生成式人工智能助力家庭教育的模型構(gòu)建及系統(tǒng)實(shí)踐

[摘" "要] 當(dāng)下中國(guó)家庭面臨著教育知識(shí)經(jīng)驗(yàn)化與碎片化、密集教養(yǎng)方式與過度教育焦慮惡性循環(huán)以及個(gè)性化家庭教育指導(dǎo)服務(wù)匱乏的三重困境。為破解家庭教育的實(shí)踐困境、提升現(xiàn)代家庭教育能力、促進(jìn)積極家庭心理成長(zhǎng)，研究構(gòu)建了生成式人工智能助力家庭教育的理論模型，并在GLM-4大模型的基礎(chǔ)上運(yùn)用提示詞工程、檢索增強(qiáng)生成以及有監(jiān)督微調(diào)技術(shù)開發(fā)了家庭教育生成式人工智能系統(tǒng)。從實(shí)踐效果來看，家庭教育生成式人工智能系統(tǒng)具備卓越的情境適應(yīng)性和對(duì)特定任務(wù)極強(qiáng)的泛化性能。家庭教育生成式人工智能系統(tǒng)能精準(zhǔn)分析和解決各種復(fù)雜的家庭教育問題，為家長(zhǎng)提供科學(xué)系統(tǒng)的育兒知識(shí)和正面管教指導(dǎo)，緩解家長(zhǎng)教育焦慮，并為不同社會(huì)經(jīng)濟(jì)背景的家庭提供個(gè)性化的教育指導(dǎo)服務(wù)，有利于促進(jìn)我國(guó)家庭教育的現(xiàn)代化發(fā)展。

[關(guān)鍵詞] 生成式人工智能； 家庭教育能力； 積極家庭心理； 理論模型； 系統(tǒng)實(shí)踐

[中圖分類號(hào)] G434" " " " " " [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 王珊（1977—），女，四川成都人。副教授，博士，主要從事現(xiàn)代學(xué)校的數(shù)字化治理及評(píng)價(jià)。E-mail：wangshan77@126.com。

一、引" "言

家庭一直是社會(huì)制度的核心之一，對(duì)人的生存質(zhì)量和發(fā)展機(jī)遇具有決定意義。習(xí)近平總書記指出，無論時(shí)代發(fā)生多大變化都要重視家庭建設(shè)[1]。2019年，中共中央、國(guó)務(wù)院印發(fā)《中國(guó)教育現(xiàn)代化2035》，明確將家庭教育現(xiàn)代化全面納入國(guó)家教育現(xiàn)代化建設(shè)體系[2]。2023年，教育部、全國(guó)婦聯(lián)等十三部門聯(lián)合印發(fā)《關(guān)于健全學(xué)校家庭社會(huì)協(xié)同育人機(jī)制的意見》，也明確要求強(qiáng)化家庭教育指導(dǎo)與專業(yè)支持[3]。然而，當(dāng)下過度的教育焦慮卻是中國(guó)家庭的真實(shí)寫照。家長(zhǎng)教育焦慮的調(diào)查結(jié)果顯示，68%的受訪家長(zhǎng)對(duì)孩子的教育感到焦慮[4]。全面提升家庭教育能力、促進(jìn)家庭的可持續(xù)性發(fā)展，已經(jīng)成為當(dāng)下中國(guó)家庭教育現(xiàn)代化建設(shè)的重要任務(wù)。所謂家庭教育能力，是指父母運(yùn)用現(xiàn)代家庭教育知識(shí)和恰當(dāng)?shù)募彝ソ甜B(yǎng)方式順利實(shí)現(xiàn)兒童社會(huì)化心理特質(zhì)必備的綜合能力[5]。生成式人工智能（Generative Artificial Intelligence，簡(jiǎn)稱生成式AI）作為人工智能時(shí)代的突破性技術(shù)，不僅革新了學(xué)習(xí)方式[6]，也為技術(shù)賦能家庭教育帶來了前所未有的機(jī)遇。生成式AI通過專業(yè)大數(shù)據(jù)庫、個(gè)性化方案定制幫助家長(zhǎng)提升家庭教育理念、促進(jìn)積極家庭心理成長(zhǎng)，在指導(dǎo)家長(zhǎng)解決具體問題的過程中將靜態(tài)教育知識(shí)轉(zhuǎn)化為現(xiàn)代家庭必備的教育能力。鑒于此，本研究聚焦生成式AI賦能家庭教育的理論模型構(gòu)建及其系統(tǒng)實(shí)踐，以期紓解當(dāng)下家庭教育困境，為提升家庭教育能力、促進(jìn)家庭積極心理成長(zhǎng)、推進(jìn)家校協(xié)同育人提供有效路徑。

二、 當(dāng)前中國(guó)家庭教育面臨的困境

（一）家庭教育知識(shí)來源的經(jīng)驗(yàn)化與碎片化

中國(guó)社會(huì)生活的急劇變遷早已引起家庭從規(guī)模、結(jié)構(gòu)到功能的轉(zhuǎn)變，但家庭教育知識(shí)的生產(chǎn)始終沒有作為一個(gè)獨(dú)立的知識(shí)系統(tǒng)進(jìn)入到公共領(lǐng)域。這導(dǎo)致大部分家長(zhǎng)過度依賴自身成長(zhǎng)經(jīng)歷、傳統(tǒng)習(xí)俗、直覺和過往經(jīng)驗(yàn)來教育孩子，增加了教育過程和結(jié)果的不確定性[7]。再加上互聯(lián)網(wǎng)時(shí)代的各種社交媒體、博客、短視頻等為家長(zhǎng)提供了太多即時(shí)性、片段化、良莠不齊的“拼湊”信息，“快餐式”的知識(shí)消費(fèi)最終導(dǎo)致大部分中國(guó)家長(zhǎng)的家庭教育知識(shí)缺乏深刻性和系統(tǒng)性。

（二）密集型教養(yǎng)模式與教育焦慮之間的惡性循環(huán)

在密集型教養(yǎng)模式下，父母深度參與到子女生活學(xué)習(xí)各個(gè)方面，過度的干預(yù)和過強(qiáng)的控制給子女帶來巨大壓力，使孩子缺乏自主空間。例如，“雞娃群”家長(zhǎng)以階段化、指標(biāo)化、計(jì)量化的教育方式對(duì)子女進(jìn)行超前教育和全天候的密集型教養(yǎng)。城市家庭中的養(yǎng)育實(shí)踐也以一種經(jīng)紀(jì)人的職業(yè)標(biāo)準(zhǔn)來追求子女在教育市場(chǎng)中的經(jīng)營(yíng)業(yè)績(jī)[8]。密集型教養(yǎng)模式讓家長(zhǎng)處于長(zhǎng)期的焦慮、疲憊和憂郁之中，過度的教育焦慮又反過來激發(fā)新一輪密集型教養(yǎng)行為，就像“莫比烏斯環(huán)”無盡往復(fù)。

（三）家庭教育指導(dǎo)服務(wù)無法滿足家庭個(gè)性化需求

從大數(shù)據(jù)調(diào)研來看，城市家長(zhǎng)和家庭社會(huì)經(jīng)濟(jì)地位較高的家長(zhǎng)接受家庭教育指導(dǎo)服務(wù)的機(jī)會(huì)更多、效果更好。底層家庭受制于文化資本的不足，在幫助其子女獲得社會(huì)認(rèn)可能力以實(shí)現(xiàn)階層流動(dòng)的過程中力不從心[9]。從經(jīng)濟(jì)狀況、教育資源、觀念意識(shí)等方面來看，城鄉(xiāng)家庭在教育投入、子女職業(yè)規(guī)劃與期望等方面都存在較大差距?，F(xiàn)有的家庭教育指導(dǎo)服務(wù)難以精準(zhǔn)匹配不同社會(huì)經(jīng)濟(jì)地位家庭的具體需求，再加上家庭教育專業(yè)知識(shí)生產(chǎn)本身的精英化傾向，使得處境不利的家庭更難獲得有效的家庭教育指導(dǎo)服務(wù)[10]。

三、 生成式AI助力家庭教育能力提升的模型設(shè)計(jì)

面對(duì)當(dāng)前中國(guó)家庭系統(tǒng)性教育知識(shí)的匱乏、密集型教養(yǎng)導(dǎo)致的高度教育焦慮以及個(gè)性化家庭教育指導(dǎo)服務(wù)供給不足等棘手問題，生成式AI表現(xiàn)出解決特定任務(wù)情境下復(fù)雜問題的卓越適應(yīng)性。生成式AI是一種用于創(chuàng)建新內(nèi)容和想法的人工智能，它的核心能力在于創(chuàng)造性地生成內(nèi)容而非簡(jiǎn)單地復(fù)制映射已知實(shí)例[11]。這種區(qū)別于傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)模型的生成式AI經(jīng)過海量文本數(shù)據(jù)的預(yù)訓(xùn)練，能夠充分學(xué)習(xí)文本語言結(jié)構(gòu)和各領(lǐng)域術(shù)語概念及其關(guān)系。即使面對(duì)復(fù)雜多變的家庭教育問題，生成式AI只需要通過巧妙的提示詞設(shè)計(jì)，并結(jié)合少量的微調(diào)樣例數(shù)據(jù)，便能表現(xiàn)出對(duì)特定任務(wù)極強(qiáng)的泛化性能，即大模型的少樣本學(xué)習(xí)（Few-shot Learning）能力[12]。正因如此，生成式AI在面臨相似的特殊場(chǎng)景任務(wù)時(shí)能基于文本相關(guān)性進(jìn)行分析推斷，自動(dòng)生成與輸入問題最相關(guān)、最有用的一系列回答。因此，本研究構(gòu)建生成式AI助力家庭教育能力提升的理論模型，以期為家長(zhǎng)提供專業(yè)化、個(gè)性化的指導(dǎo)，讓家庭“習(xí)得幸?！?，實(shí)現(xiàn)提升家庭教育能力、促進(jìn)積極家庭心理成長(zhǎng)的目標(biāo)。如圖1所示，家庭教育具體場(chǎng)景問題可歸為家長(zhǎng)在子女教育時(shí)面臨的道德品行、智力發(fā)展、勞動(dòng)能力、身心健康等問題。家庭教育生成式AI系統(tǒng)是解決這些具體問題的技術(shù)核心。開發(fā)設(shè)計(jì)家庭教育生成式AI系統(tǒng)的目的有以下三個(gè)方面：一是為家長(zhǎng)提供更加科學(xué)全面的家庭教育知識(shí)，幫助家長(zhǎng)走出經(jīng)驗(yàn)與直覺的家庭教育誤區(qū)；二是在家長(zhǎng)與AI系統(tǒng)的人機(jī)交互對(duì)話中精準(zhǔn)匹配家庭教育需求，為解決家庭教育問題提供更加專業(yè)的分析和個(gè)性化指導(dǎo)，讓處境不利的家庭獲得更多教育資源來彌補(bǔ)其文化資本的不足；三是幫助家長(zhǎng)逐步改變密集內(nèi)卷的教養(yǎng)方式，緩解家庭教育的焦慮。家庭教育生成式AI系統(tǒng)主要包括數(shù)據(jù)支撐、技術(shù)支撐和模型能力三個(gè)層面。

（一）數(shù)據(jù)支撐層

數(shù)據(jù)支撐層是整個(gè)家庭教育生成式AI系統(tǒng)的基石。數(shù)據(jù)支撐層根植于統(tǒng)計(jì)學(xué)的大語言模型（Large Language Models，LLM），數(shù)據(jù)是推動(dòng)LLM進(jìn)步的核心燃料。家庭教育生成式AI系統(tǒng)包括以下兩類數(shù)據(jù)：一是有監(jiān)督微調(diào)數(shù)據(jù)集。該數(shù)據(jù)集包含大量家庭教育實(shí)踐中家長(zhǎng)可能提出的問題以及與之匹配的專業(yè)性、針對(duì)性分析與指導(dǎo)，用于對(duì)通用LLM進(jìn)行有監(jiān)督微調(diào)。二是專業(yè)知識(shí)文本數(shù)據(jù)庫。專業(yè)知識(shí)文本數(shù)據(jù)庫包括大量家庭教育相關(guān)的文獻(xiàn)、書籍等專業(yè)知識(shí)文本數(shù)據(jù)，為L(zhǎng)LM生成更加專業(yè)、可靠的分析與指導(dǎo)提供依據(jù)。

（二）技術(shù)支撐層

技術(shù)支撐層包括提示詞工程（Prompt Engineering）、檢索增強(qiáng)生成（Retrieval Augmented Generation，RAG）、有監(jiān)督微調(diào)（Supervised Fine-tuning，SFT）、思考鏈（提示詞工程中的重要方法）和文本語義嵌入與向量數(shù)據(jù)庫（檢索增強(qiáng)生成的核心技術(shù)）。提示詞工程、RAG和SFT三大核心技術(shù)是提高LLM輸出質(zhì)量和準(zhǔn)確度的重要技術(shù)。

1. 提示詞工程

提示詞本質(zhì)上是一段文本，它的主要功能是引導(dǎo)LLM按照預(yù)期的方式處理輸入內(nèi)容并生成結(jié)果。提示詞的模板化、流程化設(shè)計(jì)即提示詞工程。提示詞模板（Prompt Template）是一種預(yù)先設(shè)定好的語言結(jié)構(gòu)，用來幫助LLM區(qū)分各板塊的輸入內(nèi)容以更好匹配特定下游任務(wù)要求。提示詞工程的重要性在于其能夠通過精心設(shè)計(jì)的提示詞模板引導(dǎo)預(yù)訓(xùn)練的語言模型，使其在接收到新輸入信息時(shí)以高效、強(qiáng)針對(duì)性方式生成輸出內(nèi)容。這不僅提高了模型的適應(yīng)性和靈活性，還能在沒有大量標(biāo)注數(shù)據(jù)的情況下，實(shí)現(xiàn)對(duì)新任務(wù)的學(xué)習(xí)和應(yīng)用[13]。思考鏈（Chain of Thought，CoT）是提示詞工程的一種重要方法。面對(duì)普通的提問方式，大模型通常會(huì)直接給出問題的最終答案。由于沒有展示其背后的思考過程，其結(jié)果往往難以被理解和信任。但CoT要求大模型在得出最終答案之前必須明確地輸出其推理和思考過程的中間內(nèi)容，提升了生成式AI分析推理的能力及其可靠性[14]。

2. 檢索增強(qiáng)生成（RAG）

檢索增強(qiáng)生成（RAG）的目的是提高大模型生成內(nèi)容的可靠性以及回答問題的準(zhǔn)確性。RAG既使輸出的內(nèi)容有參考來源，又能大幅降低大模型幻覺問題（即大模型在生成文本時(shí)可能會(huì)產(chǎn)生看似合理但實(shí)際上錯(cuò)誤或與現(xiàn)實(shí)相悖的現(xiàn)象）[15]。RAG技術(shù)的實(shí)現(xiàn)涉及文本語義嵌入模型和向量數(shù)據(jù)庫兩種生成式AI技術(shù)。文本語義嵌入模型是自然語言處理領(lǐng)域中針對(duì)文本語義提取和壓縮這一特定任務(wù)的一類文本處理模型，通常以Google公司提出的BERT（Bidirectional Encoder Representations from Transformers）模型為基礎(chǔ)架構(gòu)。它通過Transformer編碼層，將文本中的詞語、短語、句子乃至文檔壓縮成一個(gè)高維度的嵌入向量（一組數(shù)字），得到的向量是完整文本語義的壓縮表示形式，具有存儲(chǔ)和檢索高效的特點(diǎn)[16]。在存儲(chǔ)文本內(nèi)容時(shí)，首先進(jìn)行語義嵌入生成嵌入向量，再將該向量作為索引與原始文本的相關(guān)數(shù)據(jù)一起存儲(chǔ)到數(shù)據(jù)庫中。在檢索時(shí)，同樣進(jìn)行語義嵌入生成查詢文本的嵌入向量，再通過執(zhí)行最近鄰搜索（Nearest Neighbor Search）等相似性算法，找到與查詢文本最相似的幾個(gè)知識(shí)文本片段，并返回查詢結(jié)果[17]。

3. 有監(jiān)督微調(diào)（SFT）

有監(jiān)督微調(diào)（SFT）是激發(fā)大模型特定領(lǐng)域相關(guān)知識(shí)和額外注入垂直領(lǐng)域?qū)I(yè)知識(shí)的機(jī)器學(xué)習(xí)技術(shù)，它是在預(yù)訓(xùn)練模型基礎(chǔ)上進(jìn)行的操作。在經(jīng)過預(yù)訓(xùn)練的通用大模型基礎(chǔ)上，用少量有標(biāo)注數(shù)據(jù)集對(duì)模型進(jìn)一步訓(xùn)練，讓預(yù)訓(xùn)練模型依據(jù)這些標(biāo)注數(shù)據(jù)來調(diào)整參數(shù)，從而使模型能夠?qū)W習(xí)特定領(lǐng)域的專業(yè)知識(shí)或強(qiáng)化對(duì)特定任務(wù)指令的理解[18]。原始的全量SFT訓(xùn)練方法需要對(duì)模型的所有層進(jìn)行訓(xùn)練，這不僅需要龐大的計(jì)算資源，而且可能導(dǎo)致災(zāi)難性遺忘。但是，通過低秩適應(yīng)（Low-rank Adaptation，LoRA）等微調(diào)技術(shù)，僅需調(diào)整模型的少部分全連接層，便可大大降低微調(diào)訓(xùn)練成本、有效防止災(zāi)難性遺忘。

（三）模型能力層

經(jīng)過以上三大技術(shù)處理后，家庭教育生成式AI系統(tǒng)具備以下四項(xiàng)基本能力：一是家庭教育問題的分析與解決能力。經(jīng)過有監(jiān)督微調(diào)訓(xùn)練后的通用大模型具備了對(duì)家庭教育具體場(chǎng)景問題的指導(dǎo)經(jīng)驗(yàn)，掌握了規(guī)范化的問題分析與解答模式；二是多學(xué)科知識(shí)的學(xué)習(xí)與整合能力。家庭教育問題涉及眾多因素間的相互影響，具有相當(dāng)?shù)膹?fù)雜性和挑戰(zhàn)性，家庭教育生成式AI系統(tǒng)擅長(zhǎng)學(xué)習(xí)和整合不同學(xué)科領(lǐng)域的知識(shí)進(jìn)行跨學(xué)科綜合理解；三是專業(yè)化的家庭教育指導(dǎo)能力。家庭教育生成式AI能夠基于自身強(qiáng)大的專業(yè)知識(shí)庫和深度學(xué)習(xí)能力，為家長(zhǎng)解決家庭教育中遇到的難題提供科學(xué)指導(dǎo)；四是個(gè)性化家庭教育指導(dǎo)服務(wù)能力。生成式AI系統(tǒng)能精準(zhǔn)分析不同社會(huì)經(jīng)濟(jì)地位家庭的偏好，其自身具有的“開拓能力”避免了家庭教育指導(dǎo)服務(wù)的趨同化。

四、基于GLM-4的家庭教育生成式AI系統(tǒng)建構(gòu)

本研究選取智譜AI與清華大學(xué)聯(lián)合研發(fā)的最新開源大模型GLM-4-9B-Chat（以下簡(jiǎn)稱為GLM-4）為基座大模型構(gòu)建家庭教育生成式AI系統(tǒng)。GLM-4具有9B（約90億）的參數(shù)量，在10TB的龐大文本數(shù)據(jù)上進(jìn)行了預(yù)訓(xùn)練后，具有128K（約13.1萬）長(zhǎng)度的超長(zhǎng)上下文窗口，能夠進(jìn)行長(zhǎng)文本推理，適合配置檢索增強(qiáng)生成功能。同時(shí)，GLM-4是經(jīng)過了與人類偏好對(duì)齊的Chat版本，在多個(gè)對(duì)話模型典型任務(wù)數(shù)據(jù)集上表現(xiàn)出超越“開源大模型之王”Llama-3-8B-Instruct等模型的卓越性能。家庭教育生成式AI系統(tǒng)的構(gòu)建是在GLM-4的基礎(chǔ)上進(jìn)行如下的“三步走”。

（一）構(gòu)建提示詞

提示詞工程的目的是將家庭教育生成式AI系統(tǒng)的任務(wù)錨定在家庭教育具體問題分析與指導(dǎo)之中，并保證一輪指導(dǎo)對(duì)話基于家庭行為分析（無則跳過）、問題成因分析、問題相關(guān)理論和個(gè)性化指導(dǎo)建議四個(gè)方面展開。為構(gòu)建家庭教育生成式AI系統(tǒng)，本研究共設(shè)計(jì)了4套提示詞模板：一是針對(duì)家長(zhǎng)首次提問和后續(xù)提問設(shè)計(jì)的2套提示詞模板（見表1）；二是根據(jù)家長(zhǎng)是否填寫“家長(zhǎng)措施”設(shè)計(jì)的2套模板，其目的是讓模型區(qū)分是否需要分析家長(zhǎng)行為。提示詞模板設(shè)計(jì)充分考慮了RAG的配置要求，將RAG系統(tǒng)檢索出的相關(guān)知識(shí)內(nèi)容嵌入到其中。另外，提示詞模板強(qiáng)調(diào)生成式AI要以“通俗易懂”的方式分析和回答家長(zhǎng)提出的問題，并命令A(yù)I“不允許在回答中添加編造成分”，以提高AI問題回答的準(zhǔn)確性和專業(yè)性。

（二）配置檢索增強(qiáng)生成

配置RAG的目的是建設(shè)專業(yè)知識(shí)數(shù)據(jù)庫并增強(qiáng)生成式AI系統(tǒng)的可解釋性，通過提供檢索內(nèi)容原始參考文檔為家庭教育問題的專業(yè)分析及解決方案提供依據(jù)。配置RAG包括構(gòu)建專業(yè)數(shù)據(jù)庫和RAG配置后的AI問答兩個(gè)階段。在專業(yè)數(shù)據(jù)庫構(gòu)建階段（如圖2第1～7步所示），首先向系統(tǒng)輸入大量與家庭教育知識(shí)相關(guān)的非結(jié)構(gòu)化知識(shí)數(shù)據(jù)，包括從超星數(shù)字圖書館篩選的9本家庭教育電子版專著以及中國(guó)知網(wǎng)180余篇家庭教育核心期刊論文。這些數(shù)據(jù)經(jīng)代碼處理為規(guī)范的文本數(shù)據(jù)后，被切分成多個(gè)知識(shí)片段。通過文本語義嵌入模型BAAI/bge-large-zh生成表征各個(gè)片段語義的語義嵌入向量，再以該向量為索引將多個(gè)知識(shí)片段文本存入專業(yè)知識(shí)向量數(shù)據(jù)庫，等待后續(xù)檢索使用。在RAG配置后的AI問答階段（如圖2第8～17步所示），首先對(duì)家長(zhǎng)提問進(jìn)行語義嵌入，使其生成輸入問題的語義嵌入向量，并與專業(yè)知識(shí)庫中所有知識(shí)片段的嵌入向量進(jìn)行相似度比較，高效檢索出與輸入問題最相關(guān)的多條知識(shí)文本片段。再將多條知識(shí)文本片段代入提示詞模板，與問題一同輸入專家大模型，使專家大模型在回答問題時(shí)能參考相關(guān)專業(yè)知識(shí)，提高輸出內(nèi)容的專業(yè)性與可靠性。

（三）有監(jiān)督微調(diào)數(shù)據(jù)庫的構(gòu)建及模型訓(xùn)練

有監(jiān)督微調(diào)的目的有三個(gè)方面：一是借助少量的有監(jiān)督微調(diào)數(shù)據(jù)，激發(fā)模型在預(yù)訓(xùn)練過程中積累家庭教育相關(guān)知識(shí)儲(chǔ)備，使模型快速適應(yīng)任務(wù)，增強(qiáng)其面對(duì)復(fù)雜多變家庭教育問題的規(guī)范化分析和指導(dǎo)能力；二是增強(qiáng)GLM-4模型輸出內(nèi)容的可讀性、規(guī)范性和可靠性；三是使GLM-4模型在輸出內(nèi)容時(shí)中添加正確引導(dǎo)信息（如請(qǐng)求家長(zhǎng)提供更詳細(xì)的信息、鼓勵(lì)家長(zhǎng)有問題隨時(shí)繼續(xù)對(duì)話等），使個(gè)性化指導(dǎo)具備更好的連貫性。本研究借助GPT-4o和GLM-4構(gòu)建了家庭教育不同問題領(lǐng)域的多輪對(duì)話問答數(shù)據(jù)集，并使用該數(shù)據(jù)集對(duì)GLM-4模型進(jìn)行了有監(jiān)督微調(diào)。

1. 有監(jiān)督微調(diào)數(shù)據(jù)集構(gòu)建

本研究借鑒BLIP-2構(gòu)建高質(zhì)量微調(diào)數(shù)據(jù)集所用到的兩模型一問一答方式[18]。研究者先使用特殊的提示詞使GPT-4o模擬家長(zhǎng)角色，連續(xù)6次規(guī)范化地對(duì)GLM-4提出家庭教育具體問題。通過多輪問答，提取深度交流的家庭教育問答案例數(shù)據(jù)。對(duì)問答數(shù)據(jù)進(jìn)行人工檢查、修正和補(bǔ)充，確保數(shù)據(jù)的準(zhǔn)確性、規(guī)范性和可讀性，最終獲得了34例涵蓋大、中、小學(xué)各年齡段，涉及孩子品行教育、心理健康教育等類型的多輪對(duì)話案例。每個(gè)對(duì)話案例均進(jìn)行了6輪對(duì)話，共計(jì)204條問答文本數(shù)據(jù)。

2. 有監(jiān)督微調(diào)模型訓(xùn)練

利用已構(gòu)建好的少量數(shù)據(jù)集進(jìn)一步訓(xùn)練模型，強(qiáng)化模型對(duì)特定任務(wù)指令的理解，從而規(guī)范其在該任務(wù)上的輸出，產(chǎn)生更符合預(yù)期的結(jié)果。經(jīng)過有監(jiān)督微調(diào)訓(xùn)練后的大模型，也就具有了對(duì)特定任務(wù)更強(qiáng)的處理能力。有監(jiān)督微調(diào)模型訓(xùn)練包含訓(xùn)練和效果評(píng)估兩個(gè)環(huán)節(jié)，需要將完整微調(diào)數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，分別用于模型訓(xùn)練與評(píng)估。本研究使用機(jī)器學(xué)習(xí)常用的“留出法”數(shù)據(jù)集劃分方式，按訓(xùn)練集和測(cè)試集約9∶1的比例隨機(jī)劃分?jǐn)?shù)據(jù)集[19]（訓(xùn)練集與測(cè)試集各包含30和4例案例，各對(duì)應(yīng)180條和24條多輪對(duì)話數(shù)據(jù)），分別用于模型微調(diào)訓(xùn)練和效果評(píng)估。模型微調(diào)訓(xùn)練過程如圖3所示，共進(jìn)行了90步訓(xùn)練，每一步中使用兩條對(duì)話數(shù)據(jù)讓模型學(xué)習(xí)訓(xùn)練，最終完成180條對(duì)話數(shù)據(jù)的一輪完整訓(xùn)練。圖中Loss為損失值，反映模型輸出文本與參考文本之間的差異大小。損失值越小，代表模型生成的文本與正確回答越接近[20]。模型最初的損失值較大（約為0.9），說明其生成文本與正確回答之間存在較大差異。經(jīng)過訓(xùn)練后，最終模型在訓(xùn)練集上的損失值較為平穩(wěn)地收斂至0.2左右，這表示該模型已較為充分地學(xué)習(xí)到訓(xùn)練樣本的任務(wù)模式和輸出規(guī)范。

對(duì)訓(xùn)練后的模型進(jìn)行效果評(píng)估，模型在測(cè)試集的4個(gè)案例、24條問答文本數(shù)據(jù)上得分見表2。其中，ROUGE（Recall-oriented Understudy for Gisting Evaluation）是自然語言處理領(lǐng)域常用指標(biāo)，它用于評(píng)估模型生成結(jié)果與正確回答的接近程度。ROUGE-1、ROUGE-2、ROUGE-L分別評(píng)估模型生成文本的單詞、詞語、句子和參考文本之間的相似程度[21]。BLEU（Bilingual Evaluation Understudy）則是一種基于 n-gram （n個(gè)詞共現(xiàn)）的精確度度量，n表示生成文本與參考文本之間連續(xù)幾個(gè)詞構(gòu)成的詞組相同數(shù)量情況[22]。BLEU-4是綜合考慮了1-gram 、2-gram、3-gram和4-gram的指標(biāo)。1-gram表示生成結(jié)果和正確答案每個(gè)單詞相同的比例，2-gram、3-gram、4-gram分別表示2、3、4個(gè)連續(xù)詞所構(gòu)成詞組相同的比例。從評(píng)估指標(biāo)來看，生成文本與參考文本在單詞層面的匹配度較高、短語層面的匹配度一般、句子結(jié)構(gòu)上的匹配度較好。損失值曲線變化平穩(wěn)且測(cè)試指標(biāo)無異常偏高，因而整體來看，模型不存在明顯的過擬合風(fēng)險(xiǎn)。

（四）家庭教育生成式AI系統(tǒng)的應(yīng)用實(shí)踐

從家庭教育生成式AI系統(tǒng)的應(yīng)用來看，該系統(tǒng)已完全適應(yīng)了家庭教育問題情景及回答規(guī)則。生成式AI系統(tǒng)具備極強(qiáng)的泛化性能，因而其能為家長(zhǎng)提供科學(xué)系統(tǒng)的教育知識(shí)，幫助他們走出家庭教育知識(shí)經(jīng)驗(yàn)化與碎片化的誤區(qū)。家長(zhǎng)在AI系統(tǒng)指導(dǎo)下解決家庭教育中遇到的各種棘手問題，在問題解決中逐漸將靜態(tài)知識(shí)轉(zhuǎn)化正面管教行為，從而促進(jìn)了積極家庭心理的成長(zhǎng)并實(shí)現(xiàn)了家庭教育能力提升的目標(biāo)。生成式AI系統(tǒng)的應(yīng)用實(shí)踐還表明其能根據(jù)家庭實(shí)際狀況制定個(gè)性化服務(wù)方案，滿足不同社會(huì)經(jīng)濟(jì)背景家庭的教育指導(dǎo)需求。如圖4所示，該案例是一個(gè)不存在于微調(diào)數(shù)據(jù)集中的新問題。針對(duì)家長(zhǎng)提出的“如何提高孩子數(shù)學(xué)成績(jī)？”這一問題，AI系統(tǒng)從學(xué)習(xí)動(dòng)機(jī)理論出發(fā)給出加強(qiáng)數(shù)學(xué)理解的教育建議，幫助家長(zhǎng)調(diào)整教育行為。AI系統(tǒng)從家長(zhǎng)措施、問題成因、問題相關(guān)理論、個(gè)性化指導(dǎo)建議四個(gè)方面制定了該問題的解決方案，在持續(xù)性的人機(jī)交互中喚醒家長(zhǎng)教育自覺、促進(jìn)他們從經(jīng)驗(yàn)育兒轉(zhuǎn)向科學(xué)育人。

本案例中的家庭教養(yǎng)方式是典型的密集內(nèi)卷型。從“家長(zhǎng)措施分析”不難看出，由于過度的教育焦慮，該家長(zhǎng)不僅對(duì)孩子的作業(yè)進(jìn)行全面干預(yù)和控制，而且強(qiáng)制孩子參加各種校外培訓(xùn)班。但這些“雞娃”措施并沒有提升孩子成績(jī)，也使得家長(zhǎng)陷入更深的教育焦慮中。如圖4所示，家庭教育生成式AI系統(tǒng)為家長(zhǎng)提供了專業(yè)性、科學(xué)性和多元化的問題解決方案，能夠在一定程度上緩解家長(zhǎng)的教育焦慮。AI系統(tǒng)還從專業(yè)角度為家長(zhǎng)分析了高控制教養(yǎng)方式對(duì)孩子自我決定需求的抑制。建議家長(zhǎng)采用“更民主的、鼓勵(lì)為主的教育方式”、建立“積極學(xué)習(xí)態(tài)度”，幫助“孩子設(shè)定小目標(biāo)以培養(yǎng)自我效能感”等，這些措施有利于家庭樹立正面管教理念、提升積極情緒管理和積極關(guān)系建構(gòu)的能力。生成式AI的基礎(chǔ)是深度學(xué)習(xí)模型，因而它能通過與家長(zhǎng)的多輪對(duì)話來不斷捕捉有用信息，通過持續(xù)性的資源整合來創(chuàng)新問題解決方案，滿足家庭個(gè)性化的指導(dǎo)需求。

五、結(jié) 束 語

“家庭功能體現(xiàn)在父母的修為中?！盵23]生成式AI為家庭教育注入“數(shù)字化”基因，通過技術(shù)賦能化知識(shí)為素養(yǎng)，助力現(xiàn)代家庭教育能力的提升。本研究從當(dāng)代家庭面臨的教育困境出發(fā)，構(gòu)建了生成式AI助力家庭教育能力提升的理論模型及其實(shí)踐系統(tǒng)。家庭教育生成式AI系統(tǒng)的應(yīng)用實(shí)踐表明該模型不僅能緩解家長(zhǎng)過度教育焦慮、提高家長(zhǎng)解決子女教育問題的能力、建設(shè)積極的親子關(guān)系，而且能滿足不同社會(huì)經(jīng)濟(jì)背景家庭對(duì)教育指導(dǎo)服務(wù)的個(gè)性化需求。在未來的研究中，還應(yīng)進(jìn)一步加強(qiáng)家庭教育生成式AI系統(tǒng)實(shí)用效能的研究。本研究開發(fā)的家庭教育生成式AI系統(tǒng)主要服務(wù)于家長(zhǎng)，缺乏對(duì)孩子的關(guān)注。孩子不僅是家庭教育的對(duì)象，也是現(xiàn)代家庭建設(shè)的主體。積極家庭關(guān)系的建立也應(yīng)從兒童的視角出發(fā)來探尋新的突破口，因而應(yīng)增強(qiáng)親子溝通智慧系統(tǒng)的開發(fā)。當(dāng)然，家庭教育問題的解決離不開家校社的協(xié)同，家庭教育生成式AI系統(tǒng)還應(yīng)拓寬系統(tǒng)功能，探索不同教育責(zé)任主體協(xié)同育人的技術(shù)實(shí)現(xiàn)，使得教育回歸人的發(fā)展本質(zhì)，實(shí)現(xiàn)立德樹人這一教育根本目的。

[參考文獻(xiàn)]

[1] 新華網(wǎng). 習(xí)近平：不論時(shí)代發(fā)生多大變化都要重視家庭建設(shè)[EB/OL]. （2015-02-17）[2024-12-28]. https：//www.chinanews.com.cn/gn/2015/02-17/7072454.shtml.

[2] 中共中央、國(guó)務(wù)院. 中國(guó)教育現(xiàn)代化2035[EB/OL]. （2019-02-23）[2025-01-06]. https：//www.gov.cn/zhengce/2019-02/23/content_ 5367987.htm.

[3] 中華人民共和國(guó)教育部. 教育部等十三部門關(guān)于健全學(xué)校家庭社會(huì)協(xié)同育人機(jī)制的意見[EB/OL]. （2023-01-17）[2025-01-16]. http：//www.moe.gov.cn/srcsite/A06/s3325/202301/t20230119_1039746.html.

[4] 智課教育. 中國(guó)家長(zhǎng)教育焦慮指數(shù)調(diào)查報(bào)告[EB/OL]. [2024-12-28]. https：//baike.so.com/doc/28610011-30068076.html.

[5] 葉強(qiáng). 家庭教育立法應(yīng)重視“提升家庭教育能力”[J]. 湖南師范大學(xué)教育科學(xué)學(xué)報(bào)，2021（3）：1-9.

[6] 石琬若，韓錫斌. 生成式人工智能對(duì)學(xué)習(xí)分析研究的影響：現(xiàn)狀與前瞻——2024年學(xué)習(xí)分析與知識(shí)國(guó)際會(huì)議（LAK24）評(píng)述[J]. 電化教育研究，2024（12）：113-120.

[7] 高書國(guó). 論我國(guó)家庭教育知識(shí)體系的構(gòu)建[J]. 南京師大學(xué)報(bào)（社會(huì)科學(xué)版），2022（1）： 47-56.

[8] 楊可. 母職的經(jīng)紀(jì)人化———教育市場(chǎng)化背景下的母職變遷[J]. 婦女研究論叢，2018（2）：79-90.

[9] 雷萬鵬，向蓉. 家庭教育指導(dǎo)服務(wù)的雙重差異與政策啟示[J]. 南京師大學(xué)報(bào)（社會(huì)科學(xué)版），2022（6）：14-23.

[10] 王梅霧，張曉峰. 我國(guó)家庭教育專業(yè)化的知識(shí)生產(chǎn)及審視：知識(shí)社會(huì)學(xué)視角[J]. 教育學(xué)術(shù)月刊，2023（9）：106-112.

[11] 李森，鄭嵐. 生成AI對(duì)課堂教學(xué)的挑戰(zhàn)與應(yīng)對(duì)[J]. 課程·教材·教法，2024（1）：39-46.

[12] BROWN T， MANN B， RYDER N， et al. Language models are few-shot learners[J]. Advances in neural information processing systems，2020（33）：1877-1901.

[13] LIU P， YUAN W， FU J， et al. Pre-train， prompt， and predict： a systematic survey of prompting methods in natural language processing[J]. ACM computing surveys，2023，55（9）：1-35.

[14] WEI J， WANG X， SCHUURMANS D， et al. Chain-of-thought prompting elicits reasoning in large language models[J]. Advances in neural information processing systems，2022（35）：24824-24837.

[15] LEWIS P， PEREZ E， PIKTUS A， et al. Retrieval-augmented generation for knowledge-intensive nlp tasks[J]. Advances in neural information processing systems，2020（33）：9459-9474.

[16] KENTON J D， TOUTANOVA L K. Bert： pre-training of deep bidirectional transformers for language understanding[C]//Proceedings of NAACL-HLT. Minnesota，USA： 2019 Association for Computational Linguistics. 2019：4171-4186.

[17] TAIPALUS T． Vector database management systems： fundamental concepts， use-cases， and current challenges[J]． Cognitive systems research，2024（84）：1-8.

[18] ZHU D， CHEN J， HAYDAROV K， et al. Chatgpt asks， blip-2 answers： automatic questioning towards enriched visual descriptions[J/OL]. arXiv preprint arXiv：2303.06594，2023（3）：1-17[2024-12-12]. https：//scholar.google.com.

[19] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京：清華大學(xué)出版社，2016：25.

[20] 阿頓斯·張，李沐，扎卡里·C.立頓，等. 動(dòng)手學(xué)深度學(xué)習(xí)[M]. 何孝霆，瑞秋·胡，譯. 北京：人民郵電出版社，2019：231-232.

[21] LIN C Y， OCH F J. Looking for a few good metrics： ROUGE and its evaluation[C]//Ntcir workshop， Southern California：Information Sciences Institute University，2004：1-8.

[22] PAPINENI K， ROUKOS S， WARD T， et al． BLEU： a method for automatic evaluation of machine translation[C]//Proceedings of the 40th Annual Meeting on Association for Computational Linguistics. Yorktown：BM T. J. Watson Research Center，2002：311-318.

[23] 李玫瑾. 心理撫養(yǎng)[M]. 上海：上海三聯(lián)書店，2021：31.

Model Construction and System Practice of Generative Artificial Intelligence Enabling Family Education

WANG Shan1，" XIAO Yiqiang1，" PAN Yining2，" PENG Wei3

（1.College of Educational Sciences， Sichuan Normal University， Chengdu Sichuan 610066;

2.Qingtaishan High School Affiliated to Sichuan Normal University， Chengdu Sichuan 610101;

3.College of Computer Science， Sichuan University， Chengdu Sichuan 610065）

[Abstract] Nowadays， Chinese families face the triple dilemma of empirical and fragmented educational knowledge， the vicious circle of intensive parenting style and excessive educational anxiety， and the lack of personalized family education guidance services. In order to solve the practical dilemma of family education， improve the ability of modern family education， and promote the positive psychological growth of families， the study constructed a theoretical model of generative artificial intelligence to assist family education， and developed a generative artificial intelligence system for family education on the basis of the GLM-4 model by using prompt engineering， retrieval augmented generation， and supervised fine-tuning. From the practical results， the generative artificial intelligence system for family education has excellent contextual adaptability and strong generalization performance for specific tasks. The system for family education can accurately analyse and solve various complex family education problems， provide parents with scientific and systematic parenting knowledge and positive discipline guidance， alleviate parents' educational anxiety， and provide personalized educational guidance services for families with different socioeconomic backgrounds， which is conducive to promoting the modernization of family education in China.

[Keywords] Generative Artificial Intelligence; Family Education Ability; Positive Family Psychology; Theoretical Model; System Practice

基金項(xiàng)目：四川省2024年教育科學(xué)規(guī)劃項(xiàng)目“教師跨學(xué)科素養(yǎng)培養(yǎng)與教學(xué)實(shí)踐創(chuàng)新研究”（項(xiàng)目編號(hào)：SCJG24C430）；2023年四川師范大學(xué)研究生教育教學(xué)改革研究項(xiàng)目“指向?qū)嵺`理性的全日制教育碩士專業(yè)學(xué)位研究生實(shí)踐教學(xué)體系構(gòu)建”（項(xiàng)目編號(hào)：2023YJSJG016 ）