基于大模型的AI助學模塊開發(fā)與研究

摘要：針對Web前端考證實訓平臺中學習效率與個性化指導不足的問題，本文提出基于大模型的人工智能（AI）助學模塊開發(fā)方案，設計并實現集智能問答、知識推薦與學習路徑優(yōu)化于一體的功能模塊。研究聚集大模型技術選型、考證知識庫構建、語義分析優(yōu)化及原子化知識單元等。實踐結果表明，AI助學模塊顯著提升了用戶交互體驗與知識掌握效率，為教育智能化提供了可擴展的實踐路徑。未來將進一步探索知識圖譜與多模態(tài)技術的整合，以深化教育場景的智能化應用。

關鍵詞：人工智能；大模型；AI助學模塊

引言

隨著人工智能（artificial intelligence，AI）技術的飛速發(fā)展，其在教育領域的應用日益廣泛，正深刻改變傳統教學模式和學習方式。教育領域長期面臨資源分配不均、教學質量參差、學生學習效率低等問題，而AI技術以其強大的數據處理能力、智能化決策支持和個性化學習體驗，為解決這些問題提供了新思路。通過AI技術可實現教學資源的智能化配置，提供個性化學習路徑和資源推薦，提高教學針對性和有效性。大模型應用程序編程接口（application programming interface，API）作為連接AI技術與實際應用場景的橋梁，降低了智能化教育工具的研發(fā)門檻，助力開發(fā)者快速構建各種智能化教育應用。

1. 相關研究現狀

1.1 大模型在教育領域的應用

大模型因其多模態(tài)處理能力、預訓練與微調機制等特性，在教育領域展現出巨大應用潛力[1]。這些模型利用機器學習和深度學習技術從數據中學習，具備類似人類的學習、預測能力。它們在教育領域的應用，不僅可以提升教學效率和質量，還能為學生提供更加個性化、智能化的學習體驗[2]。例如，通過結合大語言模型與知識圖譜，可以準確理解學生的問題，并從知識圖譜中抽取相關信息，實現專業(yè)領域的問答系統，為學生提供準確且友好的交互服務[3]。生成式AI作為重要分支，正在重塑未來教育的形態(tài)，其強大的自然語言處理和生成能力，能夠為學生提供全方位、智能化的輔導服務，滿足多樣化的學習需求[4]。在實際應用中，大模型API使開發(fā)者能夠在自己的應用程序、服務或研究中輕松整合和使用大模型的功能，增加了教育應用的靈活性[5]。

1.2 大模型技術的挑戰(zhàn)與發(fā)展趨勢

盡管大模型技術在教育領域的應用取得了顯著成效，但其仍面臨著諸多挑戰(zhàn)，如模型服務的穩(wěn)定性和安全性、API的兼容性以及數據的安全性和隱私保護等[6]，同時標注數據不足、人工標注代價大等問題都需要妥善解決[7]。為了應對這些挑戰(zhàn)，學術界正在積極探索優(yōu)化和創(chuàng)新的方法。一方面，通過優(yōu)化模型訓練數據和算法設計，提高模型的準確性和一致性，以提升其在教育應用中的表現[8]；另一方面，通過引入新的技術范式，如提示學習等，縮小預訓練與微調階段的數據形式差異，使模型能夠更高效地應用于下游任務[9]。

綜合而言，大模型技術在教育領域前景廣闊，將持續(xù)提升教學效率和質量，為學生提供更個性化、智能化的學習體驗 [10]。

2. 研究內容與技術路徑

2.1 研究內容

本文在自主研發(fā)的Web前端考證實訓平臺中，利用大模型技術開發(fā)AI助學模塊，以提升學生的學習效率和考證通過率。當前實訓平臺主要以題庫練習為主，缺乏對學生學習過程的即時指導和輔助。引入AI助學模塊可以滿足學生的個性化學習需求，為學生提供個性化學習路徑和資源推薦，減輕教師答疑負擔，從而提高教學針對性。AI助學模塊還將補充知識鏈接和擴展閱讀材料，以拓寬學生知識面。為確保使用便捷，AI助學模塊將直接集成于平臺界面，設計友好用戶界面和交互方式，提升整體使用體驗。

2.2 技術路徑

隨著大模型技術的持續(xù)演進，市場上涌現了眾多成熟的大模型API提供商，其通過大模型強大的自然語言處理和生成能力，為AI助學模塊的開發(fā)提供了堅實的基礎。為篩選出最適合本次研發(fā)需求的模型，我們對當前市場上的國際和國內主流大模型技術特點進行了全面分析。在國際市場上，OpenAI的ChatGPT展現了強大的自然語言處理能力，Google的Gemini模型在多模態(tài)信息處理方面表現突出。國內大模型如百度千帆、阿里通義千問、智譜GLM-4-Flash等也在技術實力和應用廣泛性上取得了顯著成果。各大模型的技術特點對比分析，如表1所示。

綜合比較后，本文最終選用了智譜的GLM-4-Flash大模型，其支持長上下文處理、多語言支持等特性，特別適合以學生問題為導向的即時學習場景，能較好地滿足本研究的開發(fā)需求。

實訓平臺采用了前后端分離的技術架構，這一設計極大地方便了AI助學模塊的集成和調試。在開發(fā)過程中，只需在前端增加相應的功能模塊，并與后端服務器進行數據交互，即可實現AI助學模塊的快速部署和上線。

3. AI助學模塊的設計與實現

3.1 大模型技術的應用

在Web前端考證實訓平臺中，主要采用VUE和Node.js進行前后端開發(fā)。鑒于平臺的技術選型，我們選擇了Javascript語言進行API調用函數設計，以便與前端框架和后端服務無縫對接。

根據智譜提供的API文檔，通過智譜平臺注冊賬號并實名認證后，獲取API Keys用于身份驗證。按照GLM-4-Flash大模型的同步調用API請求方法進行調用，前后端均可發(fā)起HTTP請求引用該接口，確保技術可行性與靈活性。

在答疑模塊的開發(fā)實踐中，選用Fetch API技術發(fā)送HTTP請求，基于Promise設計，實現簡潔且強大的網絡請求執(zhí)行能力。在構建請求參數時，嚴格遵循API文檔的要求，確保請求參數的完整性和準確性。對話消息列表作為請求參數的重要組成部分，包含了對話信息的詳細記錄。每一條對話信息對象均包括對話角色和對話內容，對話角色分為system（系統信息）、user（用戶信息）和assistant（AI助手信息），對話內容則為具體的對話信息字符串。通過構建包含多條對話信息對象的對話列表數組，實現了上下文的關聯與追蹤，為AI答疑助學提供了充足的信息承載能力和上下文理解能力。GLM-4-Flash大模型API支持長達128K的長上下文處理，進一步增強了其在復雜對話場景中的應用潛力。

成功發(fā)送API請求后即可等待模型完成執(zhí)行并返回最終結果。響應參數主要包括模型名稱、當前對話的模型輸出內容、模型token使用統計等關鍵信息。其中，模型輸出內容中的message.content作為模型返回的文本消息字符串，是實現答疑反饋的核心依據。

3.2 知識庫的構建與應用

為更緊密貼合考證需求，在智譜AI大模型開放平臺創(chuàng)建專屬知識庫，導入與考試緊密相關的知識體系文檔、考題解決要點等資料。控制臺自動啟動知識處理學習流程，對知識進行深度解析、切片處理及向量化轉換。修改接口調用函數參數，將Web前端考證實訓平臺內容知識庫融入其中。具體實現時在API請求體中新增工具參數tools，類型為retrieval，輸入所創(chuàng)建知識庫ID。引入自建知識庫后，用戶提問時系統優(yōu)先從知識庫檢索提取相關內容答疑，確保服務精準性與針對性。AI助學模塊效果如圖1所示。

隨著Web前端考證實訓平臺的使用深入，考試內容的調整、題庫的更新、教師對知識的補充以及學生常見問題的總結等情況時有發(fā)生。為保障知識庫的時效性與準確性，開發(fā)知識更新功能，深度融合智譜大模型所提供的上傳文檔，以構建知識、編輯知識內容、管理知識列表、查看知識詳情、刪除知識條目，以及通過上傳URL構建知識、重新進行向量化等一系列相關API，為教師提供了高效的知識庫知識增量更新途徑、錯題解答實例的追加方式、常見提問標準答案的入庫手段，有效保障知識庫內容與考證需求同步。

4. 功能的優(yōu)化探索

目前，Web前端考證實訓平臺已通過大模型實現了高效的人機交互，顯著提升了答疑效率和用戶體驗。接下來，我們將繼續(xù)探索更多應用場景，以進一步優(yōu)化和拓展系統功能。

4.1 問題精煉及歸檔

通過Web前端考證實訓平臺收集并整理學生提問，存儲于后端數據庫。傳統關鍵字對比歸類方法存在語序或語法差異導致的錯誤歸類問題。為改善此狀況，引入智譜大模型進行語義分析。通過語義分析精準比對和甄別新問題與數據庫中已有問題，實現同類問題的合并、加權及去重，確保新問題準確入庫。同時，根據問題權重，展示最多疑惑的知識點提問，提高答疑效率。為提高效率，嘗試了批量比對方法，但當前AI大模型在分析問題集合時仍存在一定偏差。未來將繼續(xù)探索更高效的提問模式，以優(yōu)化比對過程。

4.2 知識架構的智能化整理

Web前端考證實訓平臺題庫內容與結構須隨行業(yè)標準、技術發(fā)展和學科知識體系更新而迭代。為應對這一挑戰(zhàn)，計劃通過大模型，實現知識的智能歸納與架構整理。通過調用大模型，利用其自然語言理解與語義分析能力，對題庫題目進行深度解析，提取核心信息。結合知識圖譜技術，對解析后的知識點進行結構化組織與關聯分析，直觀展示知識點內在聯系與層次結構，幫助學生形成完整、系統的知識體系。

知識圖譜的構建使散落于題庫中的知識點有機串聯，形成清晰的知識網絡，提高知識歸納效率，確保知識架構的時效性與精確性。隨著題庫更新迭代，能及時調整與優(yōu)化知識架構，為學生提供科學、系統的知識導航，提高學習效率與效果。

4.3 原子化知識單元的構建

學生練習過程中產生的提問記錄揭示了知識掌握薄弱環(huán)節(jié)，是寶貴的教學反饋資源。為充分利用這一資源，可以借助大模型構建原子化知識題庫。通過調用大模型，對學生提問進行語義解析，識別并提取核心知識點，拆解為原子化知識單元?；谶@些單元，設計一系列最簡單的練習題庫，通過反復訓練幫助學生牢固掌握基礎知識。

此過程實現了知識點的精準定位與練習題的個性化設計，為學生提供高效、系統的復習平臺，針對性彌補知識短板，全面提升考證成績。

結語

在設計與實現Web前端考證平臺的AI助學模塊過程中，深切體會到AI技術在教育助學領域所展現的便利性與互動性優(yōu)勢，并通過實踐驗證了大模型在教育場景的實用價值，但數據隱私、技術依賴性、內容準確性及普及成本等挑戰(zhàn)仍須關注。未來，須平衡技術創(chuàng)新與倫理約束，通過政策、技術與多方協作，最大限度釋放大模型教育潛力，推動教育現代化持續(xù)發(fā)展。

參考文獻：

[1]楊坡.AI大模型在職業(yè)教育領域中的應用[J].天津職業(yè)院校聯合學報，2024， 26（12）：38-42，49.

[2]楊瑞.學校教育中人工智能應用的現實困境與突破[J].教學與管理，2021（9）： 92-94.

[3]張鶴譯，王鑫，韓立帆，等.大語言模型融合知識圖譜的問答系統研究[J].計算機科學與探索，2023，17（10）：2377-2388.

[4]劉邦奇，聶小林，王士進，等.生成式人工智能與未來教育形態(tài)重塑：技術框架、能力特征及應用趨勢[J].電化教育研究，2024，45（1）：13-20.

[5]賈鵬.基于大語言模型的農業(yè)知識問答系統的研究與設計[D].秦皇島：河北科技師范學院.2024.

[6]周文斌.現在討論AI安全，為時尚早嗎？[J].大數據時代，2023（7）：58-80.

[7]孫彥幫.基于大型預訓練語言模型的API知識提取與推理方法研究[D].南昌：江西師范大學.2024.

[8]向巴卓瑪，王珍珍，暢洪昇，等.基于大型語言模型的藥理學考試主觀題智能評分研究[J].中國醫(yī)學教育技術，2024，38（5）：572-579.

[9]柯沛，雷文強，黃民烈.以ChatGPT為代表的大型語言模型研究進展[J].中國科學基金，2023，37（5）：714-723.

[10]肖君，白慶春，陳沫，等.生成式人工智能賦能在線學習場景與實施路徑[J].電化教育研究，2023，44（9）：57-63，99.

作者簡介：羅經輝，本科，副教授，lodyfly@163.com，研究方向：軟件開發(fā)；杜敏成，碩士研究生，副教授，研究方向：Web前端開發(fā)、人工智能。

基金項目：中國職業(yè)技術教育學會－華為技術有限公司2024年度產教融合專項課題——大模型典型應用場景研究-助學（編號：XHHWCJRH2024-02-04-01）。