嵌入生成式人工智能的数字教育资源精准服务模式构建

[摘" "要] 数字教育资源精准服务是一种以用户为中心、需求为导向的服务模式。从供需耦合角度分析，当前基础教育数字资源服务还存在资源供需不适配，更新速度与需求变化不同步，服务差异化、个性化程度不足，需求识别与预测能力不佳，以及智能化服务水平有待提升等问题。生成式人工智能凭借其跨模态生成、自适应学习、深度理解与智能交互等强大功能，为数字教育资源服务创新提供了有力的技术支持。基于供需适配、使用与满足和用户体验理论，研究构建了嵌入生成式人工智能技术的数字教育资源精准服务模式，阐释了供需双侧联动的资源服务机制。在此基础上，提出增强资源服务与用户需求“耦合”的路径：基于数据驱动的用户需求识别与预测；通过精准推荐增强资源服务与用户需求的适配度；借助智能交互提升用户参与感和体验感；利用反馈信息实现数字资源的持续进化；以及引入智能评估改进资源服务的质量，以此促进数字教育资源服务向精准化、个性化和智能化方向发展，更好地满足基础教育数字化转型的实践诉求。

[关键词] 教育数字化； 生成式人工智能； 数字教育资源； 精准服务； 供需耦合

[中图分类号] G434" " " " " " [文献标志码] A

[作者简介] 杨文正（1979—），男，云南大理人。副教授，博士，主要从事智能技术教育应用研究。E-mail：yang121@yeah.net。

一、问题的提出

党的二十大报告提出了“推进教育数字化，建设全民终身学习的学习型社会、学习型大国[1]”的愿景。中共中央、国务院印发的《数字中国建设整体布局规划》强调“大力实施国家教育数字化战略行动，完善国家智慧教育平台[2]”。数字教育资源作为教育数字化的核心构成，既是智能时代全民终身学习服务的关键支撑，也是国家教育数字化战略行动纵深推进的基石。《中国教育现代化2035》明确指出“创新教育服务业态，建立数字教育资源共建共享机制”[3]的发展路径。国务院印发的《“十四五”数字经济发展规划》也对“持续提升公共服务数字化水平”[4]提出了明确要求。数字教育资源精准服务已然成为我国基础教育数字化转型的迫切需求。

数字教育资源精准服务旨在通过深入把握学习者的认知规律、需求特点及动态行为特征，精确识别其个性化学习需求，为其提供定制化资源与支持服务，并对服务过程进行动态评估以持续优化服务质量。从供需耦合角度分析，当前基础教育数字资源服务还存在供需不适配、资源更新滞后、需求识别与预测不足、个性化和智能化服务水平有待提升等问题。罗江华等人认为，当前数字教育资源服务缺乏精准反馈资源提供者与使用者之间供需适配关系的机制，资源迭代更新不能及时适应用户需求的动态变化[5]。陈明选等人认为，目前数字资源平台设计与运行中缺乏用户思维，用户需求追踪与反馈服务缺失，导致资源需求方处于被动接收状态[6]。顾小清等人和王娟等人通过调研发现，国家中小学智慧教育平台个性化资源不够丰富，缺乏典型应用场景，难以满足各区域各类学校的差异化需求，满足学生个性化诉求的能力有待加强等问题[7-8]。此外，智能技术在用户个性化学习、资源组织管理等方面的应用潜力还未得到充分发挥，智能化服务水平不高也是当前数字资源服务面临的实践难题[9]。

生成式人工智能（GAI）为数字教育资源服务的转型升级提供了新的思路和技术支撑。本研究基于供需耦合的相关理论进行分析，借助GAI强大的功能，以“用户需求、技术赋能、数据驱动、主动服务、持续改进”的思路构建了嵌入GAI的数字教育资源精准服务模式，对供需双侧联动的机制进行了阐释，从数据驱动、精准推荐、智能交互、资源进化和智能评估方面，提出GAI支持下的数字教育资源服务耦合路径，从而促进数字教育资源服务向精准化、个性化和智能化发展，为提升基础教育数字资源服务水平提供借鉴。

二、供需耦合视角下数字教育资源服务的理论分析

（一）供需适配理论

供需适配理论最先由斯蒂芬·德沃鲁（Stephen Devereux）和沙琳·库克（Sarah Cook）在探讨“社会政策是否满足了社会需求”议题中提出。鉴于社会需求和政策供给的差距可能呈现多种形态，他们提出一个包括相关性、可及性、质量性和相适性的供需适配性评价框架[10]。基础教育数字资源服务属于社会公共服务的范畴，同样存在因供给侧结构性问题而导致供需不匹配或服务失效的现象，将此框架应用于数字资源供给与需求问题的分析具有一定的适切性：（1）相关性。强调服务需与用户需求保持平衡，考虑服务是否能深入理解或主动适应用户需求，以及反馈渠道的畅通性；（2）可及性。关注用户获取资源或服务的门槛和条件，分析使用数字资源的限制因素；（3）质量性。评估数字资源是否达标，包括内容和形式的科学性、准确性、规范性和创新性，以及平台提供的使用支持和学习分析服务的丰富性和多样性；（4）相适性。强调服务供给须考虑用户特点和约束，根据不同需求提供针对性的资源或服务。

（二）使用与满足理论

使用与满足理论的核心观点在于：受众是积极主动的，根据个人的需求和意愿来选择和使用媒介；强调受众在媒介使用过程中的能动性和主导地位；受众需求及其选择的能动性对媒介传播效果具有制约作用；受众使用媒介的原因是基于某种特定的需求，并使其自身需求能够得到满足的过程[11]。这些观点对于分析用户使用数字资源过程同样重要，通过洞察用户使用数字资源行为背后的需求和动因，供给者可以为其提供更具有针对性和适切性的资源服务。利用使用与满足理论可以解释用户使用数字资源的多种动机，主要包括认知满足、技术满足和社会互动满足。认知满足指的是用户在使用资源过程中获取信息或工具所带来的价值，是利用资源后所获得的认知成果；技术满足主要关注用户在使用资源或技术服务时所感受到的易用性和可控性，这直接体现了服务的便捷性和可操作性；社会互动满足则体现在用户在使用资源时与其他用户建立并维持交互，这种满足能够促使用户在共同信息需求基础上形成价值共识，增强用户对服务平台的归属感。

（三）用户体验理论

用户体验是一个涵盖易用性、可靠性、可定制性、可理解性、安全性和效率的多维概念，共同塑造用户对服务的整体评价，强调用户体验的主观性、动态性[12]。用户体验是一个持续改进的过程，需要根据用户反馈或需求变化对其进行优化，注重为用户提供个性化服务，可为改进数字资源服务质量提供新视角[13]。有学者将用户体验理论延伸至公共服务领域，提出“公共服务体验”概念，其具体划分为感官、效用、关系、情感和认知五个维度，认为公共服务精准化是公共服务供给创新的发展趋势[14]。基础教育数字资源服务是我国公共服务的组成部分，需从多方面提升用户体验：一是优化服务平台的美学设计，丰富用户的感官体验；二是深化评估资源价值与服务满意度，提升效用体验；三是强化用户交互，促进用户间联结，以增进关系体验；四是运用情感识别技术，精准响应用户需求，提供适时的服务支持；五是关注用户在使用资源后教学效率的提升和对服务的认知变化，增强认知体验。

三、嵌入GAI的数字教育资源精准服务模式构建

中共中央、国务院办公厅联合印发的《关于构建优质均衡的基本公共教育服务体系的意见》指出“加强国家中小学智慧教育平台建设，着力提供系列化、精品化的教育教学资源，创新数字资源呈现形式，整体提升公共教育服务的效能”[15]。GAI的融入为解决数字资源服务供需问题提供了新路径。将GAI嵌入数字资源服务全流程的各个环节，对用户的资源和服务需求进行全面、实时、动态分析，为其提供更加精准、个性的需求响应，有助于满足供需双方的精准匹配。

（一）GAI的主要技术功能

GAI是一种利用复杂的算法、模型和规则，从大规模数据集中学习并创造新内容的人工智能技术[16]。基于GANs、VAEs和Transformer架构等生成模型和深度学习技术，它能够生成文本、图片、声音、视频等多种类型的内容，其核心优势在于能够生成与真实数据高度相似的“创造性”内容[17]。得益于亿万级数据训练和模型支持，GAI具备了强大的跨模态生成能力、深度理解能力、自适应学习能力和智能交互能力。

1. 跨模态内容生成

是指生成式模型接受一种模态信息，产出另一种模态信息内容，如文生图、图生文、文本生成视频等，还可以结合文本、图片、语音等输入，产生组合性输出。GAI的跨模态内容生成能力，不仅限于对已有数据的简单复制或重组，更能“创造”出与原始数据有所不同的全新内容，由此产生数字资源“人机共创”的新方式，这极大丰富了数字教育资源的多样性。

2. 深度理解能力

与传统基于规则的方法相比，GAI能够深度理解输入数据的内容、上下文意图和结构，并在此基础上进行逻辑推理，进而生成更为准确、自然的新内容[18]。基于深度学习模型，GAI能够识别出数据中的复杂模式和规律，在理解数据的潜在结构后，根据用户的需求生成相应的信息。自注意力（Self-attention）机制的引用，不仅延长了GAI注意用户输入文本的上下文长度，也增强了GAI理解的广度和深度，使GAI能更加准确地解析用户需求。

3. 自适应能力

GAI能够根据新数据和人类反馈行为进行持续学习和自我优化，不断提升生成内容的准确性和质量[19]。通过增量学习、迁移学习和混合专家模型等架构，GAI具备从大量数据中自我学习的能力，并将在一个任务中学到的知识迁移到其他相关任务中，以提升对不同任务或新环境下的适应性。这种能力意味着GAI可以根据用户的学习进度和实时反馈，自动调整服务策略，满足不断变化的学习需求。

4. 智能交互能力

GAI不仅能理解和执行指令，还可以根据上下文情境、用户语气或词汇选择等分析用户情感状态，实现更加自然和智能的情感交互[20]，以提升人机交互的层次和深度。此外，GAI还支持语音、手势、面部表情等多种模态的交互方式，这种多模态交互可以为用户提供直观和人性化的服务，增强用户使用数字教育资源服务的体验性。

（二）模式构建

基于供需耦合的理论及GAI的主要技术功能分析，本研究以“用户需求、技术赋能、数据驱动、主动服务、持续改进”的思路构建嵌入GAI的数字教育资源精准服务模式，如图1所示。

其内涵主要体现为：

1.数字教育资源服务的核心在于精准满足用户的多元化需求。用户不仅期待资源内容和形式呈现多样性与丰富性，还对资源呈现、交互方式等技术层面有一定的个性化要求。服务提供者应全程关注用户需求变化，不断优化各环节的服务体验，引导用户深入利用资源，以最大化实现资源服务的价值。

2. 技术赋能驱动数字教育资源服务持续创新，积极融入智能技术以提升服务质量和效果。利用自然语言处理（NLP）、语音识别、视频理解等技术，实现用户与学习资源的智能交互，提高学习参与度和沉浸感。优化智能推荐算法，建立知识图谱，根据用户的学习进度和能力水平，为其推荐适合的学习路径和资源组合。利用GAI可以帮助服务平台监测和优化内容，确保资源的时效性和质量，促进资源优化，保持资源活力。

3. 释放数据要素潜能，提升数字教育资源服务决策的精准性。智慧服务平台为数据的采集、融合、分析及服务提供支撑，利用知识图谱等技术进行数据深度融合与分析，以挖掘用户个性化需求。本研究提倡全数据驱动大规模个性化服务模式，一方面通过全面分析用户的显性及隐性需求信息，对用户使用资源的过程进行实时跟踪，将用户反馈作为资源优化或服务调整的主要依据。另一方面，利用全数据支持对特定用户进行全方位描绘，提升用户画像的精细程度，对资源进行智能调适，实现在满足用户个性化需求的同时提高服务效率。

4. 当前主要采取的“请求—响应”式服务模式，服务主动性和智能性明显不足。鉴于用户需求的异质性和复杂性，标准化服务已难以满足其变化，进而影响用户体验和资源利用率。本研究引入需求预测过程，利用智能技术深度挖掘用户的潜在需求。在面对用户需求的不确定性和波动性时，主动预测并提供前瞻性和适应性的资源与服务，以创造个性化的“惊喜”体验，实现人机共情的服务效果。

5. 持续改进是确保数字教育资源服务质量和满足用户需求动态变化的内在要求。为适应教育政策变化和反映学科领域的最新发展，资源内容需要不断更新，以确保时效性和准确性。用户的需求和偏好会随着时间的推移而变化，资源服务需持续收集用户反馈，调整资源内容和服务方式，以提供更多元化、个性化的服务，并且需要不断采纳新技术，优化服务流程，提升服务质量和用户体验。

（三）模式阐释

该模式由数字教育资源服务目标、生成式人工智能赋能和供需双侧联动的资源服务机制三大部分构成。首先，数字教育资源服务的价值诉求体现为数据驱动的精准化、个性化以及智能化服务。GAI在数字资源服务中的应用，为个性化学习体验提升、动态内容生成、智能推荐服务、实时反馈与评估以及数据驱动决策等方面提供强大支持。评价数字资源服务质量，需综合考虑资源质量和服务质量两大核心维度。资源质量聚焦内容及形式的合规性，确保内容准确、完整、创新，兼具科学性、教育性和相关性；形式上体现易用性、标准化且具艺术性。服务质量则既强调应用支持系统具备良好的性能，包括可访问性、响应性、可靠性和互操作性，还体现在用户与资源之间的双向互动程度上，即当用户对资源使用提出建议或需要帮助时，系统能提供及时有效的反馈。同时，系统应提供个性化服务，如资源定制、优质资源推荐等，以适应用户特性、偏好及趋势，提升用户使用体验与满意度。

其次，GAI融合了深度学习、NLP和多模态学习等关键技术，实现了跨模态生成、自适应学习、深度理解与智能交互等功能，由此赋能数字教育资源服务。深度学习技术，为GAI提供了强大的数据特征提取与理解能力。注意力机制的引入以及与其他检测方法的结合，使模型能够聚焦于关键信息，从而生成更精确的输出内容[21]。这对于资源内容创建和互动式学习体验尤为关键。基于增量学习技术的自适应系统，能够在接收新数据的同时进行持续学习，通过用户反馈机制和高效的模型优化算法，自动调整内部参数和结构，优化学习策略，以适应新的数据分布和用户需求[22]。NLP技术不仅能实现文本理解与词汇聚类分析相结合，还通过深度神经网络处理序列数据，增强了对复杂语义的理解[23]。结合多模态数据，GAI能够构建智能问答系统，准确响应用户查询，并通过情感分析技术评估用户的情感状态[24]，从而提供更有针对性的学习支持。此外，GAI实现了语音与文本的无缝转换，使得系统能够理解并执行用户的语音指令，并提供语音反馈。这种多模态交互方式，不仅提升了用户体验，也增强了交互效率，尤其在实时学习反馈与评估、智能辅导与答疑等方面显示出巨大潜力。

最后，供需双侧联动的资源服务机制，着重强调资源提供者与用户之间的深度互动，以确保资源内容和服务能够及时响应并满足用户需求的动态演变，达到资源服务的“供需耦合”状态。“耦合”强调供给与需求之间的相互适应和动态平衡，核心在于实现供给与需求之间的有效匹配和协调。供给方需深入理解并分析需求方的个性化诉求，提供高质量的资源和服务；而需求方则通过有效的反馈机制，向供给方传达使用体验和需求变化，促进供给方的持续改进和创新。在这一过程中，供需调适是指通过智能评估和主动服务来不断调整资源服务的供需关系；创造需求则是指通过推出具有创新性的资源和服务，来激发用户的新需求；服务创新则意味着不断探索与开发新资源或服务模式，以适应不断变化的用户需求和环境变化。通过“需求牵引供给、供给创造需求”的循环机制，可以实现资源供给方与需求方之间更高水平的动态平衡。供需双侧联动的服务机制不仅关注供给侧的改革，也注重需求侧的拉动与反馈，有效推动数字教育资源服务的持续优化和发展，形成良性循环。

四、GAI支持的数字教育资源服务供需耦合路径

（一）数据驱动：精准识别与预测用户需求

数字教育资源精准服务的前提是对用户需求有准确、深入的理解。为此，服务提供者需通过分析用户行为、偏好和反馈信息，洞察其具体需求。鉴于每位资源用户的背景、偏好各异，同时受到其独特的学习情境和学习风格等因素的影响，加之用户需求的时变性，使得全面捕捉并理解用户的特定需求变得较为困难。有时，用户可能难以清晰地表达自己的实际需求，或者使用含糊的语言进行描述，这可能导致对需求产生误解或歧义。更为复杂的是，有些资源或服务的需求是潜在的，用户自己都有可能没完全意识到。数据驱动的用户需求分析，可以减少过多依赖传统经验判断或直觉假设带来的不确定性，提高用户需求分析的效率和准确性。

为实现用户需求的精准识别与预测，需借助先进的数据分析技术及算法，其中GAI展现出明显的优势：（1）GAI能够处理和融合多模态数据，如文本、图像、音频、视频等，基于此建立用户需求特征综合判别模型，结合用户画像技术，科学全面地对用户需求进行识别与预测[25]；（2）利用GAI高效的数据处理能力，可以构建出更加精细化的用户画像，并且这些画像可以随着数据的持续更新而不断优化，从而更加准确地理解用户需求；（3）采用GANs或VAEs等生成模型，能够模拟用户的行为和偏好，生成合成数据，深化对用户需求的洞察；（4）利用大语言模型（LLM）挖掘和评估用户情感信息，提取用户情感倾向，并辅以情感问答互动，能更精准地理解和反映用户的情感状态[26]；（5）通过人类反馈的强化学习（RLHF）机制，GAI在不断交互中学习最优策略，从而持续优化其预测用户需求的准确性[27]。GAI与用户进行多轮次交互，实时收集用户反馈信息，从而快速迭代用户画像数据并调整预测结果，以更好地适应用户需求的动态演变。

（二）精准推荐：实现资源与用户需求匹配

推荐系统不仅可以帮助用户在海量数字资源中快速筛选出最符合自身需求的资源，还可以根据用户学习进展和表现的变化，动态调整推荐内容，引导用户探索新的学习领域，实现适应性学习。然而，现有推荐系统在算法层面仍面临冷启动、数据稀疏性等挑战，在推荐效果上也存在信息茧房、解释性不足等问题。目前提供推荐服务的资源平台主要依赖用户行为数据和注册信息来分析和判断用户的需求或资源偏好，这种方法具有明显的时间滞后性且数据是静态的，难以满足用户对资源服务的主动性、交互性、即时响应和按需定制等多元诉求。

在GAI的加持下，数字资源推荐服务展现出强大的潜力和效能。首先，GAI能够通过生成模型，模拟新用户的潜在行为和偏好，从而在用户数据稀缺情况下也能完整构建用户画像。GAI可以为新资源生成特征描述，帮助推荐系统理解资源属性，有效缓解冷启动问题[28]。通过模拟用户的行为模式，GAI还能预测用户评价，有效缓解数据稀疏性问题[29]。其次，在解决“信息茧房”等推荐效果问题上，GAI也具备独特优势。利用GAI可以构建动态信息网络，实时跟踪用户偏好和兴趣变化，动态调整推荐内容；GAI能够推荐与用户历史偏好不完全一致的数字资源，如更高质量和更有深度的内容，确保推荐资源的多样性和新颖性；通过与用户互动，GAI还能定期收集用户对推荐内容的反馈，以调整推荐策略。最后，利用GAI还能提供跨模态和探索性推荐服务。结合多种模态资源，为用户提供跨模态推荐，增加用户与资源的多维度互动；通过训练生成式模型来创建不完全基于用户历史偏好的资源，引导学习者探索新的领域知识[30]。GAI通过改进算法、增强交互式学习以及深入理解学习意图等方式，有效克服推荐系统的技术瓶颈，为用户提供更为个性化、多元化和解释性强的推荐服务，实现数字资源与用户需求的精准匹配。

（三）智能交互：增强用户参与感和体验感

智能交互是指运用智能技术，特别是基于RLHF、指令微调和思维链等技术，赋予计算机系统深度理解人类自然语言的能力，从而增强人机交互[31]。目前多数在线学习平台以视频课程为主，向学习者提供服务，这种在线课程设置的交互（如讨论区、留言区等）多与视频内容学习模块相割裂[32]，用户在学习过程中鲜有与资源内容直接发生交互。这种以单向信息传递为主的服务方式，未能给用户提供反馈的途径，使得用户在利用资源学习过程中缺乏即时指导或与他人交流的机会，这可能会让学习者产生孤独或无助感。尽管有些平台尝试提供交互支持，但仍然缺乏能够追踪用户学习进程的智能化交互系统，导致学习过程缺乏有效反馈和适应性调整，从而影响用户的整体满意度。

GAI凭借其在NLP、图像识别和视频理解等方面的功能优势，为增强数字资源服务的交互性提供了更多可能。譬如：OpenAI的GPT-4o显著优化了语音理解的响应速度，平均响应速度为320毫秒，最快可达232毫秒，相比GPT-4的540毫秒的平均延迟，响应速度大幅度缩短[33]，使得人机交互更加流畅，近乎达到人与人“面对面”交流的自然程度；该公司最新推出的ChatGPT Edu专为教育应用开发，能为学生提供基于试题等资源的解答服务，允许用户基于上传的PDF、Word等文档内容进行深度交互，并能同时在文本、视频、音频等多种模态下提供推理服务[34]。在数字资源服务过程中，通过运用GAI实现智能问答和交互式学习，不仅为用户提供实时的反馈机制，还能有效促进用户参与和交流。GAI的多模态信息理解与生成技术能够为增强用户使用资源服务体验赋能，人机智能交互成为创新数字教育资源服务的源泉。

（四）资源进化：持续优化或生成优质资源

数字教育资源进化是资源为满足用户动态、个性化学习需求而持续自我优化与更新的过程，包含内容更新与关联性拓展两方面。前者实现信息的持续完善，表现为版本升级；后者则注重资源间的关联整合，以更好地融入学习资源生态。从资源进化的视角审视，当前数字资源服务平台存在的主要问题是：资源静态化、内容更新滞后，交互性欠缺，限制了用户主动探索和实践空间；资源呈现方式单一，缺乏多元化的形态，多模态数据的深度融合不足等[35]；资源颗粒划分不科学，资源提供者需在信息丰富度与技术效率之间寻求平衡，根据实际需求和技术条件来选择和设计数字资源的颗粒度。

GAI为数字教育资源的持续进化提供了有力支持。首先，GAI能够持续跟踪学习资源的使用状况以及用户的实时反馈，同时监测知识领域的最新发展动态。这种动态更新机制不仅有助于保持数字资源的多样性和新颖性，还能显著提高用户的学习兴趣和动力。其次，充分利用GAI的跨模态数据融合能力，能够有效整合视频、音频、动画、图表、虚拟实验等形式，从而让数字资源变得更加生动和吸引人。通过与虚拟现实（VR）、增强现实（AR）等技术的结合，GAI还能创造出模拟或虚拟的学习环境，为用户提供沉浸式的学习体验[36]。最后，GAI通过深度学习大量现有学习资源的数据分布来生成全新的学习资源。这些新生成的学习资源可以根据用户的个性化需求进行定制，涵盖难度级别、知识点覆盖以及学习风格等多个维度，从而确保资源的适用性和针对性。经过GAI进化后的数字资源能够融入更多的互动元素，如模拟实验、在线讨论、交互式测试以及视频内容交互等，极大地增强了用户的参与感和专注度。

（五）智能评估：形成完善的资源服务闭环

在数字教育资源服务生命周期中，评估贯穿于资源服务的各环节。智能评估，即运用智能技术对特定对象进行深度评估、精准分析和科学决策。数字资源服务的智能化评估面临诸多挑战。首先，数据收集与整合的难题。由于数据来源于不同平台，其形态、结构、标准和格式各异，增加了数据采集与整合的难度。其次，构建智能评估模型具有挑战性。理想的智能化评估模型应能精确反应用户的资源使用情况和认知能力发展变化，适应不同的教育场景和需求，并须具备较强的可解释性，这在算法设计和实现上颇具难度。最后，实时动态反馈和调整是技术难点。对资源服务进行实时动态评估需要高质量、完整的数据输入，并保证数据的持续、准确的流入。有效的数据清洗、校验以及实时处理要求具备强大的算力和优化的数据处理流程。

通过引入GAI，数字教育资源服务评估的自动化、个性化和精准性可以得到显著提升。首先，GAI能够自动地从海量数据中抓取、筛选和整理用户使用数据，并进行清洗、标准化、归一化、特征提取和降维等预处理，确保输入数据的质量和有效性。其次，GAI能基于历史数据与专家知识，自动构建评估模型，这些模型可用于预测用户满意度、评估资源服务质量等方面。GAI还能利用其强大的生成能力为评估模型提供大量模拟数据，以便对模型进行训练和优化[37]。最后，GAI通过实时监测用户与资源交互的过程，能够及时发现并识别出资源使用过程中存在的潜在问题。此外，GAI还能基于当前用户关注的资源特征，在样本量小的情况下，预测未来服务趋势和需求，为资源服务的持续改进提供有力支持[38]。智能评估与精准服务相结合，能够形成一个完善的数字教育资源服务闭环，实现数字资源服务生态化。

五、结 束 语

满足师生教与学需求是数字教育资源服务的核心价值所在，也是推动数字教育资源由被动供给向主动服务转变的关键。而精准服务则是这一转型的重要体现，嵌入GAI的数字教育资源精准服务模式旨在通过技术赋能，实现资源与用户需求之间的高效对接，提升数字教育资源服务的质量。GAI所具备的强大功能，可以增强资源提供方和需求方之间的耦合关联，从而提高数字教育资源服务的精准化、个性化和智能化水平。诚然，智能技术的快速发展，为数字教育资源服务的转型升级提供了强大动力，但当前的GAI的“生成”还具有明显的不可解释性、内容“幻象”、预设性等不足，这与人类“生成”的可解释性、确定性和创造性有着明显区别[39]。随着技术的持续演进和服务理念的不断更新，GAI无疑将为数字教育资源服务创新带来无限的可能性，然而新技术的引入也伴随着不确定性风险，包括数据安全与隐私泄露、算法偏见、知识产权问题，以及用户对人机协同服务的接受度和信任度等挑战。因此在未来，如何使GAI与人类价值观保持一致，遵循人的意图（即实现双向人机价值对齐[40]），如何确保GAI在教育领域使用的合规性，以及挖掘GAI的新功能，拓展数字教育资源服务创新的边界，如提供知识化、场景化服务等，都需要研究者开展持续性的探究。

[参考文献]

[1] 习近平． 高举中国特色社会主义伟大旗帜 为全面建设社会主义现代化国家而团结奋斗：在中国共产党第二十次全国代表大会上的报告[M]． 北京：人民出版社，2022：34．

[2] 新华网. 中共中央 国务院印发《数字中国建设整体布局规划》[EB/OL]. （2023-02-27） [2024-10-18]. http：//www.xinhuanet.com/politics/2023-02/27/c_1129401407.htm.

[3] 中华人民共和国中央人民政府. 中共中央、国务院印发《中国教育现代化2035》[EB/OL]. （2019-02-23） [2024-10-18]. https：//www.gov.cn/zhengce/2019-02/23/content_5367987.htm.

[4] 国务院. 国务院关于印发“十四五”数字经济发展规划的通知[EB/OL].（2022-01-12） [2024-10-18]. https：//www.gov.cn/zhengce/content/2022-01/12/content_5667817.htm.

[5] 罗江华，张玉柳． 基于跨模态理解与重构的适应性数字教育资源：模型构建与实践框架[J]． 现代远程教育研究，2023，35（6）：91-101．

[6] 陈明选，来智玲，蔡慧英． 我国基础教育数字资源及服务：现状、问题与对策[J]． 中国远程教育，2022（6）：11-20，76．

[7] 顾小清，王欣苗，李世瑾． 数字教育资源发展水平如何？——基于国家中小学智慧教育平台资源的证据回应[J]． 远程教育杂志，2024，42（1）：61-73．

[8] 王娟，张雅君，王冲，等． 国家中小学智慧教育平台应用现状调研与路径优化——基于全国30，605名中小学生的样本数据[J]． 电化教育研究，2024，45（6）：50-56，65．

[9] 柯清超，林健，马秀芳，等． 教育新基建时代数字教育资源的建设方向与发展路径[J]． 电化教育研究，2021，42（11）：48-54．

[10] 沙琳． 需要和权利资格：转型期中国社会政策研究的新视角[M]． 北京：中国劳动社会保障出版社，2007.

[11] 刘懿． 使用与满足理论视角下的移动图书馆用户参与影响机理研究[J]． 情报科学，2022，40（4）：56-63．

[12] 郑杨硕，朱奕雯，王昊宸． 用户体验研究的发展现状、研究模型与评价方法[J]． 包装工程，2020，41（6）：43-49．

[13] 赵慧臣，李琳． 智能时代数字化学习资源质量评估研究——基于用户体验的视角[J]． 现代教育技术，2022，32（1）：75-84．

[14] 徐增阳，曾祯． 公共服务体验：我国公共服务高质量发展的新趋势[J]． 行政论坛，2024，30（2）：78-89．

[15]新华社.中共中央办公厅 国务院办公厅印发《关于构建优质均衡的基本公共教育服务体系的意见》[EB/OL]. （2023-06-13） [2024-10-18]. https：//www.gov.cn/gongbao/2023/issue_10546/202306/content_6888957.html.

[16] 刘明，郭烁，吴忠明，等． 生成式人工智能重塑高等教育形态：内容、案例与路径[J]． 电化教育研究，2024，45（6）：57-65．

[17] 徐国庆，蔡金芳，姜蓓佳，等． ChatGPT/生成式人工智能与未来职业教育[J]． 华东师范大学学报（教育科学版），2023，41（7）：64-77．

[18] 刘邦奇，聂小林，王士进，等． 生成式人工智能与未来教育形态重塑：技术框架、能力特征及应用趋势[J]． 电化教育研究，2024，45（1）：13-20．

[19] 黎加厚． 生成式人工智能对课程教材教法的影响[J]． 课程·教材·教法，2024，44（2）：14-21．

[20] 张绒． 生成式人工智能技术对教育领域的影响——关于ChatGPT的专访[J]． 电化教育研究，2023，44（2）：5-14．

[21] GUPTA G， RAJA K， GUPTA M， et al． A comprehensive review of DeepFake detection using advanced machine learning and fusion methods[J]． Electronics，2023，13（1）：95．

[22] 刘强，张颖，周卫祥，等． 自适应类增量学习的物联网入侵检测系统[J]． 计算机工程，2023，49（2）：169-174．

[23] CAI Z Q， HU X G， ANDRASIK F， et al． Integrating deep learning to improve text understanding in conversation-based ITS[J]．International journal of smart technology and learning，2021，2（4）：304．

[24] RUDOLPH J， TAN S， TAN S. ChatGPT： bullshit spewer or the end of traditional assessments in higher education？[J]. Journal of applied learning and teaching， 2023，6（1）：342-363.

[25] 张涛，张思． 教育大数据挖掘的学习者模型设计与计算研究[J]． 电化教育研究，2020，41（9）：61-67．

[26] 陈佳雯，褚乐阳，潘香霖，等． 共享调节中的群体情感感知工具开发与应用——基于大语言模型技术框架[J]． 远程教育杂志，2024，42（3）：79-92．

[27] 刘清堂，曹天生，吴林静，等． ChatGPT类耦合教学代理：需求分析与教学应用[J]． 现代远距离教育，2023（6）：3-11．

[28] 郝乐． AI人机交互用户个性化推荐中隐私信息披露影响因素研究[J]． 情报理论与实践，2024，47（7）：69-80．

[29] 胡斌皓，张建朋，陈鸿昶． 基于生成式对抗网络和正类无标签学习的知识图谱补全算法[J]． 计算机科学，2024，51（1）：310-315．

[30] 李保玉，何丽梅． ChatGPT热潮下大学生学习方式的转变及引导[J]． 现代教育科学，2024（2）：105-112．

[31] 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．

[32] 李彤彤，周彦丽，边雨迎，等． 面向有效交互的在线教育视频课程弹幕智能实时管理机制设计[J]． 电化教育研究，2023，44（1）：61-69．

[33] 郭全中，苏刘润薇． 作为新基础设施的AGI：以GPT-4o等新一代生成式人工智能为例[J]． 新闻爱好者，2024（7）：16-21．

[34] OpenAI. Introducing chatGPT edu[EB/OL]. （2024-05-30） [2024-10-18]. https：//openai.com/index/introducing-chatgpt-edu/.

[35] 赵宏，蒋菲． “互联网+” 时代教育资源建设新模式探析[J]． 电化教育研究，2020，41（7）：48-54．

[36] 冯永刚，张琳． 生成式人工智能时代道德教育的空间向度[J]． 中国电化教育，2024（5）：45-52．

[37] LIN A Q， ZHU L X， MOU W M， et al． Advancing generative AI in medicine：recommendations for standardized evaluation[J]．International journal of surgery，2024（10）：1097．

[38] 吕天根，洪日昌，何军，等． 多模态引导的局部特征选择小样本学习方法[J]． 软件学报，2023，34（5）：2068-2082．

[39] 苗逢春． 生成式人工智能及其教育应用的基本争议和对策[J]． 开放教育研究，2024，30（1）：4-15．

[40] 武法提，杨重阳，李坦． 智慧学习环境中的人机协同设计[J]． 电化教育研究，2024，45（2）：84-90．

Construction of Precision Service Mode of Digital Educational Resources

Embedded with Generative Artificial Intelligence： Analytical Perspective Based on Supply-Demand Coupling

YANG Wenzheng1，" LI Xiaoyu1，" CHEN Xuanchao1，" YANG Junfeng2

（1.School of Information Science and Technology， Yunnan Normal University， Kunming Yunnan 650500；

2.Jing Hengyi School of Education， Hangzhou Normal University， Hangzhou Zhejiang 311121）

[Abstract] Digital educational resource precision service is a user-centered and demand-oriented service model. From the perspective of supply-demand coupling， there are still some problems in current" digital resource services in basic education， such as mismatch between resource supply and demand， unsynchronized updating speed and demand changes， insufficient degree of service differentiation and personalisation， poor ability to identify and predict needs， and the need for improvement in the level of intelligent services. Generative artificial intelligence， with its powerful functions such as cross-modal generation， adaptive learning， deep understanding， and intelligent interaction， provides strong technical support for the innovation of digital educational resource services. Based on supply and demand adaptation theory， use and satisfaction theory and user experience theory， this paper constructs a precision service model of digital educational resources embedded in generative artificial intelligence， and explains the resource service mechanism of bilateral linkage between supply and demand." Finally， this paper proposes specific paths to enhance the \"coupling\" between resource services and user demand， including data-driven user demand identification and prediction， enhancing the adaptability of resource services and user demand through accurate recommendation， improving the sense of user participation and experience through intelligent interaction，" realizing the continuous evolution of digital resources by means of feedback information， and introducing intelligent evaluation to improve the quality of resource services. In this way， we can promote the development of digital educational resource services in the direction of precision， personalization and intelligence， so as to better meet the practical demands of the digital transformation of basic education.

[Keywords] Educational Digitalization; Generative Artificial Intelligence; Digital Education Resources; Precision Service; Supply-Demand Coupling