思考各种可能的场景和后果。基于以上思考,技术预见对于深入分析大模型在教育领域的应用具有以下几个方面的适用性。
(一)聚焦未来导向
技术预见不仅涵盖对现有技术未来发展的考量,还致力于超越现有技术的限制和现行应用的边界。[16]对于大模型的教育应用而言,这意味着需要预见这些模型带来的潜在变革,并为应对这些变化做好准备。传统的线性预测方法在面对技术的迅速迭代和复杂影响时显示出明显的局限性,难以准确判断其应用范围和影响。技术预见方法不仅关注当前的技术能力,更注重技术的演变过程,通过跟踪最新进展来动态更新对技术的评估,这种方法对于预测快速演进的大模型技术尤为关键。
随着大模型能力的不断增强,我们可能会见证从个性化学习路径到自动化评估等全新的教学方法和工具的出现。通过聚焦未来导向,教育工作者和政策制定者能够扩展视野,探索当前未被充分利用的潜力,并为即将到来的技术变革做好准备。这种前瞻性思维不仅有助于捕捉新兴趋势和激发创新力,还能推动教育领域朝着更高效、更包容的方向发展。因此,技术预见之于大模型的教育应用,不仅是预测未来的工具,也是一个战略框架。它鼓励持续的创新和适应性,确保教育系统能够有效地利用新兴技术,最终深度推进教育的数字化转型。
(二)鼓励广泛的多元参与
技术预见在未来战略规划的各领域中,尤其是在教育领域,强调广泛且多元化的参与。[17]预见不是仅局限于专家评估,而是涉及创建一个共享且连贯的未来愿景,这在构建社会现实的实践中极为重要。探讨大模型的教育应用需要汇聚各领域专家的见解和经验,包括教育学、语言学、心理学、计算机科学等领域,他们能提供独特的视角和宝贵的意见。同时,不同利益相关者的参与也是必不可少的,例如教育行政机构和学校的管理者、经济学家和雇主、技术专家、教师、家长以及学生。他们从不同角度出发,共同为教育的未来构建完备的场景和选项,并形成对现存问题的全面理解。这种跨学科和多方位的参与能够确保不同的议题得到相互印证和纠偏,从而为决策者提供经验之外的新证据。
通过促进这些群体之间的对话和合作,人们可以更全面和深入地理解大模型如何影响学习和教学过程,以及如何最有效地整合这些技术来满足教育的多元需求,确保教育技术的发展方向与社会需求和伦理标准相协调。因此,在技术预见的框架下,多元参与不仅是理解和应对当前挑战的基础,也是探索和塑造未来教育的动力。
(三)关注多重并发路径
技术预见的作用不仅仅在于预测未来,它更关注于构想和评估多种可能的发展路径。在真实的教育环境中,影响技术应用的因素是多方面的,涉及环境、策略、结构、文化、团队、成员、过程、动机和信念等等。大多数因素都不能成为产生结果的独立的原因,对于某个区域或机构的有效策略可能未必适合其他对象。这些因素相互之间会交叉、重叠、包含和对立,往往是多种不同的因素形成组合共同作用于真实环境。[18]这点对于大模型的教育应用尤为重要,教育发展蕴含多种可能,同一技术应用可能产生正面或负面的不同结果。因为技术发展和教育需求都充满不确定性,需要考虑不同的技术发展与应用场景。这些可选场景代表了不同的发展路径及其对教育关键环节的影响,如学校管理方式、课程设置、教学方法等。通过多场景比较,决策者可以更明智地识别出合理的发展路径和战略重点。不同场景的分析也有助于洞察潜在风险,制定风险控制对策,探索多种可能的应用方式及其背后的影响。在这个过程中,教育决策者可以更加灵活和有准备地应对未来的挑战和变化。
(四)承认不确定性
2022年年底ChatGPT的横空出世,在短短几个月的时间风靡全球,公众领域的关注超出任何专家的预期,相关议题也远远超出技术本身的范畴。这种新技术发展与应用的不确定性使得技术预见的重要性愈发凸显。任何关于未来的分析都有很强的不确定性,技术预见正是基于这个现实。对于大模型的教育应用而言,这意味着我们需要持续地评估技术的发展和应用,不断更新我们的理解和策略。大模型的网络结构、训练数据、算力等都在快速增强,导致模型能力不断提升,难以预测界限。这类技术的应用也需要经过实践检验,其长期影响也存在诸多不明确因素,任何方法不可能完全准确预测技术影响。通过持续跟踪相关技术创新、应用报告、反馈等,及时更新对影响的评估,这种动态的、迭代的过程有助于我们保持灵活性,适应快速变化的技术和社会环境。这种对不确定性的承认和对持续评估的承诺是确保技术应用成功的关键。正如OECD所认为的[19],技术预见并不试图对未来提供确定的答案,而是将未来视为一个不断涌现的实体。面对这种不确定性,我们需要持续跟踪和学习,以适应未来的变化,这是技术预见的精髓。
(五)挖掘技术应用的深层因素
技术预见关注的一些主题,无论是诸如气候、能源、粮食和水等社会未来面临的重大挑战,还是面向具体领域的技术、商业以及文化的变迁等相对微观的主题,它们大多是一个围绕长期愿景的渐进过程,其路径是由技术与社会、经济、文化等因素的相互作用决定的。这是一个持续性的推进过程,不可能一蹴而就,需要依靠政府、公众、专家等,通过社会、技术、经济、环境与政治等因素综合维持经济效益、社会效益和生态效益之间的张力。对于大模型的教育应用而言,这意味着需要深入理解技术在广泛的社会系统中的作用和影响,考量政策环境、法规制度、文化价值观等背景因素对技术的制约作用,以及考虑技术如何影响教育公平、隐私权、学生和教师的自主权等重要问题。技术预见不仅关注大模型对于教育的推动作用,而且着眼于教育愿景(或者理念)的拉动。这既包括对技术机会的选择,也包括对经济、社会发展相关需求的识别。[20]只有将技术置于更大的社会系统背景中思考,才能做出负责任的选择。
因此,技术预见为大模型的教育应用提供了系统的分析框架,不仅帮助我们理解和应对当前教育面临的挑战,还提供了创造未来教育的工具和视角。
三、技术预见的实践
2023年上半年,鉴于当时大模型技术的突飞猛进以及对其教育应用前景的关注,笔者所在的机构拟以编撰中国人工智能学会的系列研究报告《大型语言模型的教育应用》为契机,对大模型教育应用进行一次小型技术预见活动。通过广泛的证据收集以及新型方法与工具的应用,挖掘可能的趋势,探讨与教育发展相适应的应用推进路径,为大模型教育应用的实践研究与政策制定提供证据基础和决策依据。
(一)技术预见实施方案
早在21世纪初,就陆续有一些探索未来教育的技术预见活动。例如,2001年OECD发布《未来学校是什么样的?》研究报告[21],较早运用情境方法展望教育未来。自此以后,陆续有研究者将技术预见应用于教育领域选择新兴技术、构建教育场景、探索发展趋势、规划变革的实践路径等。美国、英国、日本、韩国、马来西亚、土耳其等国也开展了一系列的教育领域的技术预见活动。作者所在的研究团队前期构建了一种基于AIGC的实施方案。该方案借助自主开发的轻量级的辅助工具GPT-EDU4SIGHT,将其应用于数字化转型背景下学校办学质量评估、特定教材的使用评价等具有技术预见特征的探索性应用中。[22]基于该方案,借鉴不同技术预见活动的流程[23-24],经过教育领域专家、技术领域专家、教育管理者、一线教师、学生等多方代表共同协商调整,形成本次技术预见活动方案。在本方案中,除了传统的分析工具之外,GPT-EDU4SIGHT的主要作用是借助大模型(例如GPT4.0)辅助完成诸如“项目设计”“智能访谈”“模拟调查”“场景模拟与评估”“提供建议”“评估材料”“提炼观点”之类技术预见相关的工作。该工具是联接研究者与不同技术预见参与者、本地数据、其他技术预见工具与大模型的通道。
具体的流程主要分为五个阶段,如图1所示。

第一阶段:设置议题。该阶段确定技术预见的议题并细化研究内容,明确研究的核心目标、预期成果及数据来源的认定标准。依据专家咨询、行业趋势和利益相关者代表的意见与建议,确定大模型教育应用中最具实用性与实践性的内容。此阶段中,借助GPT-EDU4SIGHT辅助分析各方代表的发言及意见,模拟各个利益相关方的可能观点,从而建立虚拟意见库。在此基础上进一步明确议题内容,并在主要维度上形成不同子议题。
第二阶段:实施地平线扫描。该阶段的关键任务是通过多元化的方法,对各种来源的数据进行全面收集和整理,以此形成对技术、社会和教育的需求及发展趋势的综合洞察。在本阶段中,传统文献研究、数据库检索、网络爬虫技术和专家咨询等方法都是收集信息的有效手段。该阶段的重点在于对获得的数据进行分类处理,确保所得资料能够有效服务于设定的议题。利用不同AI工具的数据与文本挖掘功能,对材料按主题匹配度进行分类,并根据材料与议题的关联度将其分为直接材料和间接材料,前者与议题直接关联,后者则是辅助材料。
第三阶段:分析趋势。这一阶段的重点是通过分析上两个阶段收集的材料并将之转化为若干关键趋势。这些材料包括结构化数据与非结构化数据,前者指各类量化数据,后者为访谈、论文等资料。在此阶段,除了传统的文献计量方法外,分析者还会将趋势外推、场景分析等技术预见方法与大模型技术相结合,以分析大模型教育应用现状及前景,剖析典型场景及案例。
第四阶段:评估影响。其核心任务是深入分析并判断先前识别的场景对教育未来的影响,重点挖掘潜在的弱信号。通过对各种论文、论坛、发言稿等文本内容的挖掘、预测、模拟与推演,预测大模型教育应用的风险与挑战,并将GPT-EDU4SIGHT用于SWOT分析中,对前一阶段的研究结果进行深度分析,识别模式和趋势,从而提高预测的广度和深度。
第五阶段:实施行动。许多技术预见需要将方案转换为行动,由于本项目只是一个研究报告,无法开展真实行动,该阶段的任务即为行动建议。在深入分析了大模型教育应用的影响后,从现实情况出发,为教育行政部门提供相应的政策建议和实践指南,以更好地适应未来教育的需要。
(二)相应的方法及工具
常见的技术预见方法主要有定量与定性两种类型。定量方法主要包括文献计量、趋势外推、交叉影响分析等。由于大模型的教育应用刚刚兴起,所以本项目的技术预见除了基本的文献计量之外,以定性方法为主,主要采用了专题会议、场景分析、SWOT、头脑风暴、专家咨询等方法。
在项目初期,研究者通过专题会议的方式邀请教育专家、教师及学生代表研讨大模型教育应用涉及的议题与范畴,为后续研究提供基本的意见参考。随着对大量文献资料的深度解析,研究者通过场景分析的方式对大模型教育典型应用场景进行系统性研究和预测,以揭示可能的发展趋势、关键因素和应对策略。为进一步分析大模型对教育的影响,研究团队采用了SWOT分析评估大模型教育应用的优势、劣势、机会和威胁,从而帮助制定有效的教育战略和决策。此外,在项目实施过程中,研究者们将头脑风暴和专家咨询贯穿于整个预见过程:作为集体创意方法的头脑风暴,旨在鼓励团队成员自由发表想法和建议,以促进创新和问题解决;对于一些特定问题则采取专家咨询的方式,向具有专业知识和经验的专家寻求建议和指导,帮助解决复杂问题并制定有效策略。
近来,大模型在技术预见特别是质性材料分析方面的潜力开始得到关注。大模型能够识别包含论文、实验报告、政策文本等在内的文献,找出不同文献的异同点,经过比较分析,甚至可以实现知识聚类与一定程度的“创新”。[25-26]在本项目中,GPT-EDU4SIGHT工具融合了一系列基于大模型的应用。
文本分析。与传统文献计量方法相结合,利用大模型强大的文本理解能力,对访谈材料、论文、专家意见进行深入分析,从中提取主题、观点、情感倾向等。分析材料中的模式和趋势,例如不同受访者之间的观点一致性或差异性,理解复杂的观点,评估论点的合理性等。
智能访谈。通过预设议题和针对不同身份的被访者进行个性化设置,模拟人类访谈者的行为,实现高度定制化的智能访谈。根据受访者不同的身份和背景(如教师、学生、行业专家等),智能访谈能够适应不同的访谈环境和需求,根据受访者的回答实时调整提问策略,以更好地适应访谈的流程和深度。
角色和场景模拟。一方面,训练大模型让其扮演教师、学生等不同身份,通过模拟对话和交互,深入探究不同群体对大模型在教育领域应用的可能的观点和态度;另一方面,让大模型模拟诸如教室、实验室或家庭等不同教育场景,观察和分析不同教育环境下角色的行为变化。这种模拟不仅可以增强研究者对教育领域内各种动态的理解,还能够为教育决策者提供实用的数据和见解。[27]
虚拟意见库构建。对各类发言、论文等数据进行分析,并按照不同的身份类型,如在校学生、高校教师、中学校长等形成对不同群体的思维模拟与预测,从而形成不同领域代表的虚拟意见系统。这一虚拟意见系统有助于了解不同利益相关方的观点,辅助提供相应的决策支持或行动方案。
除此之外,GPT-EDU4SIGHT另外一个重要的功能是提供技术预见活动各个环节的支持,例如辅助研究人员在各个阶段设计和优化他们的预见议题,提供定量分析、质性分析或混合方法的建议,提供有关研究伦理、数据保护的提示,辅助研究人员以清晰、直观的方式展示他们的结果。因此,借助于不同的技术预见方法以及各类工具,GPT-EDU4SIGHT为项目从设计构思到结果呈现的整个过程提供全面的支持。
(三)技术预见的实施过程
该项目将文献计量、专家咨询、场景分析等多种方法相结合,按照上述五个流程展开技术预见活动。
1.设置议题
本项目的议题设置主要采用了主题会议、智能访谈以及大模型角色模拟三种方法:举办了多场专题研讨会,与会的专家、教师、学生、教育管理者围绕专题展开讨论,并且对大模型教育应用技术预见的议题提出了初步方案,确定了本次预见活动的流程;为进一步了解利益相关者对大模型教育应用的观点,利用GPT-EDU4SIGHT中的智能访谈工具(图2),最终获得来自教师、学生、学校管理者、领域专家等的300多条有效的访谈数据,通过平台对这些数据进行整理、分类和归纳;由大模型模拟受访角色,研究者则作为访谈者,利用GPT-EDU4SIGHT的角色模拟功能开展了多轮的对话。通过设计相应的模板让大模型扮演教师、学生、校长等角色,以了解不同角色对大模型教育应用的关注焦点和可能的看法。

之后,研究者仍旧利用GPT-EDU4SIGHT对上述材料进行整理,最终形成涵盖“大模型对教育不同方面的影响”“教育典型应用场景”“大模型教育应用背后的心理机制”“大模型教育应用的伦理”及“基于大模型的人工智能基础教育”等五个维度议题及相应子议题,从而进一步明确了此次技术预见活动的研究范畴,为开展后续工作打下了基础。
2.实施地平线扫描
地平线扫描对广泛、实时的新兴信息进行早期探索和分析,从而识别未来潜在的挑战、趋势、风险和机遇。本项目的文献材料主要来自各种学术网站(如中国知网CNKI、谷歌学术等)及各类研究报告等。团队运用网络爬虫技术抓取了网络中有关大模型教育应用的各类文献材料共计1 100多份(截至2023年7月),对这逾千份文本材料进行评估、筛选与分类。按照前述五大议题进行汇总,共整理形成直接关联材料300多份,间接关联材料500多份。后续的分析主要针对直接关联材料,也部分参考了间接关联材料。
3.分析趋势
将传统技术预见方法中的定量和定性分析方法与GPT-EDU4SIGHT相融合,通过文献计量、场景分析、专家咨询、趋势外推等方式,将原有五个议题内容进行细化。借助GPT-EDU4SIGHT辅助阅读文献,提炼核心信息,并要求其采用逐级编码、概念抽取的方式将文本信息层层分解,提炼不同议题的内容并形成说明性及解释性案例。
4.评估影响
评估技术变革的影响是技术预见中的重要环节。通过深入剖析技术变革可能带来的各种影响,能够预测未来的发展趋势,制定明智的战略决策,降低潜在的风险,并把握有利的机遇。在此阶段中,综合运用了场景分析和SWOT等方法,对相应议题及其包含的弱信号进行系统的数据挖掘,其目的在于更准确地理解和评估技术变革可能对教育领域产生的深远影响。
5.实施行动
将研究成果转化成行动建议,旨在为政策制定者及相关部门提供相应的政策参考与实践指南。以大模型教育应用的伦理为例,为了消除教育界对大模型的顾虑,积极探索如何安全、负责任并且符合道德规范地利用大模型,研究报告从大模型相关政策、推进机制、伦理教育内容以及伦理课程等几个角度提供了相关的行动建议。
四、未来应用的前景:不同维度的预见
2023年,作者所在研究团队基于既定研究框架,深入探讨了大模型在教育领域的潜在应用。根据设置议题环节形成的“大模型对教育不同方面的影响”“教育典型应用场景”“大模型教育应用背后的心理机制”“大模型教育应用的伦理”及“基于大模型的人工智能基础教育”等五个维度议题,借助地平线扫描梳理了既有的材料,通过分析趋势细化相应的子议题,利用场景分析和SWOT等方法评估不同应用。报告中这五个议题紧密相关,共同构成了大模型教育应用前景的预见。大模型对教育不同方面的影响提供了整体视角,典型应用场景识别是具体抓手,心理机制探究是评估的基础,伦理问题审视是价值引领,而人工智能基础教育是实践推进的根本落脚点。这五个维度能够全面地洞察大模型技术对教育变革的影响,兼顾技术、人文和社会多个层面,为大模型教育应用的技术预见研究提供了完整的分析框架。
(一)大模型对教育不同方面的影响
审视大模型的教育应用,首先需要探讨其对教育不同方面的影响。作为一种前沿技术,大模型正在开启新的学习和教学方式,从而在教育的多个维度引发变革。这种变革影响着教师的教学方式、学生的学习方式以及教育管理者的决策过程。在地平线扫描的基础上,研究报告梳理了大模型可能改变教育领域的许多方面,包括学生培养、教师发展、学习环境、教育治理等。
首先,正如OpenAI报告中所说的,根据对未来职业变革的预测,大模型的发展将间接影响教育的人才培养方向。[28]随着大模型在各行业的应用,简单、重复性的工作可能被替代,而复杂、创新性的工作将更加依赖人工智能技术。这就要求教育领域必须未雨绸缪,调整人才培养方向,加强学生的创新能力、跨学科知识和人工智能应用能力的培养,以适应未来职业岗位的变化。其次,随着大模型的渗透,教与学内部要素也会发生变化,进而推动教与学的变革。大模型的引入将在学生培养、学习资源和学习环境以及教师能力等诸多方面产生影响,这些影响可以是直接的,如通过AI工具提供更丰富的学习资源;或者是间接的,如通过改变教学方式影响学生的学习体验,辅助持续、精准和个性化的评估等,为教育教学提供更便利的支持。再次,在教与学改变的基础上,大模型也会促进学校治理的变革,借助大模型的智能分析能够处理和分析大量数据,更好地辅助教育决策,制定科学有效的教育规划、制度和政策等。最后,大模型的语言处理、生成等方面的强大能力也正在影响着教育研究方法甚至是研究方向,这不仅可以拓展出新的研究工具和方法,还可以产生研究的新思路,使得教育研究者可以从新的角度来理解和改善教育现象和问题。
(二)教育典型应用场景
应用场景是连接技术与教育实践的桥梁。场景分析不仅确保大模型教育应用的具体性和实用性,还促进技术与用户的适配。从技术预见的角度来看,没有场景分析,技术应用可能会变得盲目和无效,难以实现其真正的潜力和价值。首先,场景分析将抽象的技术具体化,明确它在教育中的实际应用方式,使得技术应用容易理解和执行。其次,场景分析帮助识别在特定教育环境中存在的具体问题和挑战,例如学生参与度低、资源分配不均等。基于对场景的深入理解,可以定制技术以解决这些具体问题,确保大模型相关系统的设计和实施能够满足用户的具体需求。最后,通过场景分析,可以发现新的应用机会和未被充分利用的潜力,为大模型在教育中的进一步创新应用提供灵感。
研究报告围绕“学生学习”“教师教学”“教学管理”和“企业应用”等四个方面,通过技术预见探讨了大模型在这些典型应用场景呈现出的明显优势和潜力:首先,在学生学习的场景中,大模型能够有效辅助课程学习,特别在编程、写作和英语口语等方面发挥着显著作用。随着大模型的不断发展,可以预见它们将更加精准地识别学生的学习需求,并提供个性化的学习支持,例如定制化的学习资源推荐,从而提高学习成效。其次,对于教师教学的场景,大模型可以作为教师的重要助手,为教学过程提供更多的个性化支持和智能化辅助。通过分析学生的学习表现和反馈数据,大模型可以提供个性化的教学建议。再次,在教学管理的场景中,发现大模型的应用不仅可以进一步提升学校行政工作的效率和准确性,更重要的是可以帮助学校管理人员更好地优化学校运营,为其提供决策支持。最后,对于教育企业而言,大模型将为教育企业带来更广泛的应用空间和商业机会。在此基础上,报告进一步识别场景中可能的驱动因素、趋势或约束,然后对其影响和不确定性进行了评估。
(三)大模型教育应用背后的心理机制
由于大模型所呈现的“类人”行为以及存在的潜在风险,越来越多的心理学家开始深入探索其背后的原因,以更清楚地划定大模型的能力边界。[29]人们关心这些模型是否可能具备类似人类的认知方式,是否能够模拟人类的思维过程,以及它们所展示的智力水平是否与某个特定年龄段的儿童相当。如何才能真正评估这些模型是否做了一些智能的事情?正如OECD指出的[30],人工智能系统在整个生命周期中应保持稳健、可靠和安全,以便在正常使用、可预见使用或误用及其他不利条件下,能够正常运行,不会造成不合理的安全风险。大模型在多项测试中超越人类的表现,使得我们重新思考评价与应用大模型的方法和策略。近期“机器心理学”“机器行为学”的提出,就是旨在从心理学的角度探索其背后的原因,以便深入理解大模型在教育领域的行为、决策和推理机制。
大模型通过对海量数据的深度学习和模式识别,能够建立起类似于人类认知加工的神经网络。在这个过程中,大模型实际上是在不断进行自主学习和自我进化,可以尝试将其背后的心理机制类比为人类的元认知和自我调节能力。大模型通过模拟和分析师生互动的心理过程,有望重塑教学决策优化的模式,这种人机协同的决策优化过程,体现了类似人类集体智慧和分布式认知的心理机制。从微观分析,通过重塑师生互动和教学决策的心理过程,大模型为实现智能化、个性化的高质量教育提供了新的路径和可能性;从宏观的视角来看,大模型在教育领域的应用,实际上是在重构整个教育生态系统的认知和交互模式。这种教育生态的智能化演进过程,其背后的机制可以看作人类社会的集体认知和知识进步的新助力。
(四)大模型教育应用的伦理问题
面对大模型不断涌现的强大能力,教育领域对其巨大潜能既感到惊叹,同时也对进一步深入应用持谨慎态度。这反映了公众对大模型强大能力所带来的不确定性和伦理问题的担忧。[31]对于应用伦理的关注是大模型教育应用可持续性的保障,有助于避免对学习者、教育机构和社会可能造成的负面影响。关注伦理问题可以帮助保护学习者的隐私、数据安全和心理健康,确保他们的权益不受侵犯。同时,伦理问题的探讨还有助于提升社会对大模型教育应用的接受度和信任,促进技术的广泛采纳。
研究报告探讨了如何面对未来可能出现的伦理挑战及应对,以确保大模型的教育应用是负责任和可持续的:首先,随着大型数据集的应用,隐私和数据安全成为突出的关注点。这涉及如何保护学生个人信息,以免被滥用或泄露。其次,算法偏见可能会影响到教育机会的公平性。大模型的训练数据往往反映了现存的社会偏见和不平等,这可能导致系统对某些群体的歧视或忽视。再次,透明度和解释性是另一个挑战。大模型的复杂性使得其决策过程难以被理解,这可能会削弱社会对教育政策制定者和教育工作者的信任,并增加不确定性。最后,长期影响的评估也是必要的。虽然大模型的应用效果可能在短期内表现良好,但其潜在的长期影响,特别是对学生发展和心理健康的影响,需要更深入的研究和评估。
(五)基于大模型的人工智能基础教育
随着大模型及其他AI技术的快速进步以及劳动力市场的变化,社会和工作环境也正在经历变革。一方面,未来劳动者需要具备理解和利用这些技术的能力,这使得面向大模型的人工智能基础教育变得极为重要[32];另一方面,技术预见不仅关注技术本身的发展,也关注未来社会对技能的需求,提供这种教育旨在确保下一代不仅能适应未来工作环境,还能积极塑造环境。理解大模型的工作原理、能力和局限性对他们而言是非常必要的。通过人工智能基础教育,学生不仅可以促进理解,还可以学会如何创新和改进,以更好地适应未来的学习和工作,这对保持社会的竞争力和适应性至关重要。
随着OpenAI o1、Claude 3.5等大模型的涌现和应用推进,中小学人工智能基础教育面临新的挑战和机遇。通过技术预见可知,基于大模型的人工智能基础教育虽然尚处于起步阶段,但其发展前景不容忽视,一些潜在的弱信号已经初现端倪,值得我们密切关注和把握:大模型在知识表征和语义理解方面的突破性进展,为开展人工智能基础教育提供了坚实的技术基础。基于大模型的知识教学,有望突破传统人工智能教育的局限,帮助学生形成更加综合、全面的人工智能素养;教育机构和教育企业在人工智能教育领域的合作探索,也释放出积极的信号。[33-34]这种合作探索,不仅有助于推动大模型在教育领域的应用创新,也为人工智能教育生态的构建注入了新的活力;国内外一些国家和地区已经开始重视人工智能教育的战略地位,出台相关政策和指导意见[35-36],支持面向前沿技术的人工智能基础教育的发展。这些政策支持和标准制定,为基于大模型的人工智能基础教育提供了良好的制度环境和发展空间。
五、结语
面对大模型不断涌现的能力,其在教育领域的应用充满了机遇和挑战,本研究通过引入技术预见方法,分析了其对于应对这些机遇和挑战的适用性,提出了一种展望大模型教育应用的研究思路,并通过一个具体案例,展示如何利用技术预见以及相应的工具,进行大模型教育应用的前瞻性预见,对大模型对教育不同方面的影响、典型应用场景、背后的心理机制、应用的伦理挑战以及相应的人工智能基础教育等五个议题进行了深入分析。研究表明,技术预见为探索和预测大模型在教育领域的应用趋势和潜在影响提供了新的路径,有助于理解教育系统内外部因素的复杂相互关系,鼓励多元利益相关者参与决策,并为教育决策者提供科学的决策支持。
大模型应用于教育不仅仅是一项技术任务,更是一个需要维护人类价值观的社会实践,应不断推进教育者、政策制定者、技术人员和学习者之间持续对话,敦促所有利益相关方共同塑造与人类发展和社会进步相一致的、有韧性的教育愿景。随着技术的不断进步和社会需求的不断变化,教育领域不仅要深化对大模型的理解,也要不断完善和发展技术预见的方法论。面对未来,这种前瞻性预见的能力,是确保教育技术的发展朝着更加光明和可持续的方向前进的基石。
参考文献(略)
(作者:陈向东,华东师范大学教育信息技术学系教授、博士生导师;靳旭莹,华东师范大学教育信息技术学系博士研究生。来源:《苏州大学学报(教育科学版)》2025年第1期)