生成式教学智能体的创建策略、角色与应用

【摘 要】早期教学智能体和生成式人工智能的教学应用存在一些局限，基于此，文章提出了生成式教学智能体是生成式人工智能用于教育的可普及形态，同时阐释了生成式教学智能体的创建策略、角色、应用以及展望。

【关键词】教学智能体；生成式人工智能；生成式教学智能体

【中图分类号】G434 【文献标志码】A

【论文编号】1671-7384（2024）010-008-03

早期教学智能体的局限

教学智能体（Pedagogical Agent，简称PA）又被称为“教学代理”，是智能辅导系统（Intelligent Tutoring System，简称ITS）的关键组成部分。教学智能体是人工智能技术应用于教育的重要研究方向。其被开发设定为拟人角色（模拟教师、学伴等）来增加ITS的社交属性，以增强学习互动和参与感，提升学生学习动机，并提供个性化的教学和辅导。PA背后的ITS，从本质上讲是基于规则和知识库的专家系统，是依赖于预制的学科知识和教学策略为学生提供指导和反馈，具有准确性高的优势。但是把学科知识和教学策略以人工编程方式教会计算机使其具备教学智能，则非常复杂和耗时。因此，ITS难以快速更新以反映最新知识和教学策略，导致PA扩展性和适应性被限制，这影响了PA的广泛应用。

教学生成式人工智能的探索

当前，ChatGPT正被当作通用型教学智能体，成为学习者的私人导师和教师的教学助理。不过在实际的教学运用中，ChatGPT等生成式人工智能并没有展现良好的表现。突出的缺点是回答学生问题时，有时候给出的解释是错的，这会带偏学生；有时候给出的分析长篇大论，增加了学生的认知负荷；还有就是会直接给出答案，这会助长抄袭行为。

研究人员发现，生成式人工智能直接用于教学实践表现不佳的原因，在于其背后的大模型并不是专门为教育教学而开发[1]。因此，需要把大模型针对教学进行调整和优化，使得生成式人工智能像优秀的人类教师那样与学生互动。提示工程是优化大模型最简单、最常用的方法。它所需要的只是教师用自然语言写出一套关于良好教学行为的说明作为提示词，然后生成式人工智能就会依据提示要求产生相应的教学行为和内容。然而，这种方法效果有限，未从根本上纠正大模型的上述问题。微调是优化大模型的第二种方法。它是让大模型进行额外训练，即通过从补充的教学数据中学习来获取教学相关知识，理解有效的教学行为和策略，让其从底层拥有了教学相关知识和技能，使其能以更符合教学规律的行为与学生互动。然而高质量教学数据集和有效评估标准的缺乏，导致微调教育大模型并非完美。不过探索并未停止，一些教师找到了第三种方法让生成式人工智能服务于课堂。

生成式教学智能体的实现

现在大多数生成式人工智能平台都支持用户以零代码或低代码的方式创建特定功能的智能体（AI Agent）。教师们发现，利用这种方式创建的智能体也可用来支持自己的教学。这是一种新型的教学智能体，由于其基于生成式人工智能创建，为了区别于传统的教学智能体，这里命名为：生成式教学智能体（Generative Pedagogical Agent，简称GPA）。

GPA是使用预设的指令和教学材料来引导GPT-4等生成式人工智能大模型，实现在特定学科支持学生学习。这里用到了检索增强生成技术（RAG），这是优化大模型应用于教育的第三种方法。RAG通过提示词和知识库内容结合来增强生成式人工智能以展现更好的教学行为和内容输出。这里的提示词就是预设的指令，它是对智能体教学行为的明确指示。这里的知识库就是教师提供的教学材料，它是让智能体更明确教学的内容。二者结合再利用大模型强大的理解和泛化能力，就能提升智能体的教学能力。具体实现过程就是，当学生提出问题后，智能体会把预设的指令与学生问题组合成新指令，再用新指令在知识库中检索出相关内容，然后把新指令与检索到的内容构建成上下文丰富、结构规范的提示词提交给大模型执行，这样GPA就能更好地完成教学任务了。可见，GPA实际上是整合了传统教学智能体和生成式人工智能的优势，即通过预设和生成来确保教学的准确性和适应性。不过要做到这些，还需要一些方法和技巧。

生成式教学智能体的创建策略

创建GPA时，需要一些策略来简化复杂的操作，让普通教师能快速上手。我们建议做到以下三个关键策略。（1）任务策略：尽量不要把GPA设计为多任务或多用途，其任务和用途相对单一点更好。这样教师在提示词中把执行的方法指令描述得更清晰，智能体的响应速度更快，完成质量也更高，另外任务越多可能需要更多的知识库文档来支持。研究人员建议，如果有多主题内容或复杂任务需要解决，可设计多个智能体来协同完成[2]。（2）提示词策略：尽量用示例对提示词进行补充说明，让智能体正确理解做什么、怎么做、何时做以及不能做什么等。虽然现在的大模型都针对教育应用进行了微调，但当提示词难以准确描述教师教学行为或隐性教学经验时，示例（特别是呈现推理过程的示例）能大幅提升大模型的理解能力。已经有大量研究证明，在提示词中提供示例可显著提高大模型输出的性能[3][4]。（3）知识库策略：尽量以提升RAG检索性能来设计知识库文档，这样才能使文档中的内容都能被完整地检索并能准确地回答学生的问题。技术研究发现，结构化文档和问题清单能有效提升RAG的检索效率[5]。因此我们建议首先把教学材料以markdown格式形成结构化清晰的Word文档；其次把收集的学生问题、教师要求学生掌握的问题和大模型生成的能基于教学材料回答的问题合并成问题清单，并配上答案作为知识库文档之一，以此把学情数据和教学材料进行融合来提升RAG的性能。

以上策略，是进一步为GPA设定“护栏”，让其在特定学科教学中发挥稳定的作用。值得一提的是，一些专用的GPA创建平台（国外的SchoolAI和国内的晓羊智能体）设置了更好的“护栏”来支持安全教学，如平台上没有与学习无关智能体的干扰，教师能查看学生与智能体的对话数据等。

生成式教学智能体的角色

最新的研究发现，在提示词中让大模型扮演角色能提高其推理能力和内容输出的质量[5]。创建GPA时可通过下面的方法来赋予其角色以提升其性能。

（1）主题角色。这是为创建某个教学主题GPA而赋予的角色，如说明文写作导师、单词教练、化学方程式配平向导等；也可为一个学科概念，为一篇阅读材料，为一个历史事件等创建一个GPA。在实践中，最常见的是教师基于一个单元或一节课的内容，创建GPA导师。教师只需在预设提示词中说明教学要求（教学步骤、教学方法等），并上传相应的教学材料，就能轻松创建这类GPA。这类GPA通常可通过全流程教学来支持学生的自主学习，不仅可用来回答学生的问题，还可通过向学生询问有关该主题的问题来帮助学生学习。

（2）功能角色。如果不是将GPA用于全流程教学，而只是在教学某个环节用GPA作为教师的教学助手，那么可为此创建实现特定教学功能的GPA，如化学键答疑助教（专门回答学生各种关于化学键的问题）、三角函数习题生成器（根据学生要求生成题目供学生练习并给出批改反馈）、洋流习题讲评助手（就“洋流”这节课的作业对学生进行个别讲评）等。这类GPA的用途是为教师主导的教学做辅助。这样教师在创建时就会比主题角色的GPA更简单。如习题讲评助手的创建，教师只需要在预设提示词中说明讲评规则，再上传需要讲评的习题和答案即可。

（3）人物角色。这是为教学内容相关的人物创建GPA角色。我们可让GPA扮演真实人物，如某个科学家、作家、历史人物，也可让GPA扮演文学作品中塑造的人物角色，如莎士比亚笔下的威尼斯商人夏洛克，甚至可让GPA扮演原子、细胞等拟人角色。这类GPA是以创设情境的方式来支持学生进行沉浸式拓展学习，主要是向学生提供丰富的材料并进行恰当的解释。创建这类GPA或许更简单。首先，不需要在预设提示词中说明复杂的教学规则，仅需要对输出的内容正确性、难易度和长度等提出要求以适合学生的层次。其次，GPA背后生成式人工智能大模型本身就能回答大多数问题，所以对知识库材料的要求不高，仅准备大模型不熟悉的内容即可，建议提供相关教材内容以帮助GPA理解学生需掌握的知识层次。

生成式教学智能体的应用

（1）翻转课堂。翻转课堂是学生在家中通过课程材料（视频或其他数字资源）学习新知识，然后在课堂上通过协作活动、讨论或解决问题的练习来应用他们学到的知识。在这个过程中，即便是教师精心准备的课程材料可能也无法避免“一刀切”的窘境。基于主题内容创建的GPA可作为AI导师来支持学生更有效地在家学习，确保他们来上课时准备得更充分，并能更好地投入实践活动或讨论中。另外，在学生人数较多的课堂，教师也可创建GPA作为答疑助手来回答学生个性化的问题，还可把习题生成器GPA分发给每位学生使用，以支持自适应练习和反馈。

（2）同伴教学。同伴教学是利用学生之间的讨论和交流，促进他们IIF7+ff1rs0lpa0K+cvYA1Kf1cgCgCVpjyZNaSBsVzc=对概念的理解和应用，提高他们的课堂参与度和学习效果。在这个过程中，有很多因素可能导致无法形成有效的讨论和交流，如口头表达能力、性格、认知差距等。教师可创建GPA担任“同伴”角色，分发给配对效果不好的学生，让AI同伴与其开展适应性的互动。另外，学生扮演教师去教会别人是同伴教学中常见的活动，但是如果“学习者”无法识别“教师”的错误，这可能形成知识传播不准确的风险。教师可创建GPA担任“学习者”角色来促进这一活动的有效实施，避免类似情况发生。

（3）POGIL模式。POGIL是Process Oriented Guided Inquiry Learning的缩写，意为面向过程的指导型探究学习，就是教师提供指导性的学习材料支持学生在合作中由浅入深地递进完成探究问题。这个过程中，需要学生扮演不同的合作学习角色，教师则在教室里四处走动，根据需要提供指导和支持。如果学生小组合作有缺陷，教师可创建GPA扮演小组中相应的角色来协助合作学习的开展；教师忙不过来，也可创建GPA扮演团队教练来对小组进行指导。

（4）5E模式。5E与POGIL类似，本质上都是基于建构主义学习理论的支架式教学，是通过Engage（吸引）、Explore（探究）、Explain（解释）、Elaborate（迁移）和Evaluate（评价）五种活动来支持学生的探究式学习。教师可为每个小组创建GPA来担任流程教练，以增强对各个小组活动的指导，包括在每个活动起始提供任务问题，在过程中对小组共同的问题进行协助，并通过接收小组活动成果做出评价和反馈来适应性地引导后续活动的开展。

教学智能体的未来展望

早期PA就曾以2D或3D的拟人形象出现，但终究因技术实现复杂和互动效果有限而没有广泛应用。现在利用生成式人工智能可实现真人形象的数字分身——数字人，同时GPT4o能通过摄像头观察现实世界并与人类互动。如果把这些先进技术与GPA结合，或许将是GPA的未来形态——数字人教学智能体。可以预见，当模拟教师真人形态的数字人具备基于视觉来与学生沟通时，教育将真正迎来革命性的变化。

注：本文系重庆市教育科学规划课题“生成式人工智能赋能中学生深度学习的教学模式构建和实践研究”（课题编号：K24ZG1140078）、“教学智能体赋能中学数学教学的实践研究”（课题编号：K24ZG1140142）、“生成式人工智能赋能中学物理跨学科主题学习的实践研究”（课题编号：K24ZG1140117）、“生成式人工智能促进农村中学教师专业发展的策略研究”（课题编号：K23ZX1140007）研究成果

参考文献

Irina Jurenka，et al.Towards Responsible Development of Generative AI for Education： An Evaluation-Driven Approach[EB/OL].（2024-07-19）[2024-09-03].https：//arxiv.org/abs/2407.12687v2.

[3] Graham Clay.Tutorial：How to Build （Better） Custom GPTs[EB/OL].（2024-05-22）[2024-09-05].https：//automatedteach.com/p/tutorial-how-to-build-custom-gpt-tutor.

Aobo Kong，et al.Better Zero-Shot Reasoning with Role-Play Prompting[EB/OL].（2024-03-14）[2024-09-06].https：//arxiv.org/abs/2308.07702v2.

Christian Griset.Why Your RAG Doesn’t Work[EB/OL].（2024-03-5）[2024-09-06].https：//medium.com/@cdg2718/why-your-rag-doesnt-work-9755726dd1e9.