ChatGPT在高等教育协作学习中的应用研究

刘晓峰　介心如

摘要：作为当前人工智能领域的突破性技术，ChatGPT有效弥补了传统人工智能程序的不足，在多个应用场景中都有出色表现，其在教育领域的应用也成为学术界关注的热点之一，它为高等教育协作学习提供了新的可能性。文章研究了ChatGPT在高等教育协作学习中的应用原理、潜能与障碍。ChatGPT在高等教育协作学习中的应用主要是基于以下五项技术原理：预训练机制、多头自注意力机制、Fine-tuning方法、预训练-微调方法以及面向序列的自然语言生成。高等教育协作学习强调学生之间的相互作用和合作，促进学习者的知识共建、认知发展和社会交往能力的提高。然而，协作学习面临着协作管理效率低、协作效果评估难等问题。ChatGPT在高等教育协作学习中的潜在应用场景主要集中在自主学习、个性化学习、语言学习与翻译、团队学习与协作、学术研究与创新、课程评价与质量控制等六个方向。与此同时，要正视其存在的潜在应用障碍，如文本生成的准确性、对话质量的稳定性、用户隐私等伦理问题、用户接受度和使用意愿、应用场景和需求匹配等。为此，应在充分分析现实的基础上，加强研究和改进ChatGPT算法，增强其在教育领域的适用性和实用性。完善数据管理和安全保障机制、人机交互和协同学习机制，以提高安全性、规范性和有效性。ChatGPT作为一个新兴的研究议题，未来有诸多问题值得进一步研究，教育界应当以更加开放的态度迎接人工智能时代的到来。

关键词：OpenAI；ChatGPT；人工智能；协作学习；高等教育

中图分类号：G434 文献标识码：A 文章编号：1004-9436（2023）18-000-06

0 引言

伴随着人工智能（AI）技术的迅速迭代升级，人类社会步入智能化时代。2022年11月，美国非营利研究机构OpenAI正式推出新型生成式人工智能程序ChatGPT，突破性地补齐了传统人工智能程序的多项短板，在多个应用场景中都有出色表现［1］，注册用户数量在短短两个月内便达到1亿人，成为史上用户增长速度最快的应用程序，并在全球范围内掀起了人工智能讨论热潮。

人工智能技术在教育领域的应用也随之成为学术界关注的热点之一。尽管一些学者强烈担忧其潜在风险［2］，如依赖人机对话可能导致人际交往越来越脆弱，学生使用ChatGPT完成作业或存在作弊行为等［3］，甚至有些学者直言不讳地将ChatGPT视为“高科技剽窃”和“逃避学习的一种方式”［4］，但更多的学者对于智能时代的到来持乐观态度，积极探索和拓展人工智能技术在教育等领域的适用场景［5］。作为人工智能技术的前沿代表，ChatGPT以独特的自然语言生成和理解能力，在智能辅助教学、协作学习、智能评测等方面应用潜力巨大。

在高等教育中，协作学习作为一种新型教学模式，旨在培养学生的合作意识和团队精神，提升学生的综合能力和创新能力［6］。然而，在实际教学过程中，协作学习面临着诸多挑战。例如，如何保证团队协作的效率和质量？如何避免团队成员之间的信息不对称和沟通障碍？如何有效评价团队和个人？需要引进新技术和新方法解决上述问题。本文旨在探讨ChatGPT在高等教育协作学习中应用的原理和潜能，并预估可能存在的应用障碍，以期为未来拓展以ChatGPT为代表的人工智能技术在高等教育教学实践中的应用提供思路。

1 技术原理

GPT代表生成式预训练模型（Generative Pre-trained Transformer），是一种基于Transformer网络的模型，能够对大规模语料库进行预训练，并通过微调和Fine-tuning技术进行特定任务的训练［7］。ChatGPT特指使用GPT模型进行对话生成的应用，它可以实现与人类的对话，并在不同领域得到广泛应用，如客服、智能问答、人机交互等，是近年来自然语言生成领域的一项重要技术进展。

ChatGPT的核心思想是使用自然语言处理技术实现对话生成。在这一过程中，GPT模型首先通过预训练技术获取大量语言知识［8］，然后根据输入的文本内容，通过生成式算法生成符合语法和语义规则的回复。ChatGPT的优点在于它能够模拟人类对话过程中的连贯性和多样性，能够生成自然流畅的对话回复，使对话更加生动和真实。ChatGPT在高等教育协作学习中的应用主要是基于以下五项技术原理。

1.1 预训练机制

ChatGPT是基于深度学习的自然语言处理模型，其预训练机制采用基于Transformer架构的自回归模型。在ChatGPT的預训练机制中，自回归模型是一种重要的建模方法。该模型以当前输入的词作为起始，逐步生成后续的单词序列。在生成下一个单词时，模型将前面已生成的序列作为上下文输入模型中进行预测。使用这种方式不仅可以了解词与词之间的关系，还可以捕捉到更高级别的语义关系，如上下文、语境等。这种预测方式的核心思想是让模型能够理解文本序列中的潜在语言规则和模式，从而生成连贯自然的文本。

1.2 多头自注意力机制

多头自注意力机制是Transformer模型中的关键组成部分，也是该模型在自然语言处理任务中取得卓越性能的重要因素。它可以将每个单词作为查询、键和值来计算注意力，其中查询是要被关注的单词，键和值是用于计算关注程度的参考单词。在多头自注意力机制中，输入序列的每个单词都被分别映射到多个查询、键和值向量。这些向量是通过线性映射从原始输入向量中提取的，每个注意力头使用的线性映射是独立的，从而使每个注意力头可以关注输入序列的不同部分。然后，通过对每个查询向量进行多次注意力计算，模型可以获得多个不同的关注度分布，进而更好地理解输入序列中的语义关系。

多头自注意力机制的优点在于能够从不同角度关注输入序列，从而获得更全面、更准确的语义表示。这使ChatGPT能够更好地捕捉输入序列中的上下文信息，从而提高模型的表达能力和准确性［9］。同时，多头自注意力机制的并行计算能力也使模型在处理长序列时表现出色。

1.3 Fine-tuning方法

Fine-tuning方法是指在已经进行了预训练的模型基础上，微调模型在特定任务中的参数以适应该任务。Fine-tuning过程中，通常会在目标任务的少量数据上进行监督式学习，使模型在该任务上表现更优秀。这个过程类似于预训练阶段的自我监督学习，只是在Fine-tuning中，监督信号来自目标任务而不是原始文本数据。

Fine-tuning方法的一个优点是能够在特定领域快速应用现有的预训练模型，而不需要从头开始进行大规模训练。另一个优点是可以提高模型的泛化能力，即使面对没有经过预训练的数据也有出色表现。这是因為Fine-tuning在目标任务中微调了模型参数，模型能够更好地适应该任务，从而提高了模型对任务相关数据的学习能力。在实践中，Fine-tuning方法在自然语言处理领域得到广泛应用。例如，在文本分类、命名实体识别、问答系统等任务中，预训练模型可以作为基础模型，通过Fine-tuning来提高模型的性能。同时，Fine-tuning方法可以通过适应不同的领域，为不同的应用场景提供定制化的解决方案。

1.4 预训练-微调方法

ChatGPT将无监督预训练和有监督Fine-tuning相结合的训练方式，被称为预训练-微调（Pre-training and Fine-tuning，简称PF）方法。这种训练方式可以充分利用大规模无标注数据的信息，通过无监督预训练提高模型的语言理解能力，并在有限的任务相关数据上进行Fine-tuning，提高模型在特定任务上的性能［10］。具体来说，在PF方法中，模型首先进行大规模的无监督预训练，学习文本中的模式和规律，从而获得强大的语言表征能力。接下来，在特定任务上，利用少量的有标注数据对模型进行Fine-tuning，使其更好地适应特定任务，并提高模型的性能和泛化能力。这种无监督预训练和有监督Fine-tuning相结合的方法可以解决数据不足的问题，从而更好地适应实际应用场景。此外，由于无监督预训练和有监督Fine-tuning的训练方式相似，因此模型可以在大规模无标注数据上进行预训练，而不需要针对每个特定任务单独训练模型，提高训练效率。

1.5 面向序列的自然语言生成

面向序列的自然语言生成是ChatGPT的一个核心特性。在自然语言生成中，模型的输入是一个文本序列，而模型需要生成与输入序列相关的文本。ChatGPT可以根据输入的上下文和当前单词生成下一个单词，然后不断迭代，最终生成完整的文本序列。这种生成方式不仅可以用于对话生成，还可以用于文本生成、机器翻译、摘要生成等多种自然语言处理任务。在高等教育协作学习中，ChatGPT有多个应用场景。例如，ChatGPT可以用于课程问答，帮助学生解答问题并获得即时反馈。同时，ChatGPT也可以用于课程总结，自动生成课堂笔记或知识点总结，从而帮助学生更好地掌握知识。此外，ChatGPT还可以用于生成其他与教育相关的文本，如论文摘要、课程评价等。通过使用ChatGPT，教育机构可以更好地利用自然语言生成技术，增强学生的学习效果和教育体验。

2 应用潜能

高等教育协作学习强调学生之间的相互作用和合作，促进学习者的知识共建、认知发展和社会交往能力的提高。在高等教育协作学习中，学习者可以通过共同参与讨论、合作研究和共同创作等方式，从多个角度和维度获得知识信息［11］。然而，协作学习面临协作管理效率低、协作效果评估难等问题。ChatGPT作为一种人工智能技术驱动的自然语言处理工具，可以为高等教育协作学习提供新的可能性。其在高等教育协作学习中的潜在应用场景集中在以下六个方向。

2.1 自主学习

ChatGPT可应用于在线教育平台，如通过生成答案模板帮助学生更好地理解学习内容，同时也可以帮助教师生成教学材料或自适应教学，根据学生的不同反应调整课程内容。此外，ChatGPT还可以用于智能评价和反馈，使学生更好地掌握学习内容，实现自主学习。ChatGPT作为自然语言生成技术的代表，在在线教育与自主学习中能够发挥重要作用。

比如，可以高效生成答案模板。ChatGPT可以通过阅读大量的题目和答案，理解问题的结构和答案的逻辑关系，从而生成答案模板。这个模板可以用于教师的教学辅助，同时也可以用于学生的自主学习。在学生自主学习中，学生可以通过查看答案模板来掌握解题方法，提高学习效率。在自适应教学方面，ChatGPT可以根据学生的学习习惯和学习进度，自动生成适合学生的学习材料。这种自适应教学可以有效增强学生的学习效果，减轻教师的教学负担。还可以实现智能评价和反馈，ChatGPT可以通过分析学生的作业、考试和问答等多种数据，为学生提供智能评价和反馈。通过自然语言生成技术，ChatGPT可以生成准确、丰富、针对性强的评价和反馈，帮助学生更好地掌握学习内容，提高学习质量。此外，ChatGPT可以通过分析学生的学习兴趣、学习进度和学习历史等多种数据，为学生推荐适合的课程和学习材料。这种个性化推荐能有效提高学习效率，促进学生自主学习。

2.2 个性化学习

在高等教育协作学习中，个性化学习是增强教学效果的关键。传统教育往往采用“一刀切”的教学模式，无法满足不同学生的个性化需求，导致学生的学习效果难以得到优化。而ChatGPT具有强大的自然语言生成能力，可以生成符合学生个性化需求的教学材料和学习计划［12］。

首先，ChatGPT可以根据每个学生的兴趣和能力生成个性化教学材料。传统教材往往内容单一、死板，难以满足学生的个性化需求。而ChatGPT可以根据学生的学习记录、测试成绩和自我评价等信息，生成符合学生能力水平和兴趣爱好的教学材料。例如，对于一名对历史感兴趣的学生，ChatGPT可以生成与历史相关的文本、图片、视频等教学材料，以提高学生的学习兴趣和积极性。

其次，通过分析学生的学习记录和反馈，ChatGPT可以了解学生的学习进度和知识掌握程度，并生成相应的学习计划和课程［13］。例如，对于学习进度较快且深入理解知识点的学生，ChatGPT可以生成更复杂的教学材料和学习任务，以进一步提高学生的能力；而对于学习进度较慢、难以理解知识点的学生，ChatGPT可以生成更加基础和简单的教学材料和学习任务，以帮助学生理解和掌握基础知识。

最后，ChatGPT可以通过跟踪和分析学生的学习过程，为学生提供实时的个性化教育反馈。例如，ChatGPT可以根据学生的作业、测试成绩和在线互动等数据，为学生提供针对性的建议和反馈，发现学生的学习弱点，进一步增强学习效果。这种基于学生个性化需求的教育反馈可以促进学生的自主学习和主动探究，提高学生的学习积极性和成就感。

2.3 语言学习与翻译

在语言学习方面，ChatGPT可以根据学生的语言能力和学习需求，生成个性化的语言学习材料，如对话练习、写作练习、听力训练等。可以根据学生的水平和兴趣定制相关材料，使学生更加容易理解和掌握语言知识，提高学习效率。此外，ChatGPT还可以生成语言学习评估工具，通过自动生成的测验来评估学生的语言水平和掌握程度，帮助学生更好地调整学习计划和增强学习效果。

在语言翻译方面，ChatGPT的自然语言生成能力令其在机器翻译领域得到广泛应用，可通过生成翻译模板帮助翻译人员更快速准确地完成翻译工作。此外，ChatGPT还可以被应用于翻译插件的开发，通过集成到电脑、手机等设备中，为用户提供更加便捷的翻译服务，提高翻译的效率和准确性。同时，ChatGPT可以应用于跨语言交流中，为用户提供实时翻译服务，促进跨文化交流。

2.4 团队学习与协作

在团队协作中，ChatGPT可以通过生成任务和指南来促进团队成员之间的学习交流和协作。例如，一个由不同专业背景的学生组成的团队需要完成一个项目，ChatGPT可以生成任务清单，为每个团队成员指定具体任务和截止日期，以确保按时完成任务并且让每个人明确自己的职责和目标。同时，ChatGPT可以生成一份任务指南，提供任务相关的学习资源和讨论问题，促进团队成员在完成任务的过程中更好地学习和交流。此外，ChatGPT还可以分析每个团队成员的学习和讨论情况，以提供更准确的学习反馈和改进建议。例如，ChatGPT可以通过分析每个成员的参与度、提出的问题和贡献等，提出改进学习和交流方式的建议。

使用ChatGPT，团队成员可以更好地理解自己的任务和职责，同时也能够在完成任务的过程中加强交流和学习，提高团队协作能力。这种社交学习和协作环境的优势在于可以为学生提供一个学习和互动的平台，而ChatGPT则可以提供个性化的任务和资源，以满足不同团队成员的需求，促进学生的学习和交流。

2.5 学术研究与创新

在学术研究和创新领域，ChatGPT可以帮助研究人员生成文献综述、实验报告和新型科技。例如，在撰写文献综述时，ChatGPT可以根据相关领域的关键词和主题，自动生成一份包含关键信息和参考文献的文献综述，节省研究人员的时间和精力。在实验报告方面，ChatGPT可以根据实验数据和结论自动生成报告。例如，研究人员在做实验之前需要收集和处理大量的数据，并编写实验报告来记录和总结实验结果。使用ChatGPT生成实验报告可以大大减轻研究人员的工作负担，同时确保报告的准确性和完整性。ChatGPT可以根据实验数据和结论自动生成报告，包括实验设计、实验结果和实验结论等，同时也可以添加必要的图表来说明实验结果。这可以节省研究人员的时间和精力，让他们更多地关注实验设计和数据处理等核心问题。此外，ChatGPT还可以应用于创新研究领域，如通过生成新型科技的描述和演示，促进科学研究，推动科技创新和应用［14］。

2.6 课程评价与质量控制

在高等教育中，课程评价和质量控制至关重要。ChatGPT可以通过生成智能评价系统来提高课程评价的客观性和准确性。具体而言，ChatGPT可以深入分析学生的学习情况，根据学生的学习行为、反馈和测试结果等数据生成详细的评估报告。这些评估报告可以反映学生在学习过程中的表现，包括知识掌握程度、学习进度、学习方法、学习态度等。同时，ChatGPT可以分析学生与教师的互动情况，从而为教师提供更多改进教学策略和增强教学效果的建议。

此外，ChatGPT还可以通过分析学生的学习情况和课程质量，帮助学校和教师进行质量控制。通过生成课程质量评估报告，学校和教师可以了解课程的优缺点，并根据报告中的建议进行改进。这有助于提高学校的管理水平和教师的教学水平，增强课程的竞争力和吸引力。因此，ChatGPT可以作为一种有效的工具来支持课程评价和质量控制，提高高等教育教学质量。

3 应用障碍及其规避策略

作为一种新型且处于持续开放状态的自然语言处理技术，ChatGPT在高等教育协作学习中的应用必将面临一系列问题，未来研究者和教育管理者应对这些障碍给予足够的关注和警惕。

3.1 文本生成的准确性

在使用ChatGPT进行文本生成时，一个重要的应用障碍是生成文本的不准确性，ChatGPT和其他生成式人工智能系统一样可能存在偏见，甚至会导致不正确的信息流通，从而引发严重的道德风险［15］。GPT系列AI的数据源包含维基百科、书籍、期刊、Reddit链接（社交媒体网站）、Common Crawl（网页数据爬取）等［16］，如此庞杂的数据集中可能存在有缺陷的数据，并可能使ChatGPT在某些情况下产生语法错误、上下文衔接不当、逻辑错误等。例如，在协作学习中，ChatGPT可能生成不准确的任务描述，导致团队成員之间产生误解。此外，在生成学习资源和讨论问题时，ChatGPT可能忽略某些重要内容或提供不恰当的建议，影响学生的学习效果和学术成果。在学术研究和创新领域，ChatGPT可能生成不准确的文献综述或实验报告，影响研究人员的创新成果和学术声誉。

需要采取有效策略克服ChatGPT文本生成不准确这一应用障碍。例如，加强ChatGPT的算法优化和提高训练数据的质量，以提高其生成文本的准确性。同时，结合人工智能和人类专业知识，通过检查和修正ChatGPT生成的文本，提高其文本生成的准确性和适用性。此外，还可以采用其他自然语言生成技术，或结合其他人工智能技术，弥补ChatGPT文本生成的不足。

3.2 对话质量的稳定性

在高等教育协作学习中，受多种因素的影响，ChatGPT的对话质量可能不稳定，进而导致对话效果不佳、无法满足需求等问题。具体表现为：一是受上下文的影响。ChatGPT在生成回答时，通常需要考虑前面的对话内容，即上下文。但是，如果上下文中出现了一些不符合常理的信息，如错误信息或者无意义的信息，ChatGPT就可能生成不准确或不合适的回答，降低对话质量。二是受数据量不足的影响。ChatGPT的训练需要大量的数据支持，数据不足可能导致ChatGPT生成的回答不够准确全面，从而影响对话质量和稳定性。三是受对话场景转化的影响。不同的对话场景可能需要不同的对话模型的支持，使用错误的模型或者模型参数不合适可能导致对话质量不稳定［17］。

为更好地规避上述应用障碍，一方面需要进一步提高训练数据质量，目前ChatGPT的训练数据主要来自互联网，其中包括大量的垃圾文本、语言错误和低质量的对话数据。未来需要采用高质量的对话数据进行训练，包括从高质量的文本语料库、人工编辑的对话数据集和专家训练的数据集中获取数据。另一方面，需要引进人类监督和干预，如筛选和评估生成结果，同时引入人类编辑和干预机制，以及让专业领域的专家参与模型训练和优化［18］。

3.3 用户隐私等伦理问题

由于ChatGPT是通过学习大量文本数据来生成对话的，因此数据来源的质量和数据使用的透明度是影响用户隐私和数据保护的主要因素之一。在现实中，ChatGPT的数据来源可能包括教材、学术论文、教学课件等，这些数据都涉及个人隐私和知识产权［19］。如果没有得到明确授权和采取充分保护措施，将引发大量隐私和法律风险。例如，在高等教育协作学习中，通常会有多个用户参与同一场景的对话，因此ChatGPT模型所生成的对话数据可能被多个用户共享和转移。如果不能充分保障数据安全，有可能导致用户隐私泄露和数据滥用。此外，社交媒体、网页数据等由社会公众编写的权威性较低的内容未经筛选过滤，其中很可能包含虚假和反伦理的信息，“当数据集本身呈现出偏见时，由此衍生出的结果一定存在某种偏见”［20］。

规避上述障碍的策略主要有：完善隐私政策和使用目的，在协作学习中，教育者应明确告知学生ChatGPT的使用目的和如何保护用户隐私，并获得学生的明确同意。削减个人敏感数据的收集，避免获取不必要的个人信息，如姓名、住址、身份证号码等。采用匿名化和伪装技术，如使用匿名账户等。同时，在使用ChatGPT时可以采用伪装技术，如将教育者的语言和风格与ChatGPT混合使用，以保护学生隐私。

3.4 用户接受度和使用意愿

ChatGPT作为一种新型技术，存在一定的技术门槛，需要用户具备一定的技术素养和语言能力。此外，一些用户可能对ChatGPT技术存在误解，如误认为ChatGPT会替代人工等，导致用户对该技术的使用意愿降低。由于ChatGPT技术复杂晦涩，一些用户可能难以理解其工作原理和使用方法，导致他们对该技术的接受度降低。并且由于ChatGPT是基于大规模语料库的机器学习算法进行训练的，对话质量可能受到数据质量和多样性等因素的影响，导致生成的回复不稳定，从而降低用户的接受度和使用意愿。因此，在推广应用ChatGPT时，需要考虑用户的接受度和使用意愿，并提供必要的培训和支持。

为规避上述障碍，未来可以通过改进ChatGPT的算法和增加语料库的方式提高对话质量。此外，还可以加入情感识别和情感回应等人性化设计，使ChatGPT更加适应用户需求。同时，加强用户教育与培训，可以增进用户对ChatGPT的了解，以提高用户的使用意愿。未来可以通过开展线上和线下的培训活动、制作教育视频和文献等方式来提高用户的使用水平，让用户更好地了解ChatGPT的应用价值和应用方法。

3.5 应用场景和需求匹配

应用场景和需求的匹配程度可能影响ChatGPT的应用效果［21］。在高等教育协作学习中，不同的任务和场景需要不同类型的文本生成，如文献综述、实验报告、任务指南等。ChatGPT生成的文本要与具体任务和场景相匹配，否则可能影响其应用效果。例如，用户在需要进行大规模团队协作时，ChatGPT作为一个基于对话的工具可能并不是最合适的选择，导致用户使用意愿降低。又如，用户在使用ChatGPT时，需要花费大量时间和精力来学习其使用方法和操作技巧，而这些学习成本可能超出了用户的承受范围，导致用户不愿意使用。

为扫清这些应用障碍，需要开展用户调研和收集用户反馈，深入了解用户的需求和期望，从而针对性地进行功能和应用场景开发。持续进行技术创新和升级，不断提高ChatGPT的技术能力，满足用户不断变化的需求。需要建立灵活的系统，满足多样化需求，同时进行配置和定制化，让用户根据自身需求调整应用的设置。

4 结语

以ChatGPT为代表的生成式AI的崛起是人工智能领域的一次重大变革，也可能是由专用性人工智能转向通用性人工智能的关键转折点。这次重大变革不仅让人们的生活变得更加便利和丰富，还通过改变生产模式和创新方式提升了社会生产力。在这个过程中，风险和机遇并存。在这样的情况下，国内教育界应秉承实事求是的態度，在充分分析现实的基础上制定有针对性的策略，兼顾好发展与规范。

首先，国内科技界应当结合中文话语特点，尽快研究和改进本土化GPT程序算法，以提升其中文生成语言的准确性和自然度，增强其在教育领域的本土适用性和实用性。

其次，应建立一套完善的数据管理和安全保障体制机制，确保用户信息安全和知识的保密性，避免出现信息泄露和滥用的情况。

最后，要重视ChatGPT应用在教育过程中的人机交互和协同学习机制，为学生提供更加个性化和更具适应性的学习环境和支持，增强学生的学习效果。

ChatGPT作为一个新兴的研究议题，未来有诸多问题值得进一步研究。比如，如何开发更多的ChatGPT应用场景，为人们提供更加便利和高效的服务？如何通过改进算法和技术，使ChatGPT更具协作性、人性化和适用性？总之，应以更加开放的态度面对人工智能，努力转变传统教育模式，积极推动教育与技术的深层次融合，让学生更好地适应智能时代的发展需要才是根本。

参考文献：

［1］ 范迪斯，博伦，朱德马，等. ChatGPT：研究的五个优先事项［J］.自然，2023（9）：224-226.

［2］ 阿尔沙特.探索人工智能在提升学术成绩中的作用： ChatGPT的案例研究［EB/OL］. Papers，https：//papers.ssrn.com/sol3/papers.cfm？abstract_id=4312358，2023-03-03.

［3］ 克莱因.纽约市禁止学校使用ChatGPT.其他地区是否应该效仿？［EB/OL］. Edweek，https：//www.edweek.org/technology/new-york-city-blocks-chatgpt-at-schools-should-other-districts-follow/2023/01，2023-03-03.

［4］ 乔姆斯基.关于ChatGPT的观点：这基本上是高科技抄袭和逃避学习的一种方式［EB/OL］. openculture，https：//

www.openculture.com/2023/02/noam-chomsky-on-chatgpt.html，2023-02-10.

［5］ 焦建利. ChatGPT：學校教育的朋友还是敌人？［J］.现代教育技术，2023（4）：5-15.

［6］ 赵建华，李克东.协作学习及其协作学习模式［J］.中国电化教育，2000（10）：5-6.

［7］ 王天恩. ChatGPT的特性、教育意义及其问题应对［J］.思想理论教育，2023（4）：19-25.

［8］ 吴砥，李环，陈旭.人工智能通用大模型教育应用影响探析［J］.开放教育研究，2023（2）：19-25，43.

［9］ 帕特尔，兰姆. ChatGPT：电子病历摘要的未来？［J］.《柳叶刀》数字医疗，2023（3）：107-118.

［10］ 陈永伟.超越ChatGPT：生成式AI的机遇、风险与挑战［J］.山东大学学报（哲学社会科学版），2023（3）：127-143.

［11］ 王春蕾.协作学习策略初探［J］.中国电化教育，2002（8）：21-24.

［12］ 鲁斯.不要禁止学校使用ChatGPT，用它来教学［EB/OL］.纽约时报，https：//www.nytimes.com/2023/01/12/technology/

chatgpt-schools-teachers.html，2023-01-12.

［13］ 卢宇，余京蕾，陈鹏鹤，等.生成式人工智能的教育应用与展望：以ChatGPT系统为例［J］.中国远程教育，2023（4）：24-31，51.

［14］ 赵精武，王鑫，李大伟，等. ChatGPT：挑战、发展与治理［J］.北京航空航天大学学报（社会科学版），2023（2）：188-192.

［15］ 卡迪尔. ChatGPT时代的工程教育：生成式人工智能在教育中的潜力与困境［EB/OL］. Researchgate，https：//www.researchgate.net/publication/366712815_Engineering_Education_in_the_Era_of_ChatGPT_Promise_and_Pitfalls_of_Generative_AI_for_Education，2023-03-03.

［16］ 汤普森.我的AI中有什么？对用于训练GPT-1、GPT-2、GPT-3、GPT-NeoX-20B、Megatron-11B、MT-NLG和Gopher的数据集的综合分析［EB/OL］. LifeArchitect，https：//LifeArchitect.ai/whats-in-my-ai，2023-03-05.

［17］ 张震宇，洪化清. ChatGPT支持的外语教学：赋能、问题与策略［J］.外语界，2023（2）：38-44.

［18］ 冯雨奂. ChatGPT在教育领域的应用价值、潜在伦理风险与治理路径［J］.思想理论教育，2023（4）：26-32.

［19］ 王佑镁，王旦，梁炜怡，等. ChatGPT教育应用的伦理风险与规避进路［J］.开放教育研究，2023（2）：26-35.

［20］ 贾诗威，闫慧.算法偏见概念、哲理基础与后果的系统回顾［J］.中国图书馆学报，2022（6）：62.

［21］ 蓝江.生成式人工智能与人文社会科学的历史使命：从ChatGPT智能革命谈起［J］.思想理论教育，2023（4）：12-18.

作者简介：刘晓峰（1981—），男，山东济宁人，博士，副教授，研究方向：社会治理现代化、技术治理。

介心如（2000—），女，河南鹤壁人，硕士在读，研究方

向：技术治理。

基金项目：本论文为2019年度南京邮电大学教学改革研究项目“信息文科生学术拔尖人才培养模式研究”成果，项目编号：JG02419JX46