智能教育中的大模型智能體：基礎(chǔ)、模式和挑戰(zhàn)

中圖分類(lèi)號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-5995（2025）01-0049-12

一、教育技術(shù)的演進(jìn)與LLMAgent作為教育技術(shù)的未來(lái)

智能教育領(lǐng)域正經(jīng)歷一場(chǎng)深刻的變革，LLMAgent作為新一代教育技術(shù)的代表，正逐步改變傳統(tǒng)的教學(xué)與學(xué)習(xí)模式。在教育技術(shù)的發(fā)展歷程中，從早期的計(jì)算機(jī)輔助教學(xué)（ComputerAided

Instruction，CAI）到如今的大語(yǔ)言模型（LargeLanguageModel，LLM），每一次技術(shù)躍升都為教育帶來(lái)了新的可能性與挑戰(zhàn)。LLMAgent以其強(qiáng)大的自然語(yǔ)言處理能力和智能決策能力，在個(gè)性化學(xué)習(xí)、智能輔導(dǎo)以及課程設(shè)計(jì)等方面展現(xiàn)出巨大的應(yīng)用潛力，能夠根據(jù)學(xué)習(xí)者的特點(diǎn)和需求提供定制化的學(xué)習(xí)體驗(yàn)，從而有效提升學(xué)習(xí)效果和教育質(zhì)量。然而，

LLMAgent在獲得廣泛應(yīng)用的同時(shí)，也面臨著諸如幻覺(jué)問(wèn)題、偏見(jiàn)放大、即時(shí)反饋依賴(lài)以及情感依賴(lài)等多方面的挑戰(zhàn)。本文將深人探討LLMAgent在智能教育中的理論與技術(shù)基礎(chǔ)、未來(lái)發(fā)展以及面臨的挑戰(zhàn)，并提出相應(yīng)的對(duì)策建議，以期為推動(dòng)智能教育技術(shù)的持續(xù)發(fā)展和創(chuàng)新提供有益參考與指導(dǎo)。

（一）傳統(tǒng)計(jì)算機(jī)輔助教學(xué)（CAI）在新時(shí)代的范式轉(zhuǎn)型

教育技術(shù)的發(fā)展歷程始終伴隨著人機(jī)交互（Human-ComputerInteraction，HCI）的演進(jìn)而不斷重塑。早在20世紀(jì)60年代，計(jì)算機(jī)輔助教學(xué)（Computer-AssistedInstruction，CAI）便有了雛形，其以程序化教學(xué)理論為基礎(chǔ)，體現(xiàn)為強(qiáng)調(diào)自動(dòng)化知識(shí)傳遞的交互模式。例如，Suppes（1966）開(kāi)發(fā)的計(jì)算機(jī)輔助教學(xué)系統(tǒng)通過(guò)算法自動(dòng)生成個(gè)性化練習(xí)題，奠定了自動(dòng)化測(cè)評(píng)的基礎(chǔ)[1]。隨著認(rèn)知科學(xué)的興起與發(fā)展，20世紀(jì)80年代的CAI研究逐步關(guān)注人機(jī)互動(dòng)過(guò)程中的認(rèn)知支持。例如，Anderson等人（1985）提出的認(rèn)知導(dǎo)師系統(tǒng)（CognitiveTutors）能夠跟蹤學(xué)習(xí)者的問(wèn)題解決過(guò)程，提供即時(shí)反饋，初步實(shí)現(xiàn)了人機(jī)協(xié)同的交互模式[2]。然而，早期的計(jì)算機(jī)輔助教學(xué)主要表現(xiàn)為單向信息傳遞，缺乏對(duì)學(xué)習(xí)者認(rèn)知狀態(tài)的深人感知和反饋機(jī)制，也難以靈活適應(yīng)復(fù)雜、多樣的教學(xué)場(chǎng)景。

20世紀(jì)90年代后期，網(wǎng)絡(luò)技術(shù)的迅猛發(fā)展進(jìn)一步推動(dòng)了計(jì)算機(jī)支持的協(xié)作學(xué)習(xí)（Computer-SupportedCollaborativeLearning，CSCL）的發(fā)展。Dillenbourg（1996）提出的CSCL框架強(qiáng)調(diào)人機(jī)協(xié)同促進(jìn)知識(shí)的社會(huì)性建構(gòu)[3]，如通過(guò)Agent模擬同伴討論與互動(dòng)。交互設(shè)計(jì)被引人CSCL，積累了豐富的研究成果。例如，這一時(shí)期的研究者發(fā)現(xiàn)，動(dòng)態(tài)可視化界面能夠有效提升概念理解[4]，而多模態(tài)交互（如語(yǔ)音、手勢(shì)）則會(huì)降低認(rèn)知負(fù)荷。受限于模型與算法的限制，該時(shí)期的交互模式仍然依賴(lài)于預(yù)設(shè)規(guī)則與固定模式，難以實(shí)現(xiàn)真正意義上的個(gè)性化認(rèn)知協(xié)作。

進(jìn)入21世紀(jì)初，機(jī)器學(xué)習(xí)算法尤其是自適應(yīng)學(xué)習(xí)技術(shù)的突破，使得CAI開(kāi)始朝著個(gè)性化、動(dòng)態(tài)化的方向轉(zhuǎn)型。深度學(xué)習(xí)的迅速興起重構(gòu)了人機(jī)交互的范式。以Transformer架構(gòu)為基礎(chǔ)的LLM進(jìn)一步突破了系統(tǒng)交互的瓶頸，特別是RAG架構(gòu)的提出，使系統(tǒng)能夠動(dòng)態(tài)整合外部知識(shí)庫(kù)，為教育Agent的認(rèn)知協(xié)作提供了堅(jiān)實(shí)的技術(shù)支撐。

教育技術(shù)的發(fā)展歷程中，一條關(guān)鍵主線(xiàn)是其從單純的通信工具向認(rèn)知協(xié)作伙伴的深刻轉(zhuǎn)型。從通信技術(shù)（如Zoom）到增強(qiáng)工具（如Grammarly），再到LLM（如GPT），工具與人之間的互動(dòng)與協(xié)作不斷深化，從而為教學(xué)與學(xué)習(xí)過(guò)程提供了更強(qiáng)大的支持。近年來(lái)，LLM與RAG等技術(shù)的迅速發(fā)展深刻改變了人機(jī)關(guān)系的本質(zhì)。LLM不僅進(jìn)化為可交互的知識(shí)庫(kù)，還逐漸從用戶(hù)的視角轉(zhuǎn)變?yōu)橐粋€(gè)獨(dú)立的交流主體。例如，與LLM的對(duì)話(huà)中，當(dāng)LLM能夠提供個(gè)性化和情感化的回應(yīng)時(shí)，用戶(hù)更可能與之產(chǎn)生情感連接[5]。用戶(hù)將LLM視作平等的交流對(duì)象并產(chǎn)生情感依戀的程度，與其情感智能和生成能力直接相關(guān)[5][6]。這一特性也驅(qū)動(dòng)了教育技術(shù)在大模型時(shí)代下的演變。LLMAgent不僅能夠模擬人類(lèi)導(dǎo)師，通過(guò)對(duì)話(huà)提供一對(duì)一指導(dǎo)，還具備可靠的外部知識(shí)庫(kù)，使其在一定程度上代替人類(lèi)導(dǎo)師。通過(guò)實(shí)時(shí)交互與反饋提升學(xué)習(xí)效果，對(duì)話(huà)式人機(jī)協(xié)同學(xué)習(xí)模式已經(jīng)成為一種新興的學(xué)習(xí)模式[。由此，教育技術(shù)真正從被動(dòng)的信息傳遞工具轉(zhuǎn)變?yōu)橹鲃?dòng)的認(rèn)知協(xié)作伙伴，使學(xué)習(xí)者從被動(dòng)接受者轉(zhuǎn)為主動(dòng)協(xié)作者[8]?；诖耍斜匾钊胩接慙LM及其衍生工具在教育與教學(xué)中的促進(jìn)作用。

（二）LLMAgent作為未來(lái)智能教育技術(shù)的前景

從技術(shù)發(fā)展的角度來(lái)看，人工智能智能體（ArtificialIntelligenceAgent，AIAgent）經(jīng)歷了多個(gè)階段的演進(jìn)，包括規(guī)則驅(qū)動(dòng)、機(jī)器學(xué)習(xí)，以及近年來(lái)的深度學(xué)習(xí)與LLM驅(qū)動(dòng)。最初，AIAgent主要依賴(lài)明確的規(guī)則系統(tǒng)與邏輯推理來(lái)進(jìn)行任務(wù)決策，適用于特定的封閉任務(wù)環(huán)境，但在面對(duì)動(dòng)態(tài)復(fù)雜環(huán)境時(shí)適應(yīng)性有限。隨著計(jì)算能力的提升和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，Agent的智能水平顯著提高，尤其是近年來(lái)，GPT系列、PaLM等LLM的出現(xiàn)，加速了AIAgent向強(qiáng)人工智能代理（StrongAIAgent）方向快速演進(jìn)。

與早期的AIAgent不同，LLMAgent是一種基于LLM驅(qū)動(dòng)的自主計(jì)算實(shí)體，具備感知環(huán)境、規(guī)劃決策與執(zhí)行動(dòng)作的能力。它與傳統(tǒng)Agent和單純的LLM相比，具有兩大顯著區(qū)別。首先，與早期基于規(guī)則系統(tǒng)和有限狀態(tài)的傳統(tǒng)AIAgent不同，LLMAgent憑借深度學(xué)習(xí)算法與海量數(shù)據(jù)訓(xùn)練，展現(xiàn)出卓越的涌現(xiàn)能力與泛化特性，能夠突破預(yù)設(shè)規(guī)則的限制，處理開(kāi)放域的復(fù)雜任務(wù)。其次，不同于單純的LLM，LLMAgent不僅能夠通過(guò)自然語(yǔ)言處理與用戶(hù)進(jìn)行深入互動(dòng)，還可根據(jù)環(huán)境變化自主規(guī)劃策略、做出決策并實(shí)施行動(dòng)，從而靈活適應(yīng)和高效完成復(fù)雜任務(wù)。

在教育領(lǐng)域，LLMAgent的應(yīng)用日益廣泛，正逐步從實(shí)驗(yàn)室研究走向產(chǎn)業(yè)實(shí)踐與真實(shí)教學(xué)場(chǎng)景。憑借智能輔導(dǎo)、個(gè)性化學(xué)習(xí)和課程設(shè)計(jì)等功能，LLMAgent已初步展現(xiàn)出替代CAI系統(tǒng)的巨大潛力[9]。例如，MathGPT、CodexTutor等基于LLM的Agent系統(tǒng)，能夠通過(guò)自然語(yǔ)言對(duì)話(huà)分析學(xué)生的學(xué)習(xí)需求與困難，動(dòng)態(tài)生成個(gè)性化指導(dǎo)內(nèi)容并實(shí)時(shí)反饋學(xué)習(xí)效果。此外，LLMAgent還能利用海量學(xué)習(xí)數(shù)據(jù)與教育資源，幫助教師設(shè)計(jì)和生成高質(zhì)量的教學(xué)材料與課程內(nèi)容，從而提升教學(xué)效率和創(chuàng)造力。借助LLM進(jìn)行課程設(shè)計(jì)與內(nèi)容生成，不僅能減輕教師的重復(fù)性工作負(fù)擔(dān)，還能實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的動(dòng)態(tài)調(diào)整與個(gè)性化課程優(yōu)化。教育領(lǐng)域的LLMAgent已有多個(gè)成熟框架，主要包含記憶、行動(dòng)、交互等模塊。例如，Gao等人提出的Agent4Edu匹配了學(xué)習(xí)者檔案、記憶和行動(dòng)模塊，能夠與個(gè)性化學(xué)習(xí)算法（如計(jì)算機(jī)化自適應(yīng)測(cè)試）進(jìn)行交互并生成人類(lèi)學(xué)習(xí)者的響應(yīng)數(shù)據(jù)，從而提供多方面評(píng)估和增強(qiáng)定制服務(wù)[10]

教育類(lèi)LLMAgent的興起標(biāo)志著教育技術(shù)范式的轉(zhuǎn)型，其獨(dú)特的認(rèn)知能力與交互模式伴隨著機(jī)遇機(jī)遇與挑戰(zhàn)。當(dāng)前研究雖初步展示了其廣闊的應(yīng)用前景[1]，但在理論與技術(shù)基礎(chǔ)、發(fā)展趨勢(shì)與面臨挑戰(zhàn)等方面，仍存在明顯的研究空白與不足之處，這主要體現(xiàn)在能力與風(fēng)險(xiǎn)兩方面。在能力方面，張凱認(rèn)為，通用AI教學(xué)模型面臨缺乏用戶(hù)深度理解、知識(shí)推理不足及人機(jī)交互不自然等挑戰(zhàn)，急需推進(jìn)個(gè)性化、知識(shí)可靠且富有同理心的智能交互平臺(tái)，以提升數(shù)字化輔導(dǎo)的學(xué)習(xí)體驗(yàn)[12]；在風(fēng)險(xiǎn)方面，一些大模型引發(fā)的風(fēng)險(xiǎn)也有待進(jìn)一步梳理[13]。因此，本研究旨在探討教育類(lèi)LLMAgent的理論與技術(shù)基礎(chǔ)、發(fā)展趨勢(shì)與應(yīng)用挑戰(zhàn)，以期為未來(lái)的教育技術(shù)創(chuàng)新與教學(xué)實(shí)踐提供重要的理論指引與實(shí)踐參考。

二、教育LLMAgent助力教育教學(xué)的理論與技術(shù)基礎(chǔ)

（一）理論基礎(chǔ)

教育LLM是“適用于教育場(chǎng)景、具有超大規(guī)模參數(shù)、融合通用知識(shí)和專(zhuān)業(yè)知識(shí)訓(xùn)練形成的人工智能模型，是LLM、知識(shí)庫(kù)及各類(lèi)智能教育技術(shù)的集成[14]”。作為教育LLM的延伸，教育LLMAgent建立在豐富而堅(jiān)實(shí)的教育學(xué)與心理學(xué)理論基礎(chǔ)之上。從社會(huì)文化理論視角來(lái)看，教學(xué)本質(zhì)上是師生在社會(huì)互動(dòng)中共同建構(gòu)知識(shí)的過(guò)程，這一理論尤其強(qiáng)調(diào)維果茨基提出的“最近發(fā)展區(qū)”（ZoneofProximalDevelopment，ZPD）概念，即學(xué)生在更有能力個(gè)體的引導(dǎo)下所能達(dá)到的潛在發(fā)展水平。在這一框架下，CSCL強(qiáng)調(diào)通過(guò)同伴反饋和引導(dǎo)式探究促進(jìn)學(xué)生對(duì)知識(shí)的深層次理解與建構(gòu)[15][16]?；谶@一理念，利用技術(shù)模擬教師或高技能同伴的角色，可有效支持學(xué)生進(jìn)人并擴(kuò)展其 ZPD^[17][18] 。在此背景下，教育LLMAgent具有獨(dú)特優(yōu)勢(shì)，它能夠提供即時(shí)、個(gè)性化的引導(dǎo)與反饋，激發(fā)學(xué)生積極參與交互式對(duì)話(huà)，從而更有效地促進(jìn)學(xué)生的認(rèn)知發(fā)展與社會(huì)互動(dòng)能力提升[16]

從知識(shí)建構(gòu)理論（KnowledgeBuildingTheory）與建構(gòu)主義視角出發(fā)，智能教育Agent具備堅(jiān)實(shí)的理論基礎(chǔ)。知識(shí)建構(gòu)理論強(qiáng)調(diào)，學(xué)生作為知識(shí)主體，通過(guò)持續(xù)的協(xié)作式對(duì)話(huà)促進(jìn)知識(shí)創(chuàng)新與發(fā)展[19]。研究表明，高效的知識(shí)建構(gòu)依賴(lài)于對(duì)參與者貢獻(xiàn)類(lèi)型與行為模式的深入理解，從而實(shí)現(xiàn)高質(zhì)量的互動(dòng)與知識(shí)融合[20]。此外，建構(gòu)主義理論指出，知識(shí)并非由教師單向傳輸，而是學(xué)生通過(guò)主動(dòng)探索、交互反饋和批判性反思逐步建構(gòu)[21]。例如，WISE（Web-basedInquiryScienceEnvironment）等建構(gòu)主義的學(xué)習(xí)環(huán)境設(shè)計(jì)清晰地體現(xiàn)了學(xué)生如何在技術(shù)支持下，通過(guò)探究與反思過(guò)程，逐步整合并深化知識(shí)[22]。因此，教育LLMAgent通過(guò)鼓勵(lì)學(xué)生提出問(wèn)題、參與協(xié)作互動(dòng)與反思學(xué)習(xí)過(guò)程，可以有效支持知識(shí)的主動(dòng)建構(gòu)與創(chuàng)造，進(jìn)一步促進(jìn)學(xué)生高階思維能力與自我導(dǎo)向?qū)W習(xí)能力。

教育LLMAgent的設(shè)計(jì)與應(yīng)用同樣獲得了社會(huì)認(rèn)知理論（SocialCognitiveTheory）與認(rèn)知負(fù)荷理論（CognitiveLoadTheory）的支持。社會(huì)認(rèn)知理論強(qiáng)調(diào)，個(gè)體通過(guò)觀(guān)察、模仿與互動(dòng)反饋強(qiáng)化自我效能感與自我調(diào)節(jié)能力，從而更積極主動(dòng)地參與學(xué)習(xí)過(guò)程[23]。這一理論與教育LLMAgent的核心功能高度契合。例如，通過(guò)示范、即時(shí)反饋與交互式指導(dǎo)，促進(jìn)學(xué)生糾正錯(cuò)誤、培養(yǎng)學(xué)習(xí)動(dòng)機(jī)并提升反思與自我調(diào)節(jié)能力。與此同時(shí)，認(rèn)知負(fù)荷理論指出，教學(xué)過(guò)程需要合理管理學(xué)生的認(rèn)知資源，避免過(guò)高的外在認(rèn)知負(fù)荷，以?xún)?yōu)化生成性認(rèn)知負(fù)荷[24，25]，從而促進(jìn)深度學(xué)習(xí)。在這一背景下，教育LLMAgent的優(yōu)勢(shì)在于感知學(xué)生的理解狀態(tài)，并動(dòng)態(tài)調(diào)整信息呈現(xiàn)方式與內(nèi)容復(fù)雜度，從而有效降低不必要的外在認(rèn)知負(fù)荷，優(yōu)化認(rèn)知資源分配，最終提升學(xué)習(xí)的深度與質(zhì)量。

（二）技術(shù)基礎(chǔ)

1.語(yǔ)義理解：Transformer架構(gòu)實(shí)現(xiàn)對(duì)復(fù)雜教育場(chǎng)景中長(zhǎng)上下文的處理

近年來(lái)，以Transformer架構(gòu)為核心的LLM憑借其高效的上下文建模和推理能力，為教育領(lǐng)域中復(fù)雜長(zhǎng)文本理解和多輪對(duì)話(huà)情境處理提供了重要的技術(shù)支持[26]。Transformer是一種深度學(xué)習(xí)架構(gòu)，通過(guò)自注意力機(jī)制實(shí)現(xiàn)對(duì)序列數(shù)據(jù)中長(zhǎng)距離依賴(lài)關(guān)系的高效捕捉，可動(dòng)態(tài)關(guān)注輸人序列不同位置的信息并進(jìn)行全局上下文建模。與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）相比，Transformer架構(gòu)具備高度的并行性和更高的計(jì)算效率，在訓(xùn)練和推理階段都能顯著提升模型性能。在教育場(chǎng)景中，Transformer架構(gòu)能夠有效處理多輪教學(xué)對(duì)話(huà)、跨章節(jié)教材內(nèi)容和復(fù)雜語(yǔ)義關(guān)系的建模任務(wù)，因?yàn)門(mén)ransformer架構(gòu)的自注意力機(jī)制憑借其并行化計(jì)算和全局上下文建模能力，突破了傳統(tǒng)序列模型在處理長(zhǎng)距離語(yǔ)義依賴(lài)方面的局限，為教育場(chǎng)景中的多輪對(duì)話(huà)理解、跨學(xué)科知識(shí)關(guān)聯(lián)等復(fù)雜任務(wù)提供了堅(jiān)實(shí)的支撐，Dai等人（2019）基于Transformer-XL架構(gòu)的研究表明，該模型在處理跨章節(jié)教材內(nèi)容的長(zhǎng)程依賴(lài)建模任務(wù)時(shí)提升了知識(shí)回溯的準(zhǔn)確率[27]。同時(shí)，Transformer架構(gòu)特有的層歸一化與位置編碼機(jī)制，也使教育Agent能夠穩(wěn)定且高效地處理不同粒度和類(lèi)型的教學(xué)材料，為個(gè)性化教學(xué)資源組織和推送提供技術(shù)支持。

盡管過(guò)往研究證明了Transformer架構(gòu)在長(zhǎng)上下文處理、概念理解和推理深度方面的優(yōu)越性，但當(dāng)前LLM在教育教學(xué)場(chǎng)景中的應(yīng)用仍面臨諸多技術(shù)挑戰(zhàn)，尤其是在多跳推理任務(wù)中，LLM難以持續(xù)保持推理的一致性[28]。為此，研究者們提出了一系列優(yōu)化策略，如在注意力頭中注入特定“記憶”信息，以增強(qiáng)模型在復(fù)雜推理場(chǎng)景中的表現(xiàn)；通過(guò)并行執(zhí)行多個(gè)未來(lái)token的SPEED方法，提高推理效率，解決實(shí)際教學(xué)互動(dòng)中推理延遲的問(wèn)題[29]；為了應(yīng)對(duì)教育場(chǎng)景中長(zhǎng)文本推理和交互式教學(xué)對(duì)話(huà)帶來(lái)的內(nèi)存瓶頸問(wèn)題， W_u 等人（2023）通過(guò)簡(jiǎn)化解碼器層的設(shè)計(jì)，有效降低了推理過(guò)程中的內(nèi)存訪(fǎng)問(wèn)頻率，從而提高了模型的推理效率與響應(yīng)速度[30]。此外，基于稀疏KV緩存的加速方案以及動(dòng)態(tài)KV緩存管理框架的提出，也有效緩解了長(zhǎng)文本生成任務(wù)中的內(nèi)存占用問(wèn)題[31]，提升了模型在真實(shí)復(fù)雜教育場(chǎng)景中的實(shí)用性。

2.記憶：檢索增強(qiáng)生成確保輸出內(nèi)容有據(jù)可信

隨著LLM在教育領(lǐng)域的深人應(yīng)用，如何確保生成內(nèi)容的準(zhǔn)確性與可靠性成為關(guān)鍵挑戰(zhàn)。RAG技術(shù)通過(guò)動(dòng)態(tài)整合結(jié)構(gòu)化知識(shí)庫(kù)與生成式模型，為解決這一難題提供了創(chuàng)新路徑。RAG結(jié)合了檢索和生成的優(yōu)勢(shì)，通過(guò)從外部知識(shí)庫(kù)中動(dòng)態(tài)檢索相關(guān)信息并將其整合到生成過(guò)程中，顯著提升生成內(nèi)容的準(zhǔn)確性與上下文相關(guān)性[32]，目標(biāo)在于克服傳統(tǒng)生成模型在處理知識(shí)密集型任務(wù)時(shí)的局限性。在教育場(chǎng)景中，RAG主要通過(guò)非參數(shù)化知識(shí)檢索與參數(shù)化語(yǔ)言生成的端到端聯(lián)合訓(xùn)練，在保持LLM創(chuàng)造力的同時(shí)，通過(guò)檢索學(xué)科知識(shí)圖譜（如數(shù)學(xué)定理庫(kù)或化學(xué)物質(zhì)數(shù)據(jù)庫(kù)）約束生成邊界。例如，先通過(guò)概念關(guān)系圖譜注人領(lǐng)域知識(shí)、定位核心知識(shí)點(diǎn)，再結(jié)合案例庫(kù)生成情境化教學(xué)對(duì)話(huà)，從而達(dá)到提高生成內(nèi)容的知識(shí)覆蓋率、提升教育Agent可信度的目標(biāo)。RAG的動(dòng)態(tài)更新能力和多領(lǐng)域適應(yīng)性，進(jìn)一步推動(dòng)了其在教育場(chǎng)景中的廣泛應(yīng)用。對(duì)比研究表明，采用RAG架構(gòu)的教育Agent在學(xué)術(shù)評(píng)估中的表現(xiàn)顯著優(yōu)于純生成模型，其錯(cuò)誤響應(yīng)中的知識(shí)性幻覺(jué)占比大幅下降，從而使Agent能夠更好地處理開(kāi)放式教育對(duì)話(huà)中的長(zhǎng)尾知識(shí)需求。

3.長(zhǎng)程推理：鏈?zhǔn)剿季S（CoT）分解復(fù)雜任務(wù)

鏈?zhǔn)剿季S（ChainofThought，CoT）作為一種能夠分解復(fù)雜任務(wù)并實(shí)現(xiàn)長(zhǎng)程推理的技術(shù)方法，在教育場(chǎng)景中展現(xiàn)了巨大潛力，特別是在教育技術(shù)與計(jì)算支持協(xié)作學(xué)習(xí)領(lǐng)域。CoT的理論基礎(chǔ)可以追溯至認(rèn)知科學(xué)和心理學(xué)中關(guān)于問(wèn)題分解和推理的研究。Newell和Simon（1972）的解決問(wèn)題理論指出，人類(lèi)在面對(duì)復(fù)雜問(wèn)題時(shí)傾向于將其分解為若干子任務(wù)，并通過(guò)分步執(zhí)行來(lái)達(dá)到整體目標(biāo)[33]。這為CoT的提出提供了重要的認(rèn)知依據(jù)。此外，Laird等人（1987）在其SOAR認(rèn)知架構(gòu)中進(jìn)一步強(qiáng)調(diào)了分層推理模型的重要性，認(rèn)為復(fù)雜認(rèn)知任務(wù)的解決需要基于分階段的認(rèn)知規(guī)劃[34]

近年來(lái)，得益于LLM的快速發(fā)展，CoT作為一種技術(shù)實(shí)現(xiàn)方法獲得了更廣泛的關(guān)注。近年來(lái)，CoT研究力圖通過(guò)其提示方式，將復(fù)雜問(wèn)題分解為一系列明確的步驟，提升其在長(zhǎng)程推理任務(wù)中的表現(xiàn)。例如，顯式鏈?zhǔn)剿季S提示（Chain-of-ThoughtPrompting）僅通過(guò)提示詞的設(shè)計(jì)，即可大幅提高模型在復(fù)雜數(shù)學(xué)推理和邏輯推理任務(wù)中的表現(xiàn)。在教育領(lǐng)域，Henke1等人（2024）將鏈?zhǔn)剿季S提示應(yīng)用于數(shù)學(xué)評(píng)估中，通過(guò)改進(jìn)開(kāi)放性問(wèn)題的評(píng)分精度，充分證明了CoT在教育評(píng)估中的潛力[35]。

在教育場(chǎng)景中，CoT的應(yīng)用主要集中在復(fù)雜任務(wù)分解和協(xié)作學(xué)習(xí)支持兩個(gè)方面。教育技術(shù)的一個(gè)重要目標(biāo)是將復(fù)雜的學(xué)習(xí)任務(wù)轉(zhuǎn)化為可操作的認(rèn)知步驟，從而使學(xué)習(xí)者更有效地掌握知識(shí)。認(rèn)知負(fù)荷理論表明，學(xué)習(xí)過(guò)程中認(rèn)知負(fù)荷過(guò)高會(huì)導(dǎo)致學(xué)習(xí)效果下降，而通過(guò)任務(wù)分解可以有效降低學(xué)習(xí)者的認(rèn)知負(fù)擔(dān)[25]。CoT通過(guò)將復(fù)雜問(wèn)題劃分為小而清晰的步驟，引導(dǎo)學(xué)生逐步分解和解決復(fù)雜的多步驟問(wèn)題，幫助學(xué)習(xí)者更好理解問(wèn)題的內(nèi)在邏輯，綜合提升其問(wèn)題解決能力。此外，CoT教育還強(qiáng)調(diào)理解和應(yīng)用知識(shí)之間的聯(lián)系，通過(guò)逐步構(gòu)建認(rèn)知路徑，幫助學(xué)生在不同情境中遷移所學(xué)知識(shí)[36]

三、教育類(lèi)LLMAgent的發(fā)展趨勢(shì)

（一）多智能體（Multi-Agent）組合的混合專(zhuān)家系統(tǒng)

單一Agent雖然在語(yǔ)言生成與任務(wù)執(zhí)行方面具有一定優(yōu)勢(shì)，但其在解決復(fù)雜教育任務(wù)時(shí)仍存在能力局限。相比之下，Multi-Agent構(gòu)成的混合專(zhuān)家系統(tǒng)（MixtureofExperts，MoE）通過(guò)分工協(xié)作實(shí)現(xiàn)混合專(zhuān)家功能，為支持復(fù)雜的項(xiàng)目式學(xué)習(xí)提供了一種更為高效和深度的解決方案[37]。Multi-Agent系統(tǒng)的核心理念在于，不同的Agent各自承擔(dān)特定的功能和角色，實(shí)現(xiàn)協(xié)同工作與高效互動(dòng)。近年來(lái)，教育技術(shù)領(lǐng)域的研究表明，MoE在教育場(chǎng)景中展示了顯著的潛力，尤其是在項(xiàng)目式學(xué)習(xí)與教學(xué)中的應(yīng)用。例如，在教學(xué)任務(wù)中通過(guò)分工，由不同的專(zhuān)家模型負(fù)責(zé)資源推薦、學(xué)習(xí)路徑規(guī)劃、學(xué)習(xí)評(píng)估等具體模塊，實(shí)現(xiàn)教育任務(wù)的模塊化處理，從而提升學(xué)習(xí)活動(dòng)的效率。例如，在探討大型語(yǔ)言模型（LLMs）數(shù)學(xué)推理能力的增強(qiáng)時(shí)，劉三女牙提出了一種創(chuàng)新的虛擬教室（VirtualClassroom，VCR）的多智能框架。該框架設(shè)置了教師、助教、學(xué)生和課堂記錄員等多種角色，模擬了真實(shí)的教育場(chǎng)景，并通過(guò)講座、討論和總結(jié)分析等步驟，對(duì)每個(gè)問(wèn)題進(jìn)行了深入分析，從而有效提升了針對(duì)LLMs數(shù)學(xué)推理的合成數(shù)據(jù)生成過(guò)程[38]。

Zhang和Liu（2024）指出，Multi-Agent系統(tǒng)的核心優(yōu)勢(shì)在于通過(guò)Agent之間的通信整合規(guī)劃能力、計(jì)算能力與深度思考能力，從而通過(guò)混合專(zhuān)家架構(gòu)提供更深度的解答[39]。傳統(tǒng)的單一Agent在面對(duì)復(fù)雜任務(wù)時(shí)往往會(huì)因能力瓶頸而無(wú)法滿(mǎn)足需求，而Multi-Agent系統(tǒng)通過(guò)功能分解和Agent間的高效通信，實(shí)現(xiàn)了更復(fù)雜的知識(shí)推理與任務(wù)執(zhí)行。例如，在教育場(chǎng)景中，Multi-Agent系統(tǒng)可以通過(guò)知識(shí)專(zhuān)家Agent提供學(xué)科背景信息，通過(guò)教學(xué)專(zhuān)家Agent制定個(gè)性化學(xué)習(xí)計(jì)劃，并通過(guò)評(píng)估專(zhuān)家Agent動(dòng)態(tài)調(diào)整學(xué)習(xí)策略，從而在一方面提升了學(xué)習(xí)活動(dòng)的智能化水平，另一方面為個(gè)性化和適應(yīng)性教學(xué)提供了重要支持[39]

從教育實(shí)踐的角度來(lái)看，Multi-Agent系統(tǒng)在基于問(wèn)題的學(xué)習(xí)（Problem-BasedLearning，PBL）和基于項(xiàng)目的學(xué)習(xí)（Project-BasedLearning，PjBL）中的應(yīng)用可以發(fā)揮重要作用。例如，在PBL環(huán)境下，多個(gè)Agent可以分別負(fù)責(zé)問(wèn)題分析、數(shù)據(jù)收集與解決方案建議，提升學(xué)生的自主學(xué)習(xí)能力和批判性思維[40]。相比之下，單一Agent在同時(shí)應(yīng)對(duì)多樣化任務(wù)需求時(shí)往往表現(xiàn)乏力。Multi-Agent系統(tǒng)通過(guò)Agent之間的協(xié)作，能夠適應(yīng)多樣化的學(xué)習(xí)場(chǎng)景，并在動(dòng)態(tài)環(huán)境中實(shí)現(xiàn)任務(wù)的優(yōu)化。這種能力與MoE在教育中的應(yīng)用目標(biāo)高度一致，即通過(guò)個(gè)性化的資源分配和協(xié)作優(yōu)化，提高學(xué)生的學(xué)習(xí)成效[41]。類(lèi)似地，韓國(guó)教育部主導(dǎo)的東盟網(wǎng)絡(luò)大學(xué)項(xiàng)目也通過(guò)協(xié)作式的Multi-Agent框架，促進(jìn)了區(qū)域內(nèi)的教育資源共享與學(xué)習(xí)成果優(yōu)化[42]。

（二）人類(lèi)-Agent混合團(tuán)隊(duì)：在真實(shí)協(xié)作情境中提升學(xué)生的知識(shí)掌握與團(tuán)隊(duì)協(xié)作能力

隨著LLM的迅速發(fā)展，研究者開(kāi)始將其與協(xié)作問(wèn)題解決（CollaborativeProblem Solving，CPS）相結(jié)合，重點(diǎn)探究如何通過(guò)人類(lèi)-智能體混合團(tuán)隊(duì)（Human-AgentTeams，HAT）來(lái)促進(jìn)學(xué)生的學(xué)習(xí)成果與協(xié)作能力，以提升知識(shí)掌握水平并優(yōu)化團(tuán)隊(duì)協(xié)作效率。未來(lái)，有必要從多個(gè)維度深人探索Agent如何最有效地融人團(tuán)隊(duì)協(xié)作展開(kāi)多維度的探索。例如，可以考慮當(dāng)Agent在團(tuán)隊(duì)中扮演“學(xué)生”的角色而非傳統(tǒng)的教師或助教角色時(shí)，是否能夠有效降低學(xué)生間的權(quán)威感和焦慮感，激發(fā)更加自然的互動(dòng)；還可以探討Agent如何通過(guò)提問(wèn)、提供反饋和模擬錯(cuò)誤，激發(fā)學(xué)生的批判性思維和主動(dòng)學(xué)習(xí)能力，從而在模擬真實(shí)的學(xué)習(xí)場(chǎng)景中促進(jìn)團(tuán)隊(duì)成員發(fā)展批判性思維與主動(dòng)學(xué)習(xí)能力，同時(shí)深化知識(shí)共享，優(yōu)化團(tuán)隊(duì)動(dòng)態(tài)。

HAT的有效性在很大程度上取決于團(tuán)隊(duì)動(dòng)態(tài)互動(dòng)的設(shè)計(jì)與管理，因此，有必要考慮Agent在HAT中的角色（如提問(wèn)者、記錄者或協(xié)調(diào)者），并根據(jù)團(tuán)隊(duì)需求動(dòng)態(tài)調(diào)整。在當(dāng)前的角色區(qū)分中，尤其在團(tuán)隊(duì)生存任務(wù)和團(tuán)隊(duì)創(chuàng)造力任務(wù)中，通常將角色分為“任務(wù)專(zhuān)家”與“團(tuán)隊(duì)專(zhuān)家”。前者為團(tuán)隊(duì)提供知識(shí)庫(kù)支持的建議，后者為團(tuán)隊(duì)提供團(tuán)隊(duì)協(xié)作上的幫助[43]

（三）啟發(fā)式教學(xué)：引導(dǎo)學(xué)生自主思考

蘇格拉底式提問(wèn)作為一種啟發(fā)式教學(xué)方法，強(qiáng)調(diào)通過(guò)提出開(kāi)放性問(wèn)題引導(dǎo)學(xué)習(xí)者自主探索知識(shí)，而非直接告知答案。這一方法的核心在于通過(guò)對(duì)話(huà)激發(fā)學(xué)生的認(rèn)知沖突和深度思考，使學(xué)習(xí)成為一個(gè)主動(dòng)而非被動(dòng)的過(guò)程。然而，傳統(tǒng)的蘇格拉底式教學(xué)由于教師資源有限，在規(guī)?；逃须y以廣泛實(shí)施。LLM的引入為這一問(wèn)題提供了解決方案。它能夠通過(guò)自然語(yǔ)言對(duì)話(huà)模擬蘇格拉底式提問(wèn)，在個(gè)性化教學(xué)和大規(guī)模教育之間找到平衡點(diǎn)。目前，已有學(xué)者提出基于LLM的啟發(fā)式教學(xué)模型。例如，SocraticLM通過(guò)“Dean-Teacher-Student”Multi-Agent架構(gòu)，設(shè)計(jì)并生成35000條基于數(shù)學(xué)問(wèn)題的多輪教學(xué)對(duì)話(huà)數(shù)據(jù)集，有效模擬了不同認(rèn)知狀態(tài)學(xué)生的行為，構(gòu)建了一種既強(qiáng)調(diào)學(xué)生主動(dòng)參與又注重反思與討論的學(xué)習(xí)環(huán)境[44]。

相比于傳統(tǒng)課堂中教師的即時(shí)反饋，啟發(fā)式教學(xué)技術(shù)手段的介人進(jìn)一步增強(qiáng)了反饋的實(shí)時(shí)性和個(gè)性化。傳統(tǒng)采用啟發(fā)式教學(xué)方法中，教師通常通過(guò)設(shè)計(jì)開(kāi)放性問(wèn)題來(lái)激發(fā)學(xué)思考并鼓勵(lì)他們探索多種可能性[45]，但LLMAgent的不同之處在于，它不僅能夠在一對(duì)一交互中提供類(lèi)似經(jīng)驗(yàn)豐富教師的指導(dǎo)，還能夠通過(guò)感知學(xué)生輸人的變化，捕捉其情感和認(rèn)知的波動(dòng)，實(shí)時(shí)調(diào)整提問(wèn)策略。通過(guò)模擬教師與學(xué)生之間復(fù)雜的互動(dòng)，系統(tǒng)能夠提出精準(zhǔn)且具有啟發(fā)性的問(wèn)題，促使學(xué)生反思已有知識(shí)的局限性，并在此基礎(chǔ)上主動(dòng)提出新的疑問(wèn)。例如，SocraticLLM通過(guò)多輪提問(wèn)策略，根據(jù)學(xué)生的回答動(dòng)態(tài)調(diào)整問(wèn)題的深度和方向，以支持學(xué)生在探索過(guò)程中持續(xù)構(gòu)建認(rèn)知網(wǎng)絡(luò)。

（四）測(cè)評(píng)與反饋?zhàn)詣?dòng)化

鄭永和認(rèn)為，在LLM的加持下，教育評(píng)價(jià)正在由“經(jīng)驗(yàn)性評(píng)價(jià)”向“數(shù)字化評(píng)價(jià)”轉(zhuǎn)變、由“單一性評(píng)價(jià)”向“綜合性評(píng)價(jià)”轉(zhuǎn)變、由“結(jié)果性評(píng)價(jià)”向“過(guò)程性評(píng)價(jià)”轉(zhuǎn)變、由“診斷性評(píng)價(jià)”向“反饋性評(píng)價(jià)”轉(zhuǎn)變[46]。研究者預(yù)期LLMAgent能進(jìn)一步在學(xué)情分析、AI組卷以及動(dòng)態(tài)評(píng)估上發(fā)揮自動(dòng)化教學(xué)反饋流程的作用，因?yàn)槠鋬?yōu)勢(shì)在于能夠?qū)崟r(shí)對(duì)海量學(xué)習(xí)者的互動(dòng)數(shù)據(jù)進(jìn)行處理并提煉有效信息，反思教學(xué)信息推薦效果，最終為多層次的教育場(chǎng)景提供多維度的精準(zhǔn)化推薦[47]

通過(guò)異質(zhì)數(shù)據(jù)的挖掘與分析為學(xué)生提供學(xué)情測(cè)評(píng)，是教育LLMAgent為學(xué)生提供反饋的基礎(chǔ)。學(xué)情分析指通過(guò)對(duì)學(xué)生數(shù)據(jù)的收集與處理，深人了解學(xué)習(xí)者的知識(shí)狀態(tài)、學(xué)習(xí)行為和情感特征。作為教育過(guò)程中的核心環(huán)節(jié)，其意義在于為幫助學(xué)生明確學(xué)習(xí)目標(biāo)、修正學(xué)習(xí)策略并提高學(xué)習(xí)效率提供基礎(chǔ)。傳統(tǒng)測(cè)評(píng)往往依賴(lài)教師的個(gè)人勞動(dòng)，受限于時(shí)間和精力，覆蓋所有學(xué)生的全面、快速反饋需要消耗大量精力；另一方面，傳統(tǒng)評(píng)估往往是靜態(tài)的，即在固定時(shí)間點(diǎn)對(duì)學(xué)生的學(xué)習(xí)效果進(jìn)行測(cè)量，忽視了學(xué)習(xí)過(guò)程中的動(dòng)態(tài)變化?；贚LM的自動(dòng)化反饋系統(tǒng)為這一問(wèn)題提供了新的解決方案。例如，基于自然語(yǔ)言分析實(shí)時(shí)處理學(xué)生提交的文本答案，從中提取知識(shí)點(diǎn)掌握情況和情感狀態(tài)，并生成針對(duì)性的反饋建議，從而減輕教師的負(fù)擔(dān)。此外，未來(lái)多模態(tài)學(xué)習(xí)分析技術(shù)（例如語(yǔ)音、視頻和行為數(shù)據(jù)）的進(jìn)展可以允許教師從更多維度優(yōu)化學(xué)情分析的全面性，快速、實(shí)時(shí)獲取學(xué)生在學(xué)習(xí)中的各項(xiàng)狀態(tài)。與傳統(tǒng)方法相比，基于LLM反饋的系統(tǒng)一方面能夠從自然語(yǔ)言中抽取指標(biāo)（如對(duì)學(xué)生的作文在各個(gè)指標(biāo)上的表現(xiàn)自動(dòng)打標(biāo)），另一方面也能基于自然語(yǔ)言提供個(gè)性化反饋，還能確保反饋具有上下文相關(guān)性和語(yǔ)義深度，從而使教學(xué)反饋不再局限于淺層次上正確與否的判斷。

四、教育類(lèi)LLMAgent的挑戰(zhàn)

（一）依賴(lài)即時(shí)反饋對(duì)認(rèn)知能力產(chǎn)生負(fù)面影響

學(xué)生在智能教育系統(tǒng)中的學(xué)習(xí)行為受到多種因素的影響，其中，即時(shí)反饋被視為提升學(xué)習(xí)體驗(yàn)和學(xué)習(xí)效果的重要手段。然而，過(guò)度依賴(lài)即時(shí)反饋可能導(dǎo)致學(xué)生忽視自身的學(xué)習(xí)過(guò)程，弱化其元認(rèn)知能力的發(fā)展[48][49]。元認(rèn)知能力，作為學(xué)習(xí)者在學(xué)習(xí)過(guò)程中對(duì)自身認(rèn)知狀態(tài)進(jìn)行監(jiān)控、調(diào)節(jié)和評(píng)估的能力，是自主學(xué)習(xí)的核心要素。然而，智能教育系統(tǒng)中即時(shí)反饋的過(guò)度使用，可能削弱學(xué)生的自我監(jiān)控能力，使其形成對(duì)外部反饋的依賴(lài)[50]。例如，在一項(xiàng)實(shí)驗(yàn)研究中，Rol1等人（2011）發(fā)現(xiàn)，當(dāng)學(xué)生頻繁依賴(lài)系統(tǒng)提供的答案提示時(shí)，其問(wèn)題解決過(guò)程中對(duì)自身錯(cuò)誤的反思能力顯著下降[50]。

在元認(rèn)知能力的具體構(gòu)成中，自我監(jiān)控和調(diào)節(jié)能力是受到即時(shí)反饋依賴(lài)影響最顯著的方面。自我監(jiān)控指學(xué)習(xí)者對(duì)自身學(xué)習(xí)過(guò)程的實(shí)時(shí)觀(guān)察與判斷，而調(diào)節(jié)能力則是基于監(jiān)控結(jié)果對(duì)學(xué)習(xí)策略進(jìn)行調(diào)整的能力。Zepeda指出，在使用帶有即時(shí)反饋功能的智能教育系統(tǒng)時(shí)，學(xué)習(xí)者傾向于通過(guò)不斷請(qǐng)求外部提示來(lái)解決問(wèn)題，而非主動(dòng)評(píng)估和修正自己的錯(cuò)誤。長(zhǎng)期來(lái)看，這種行為模式可能削弱學(xué)生的學(xué)習(xí)主動(dòng)性和內(nèi)在動(dòng)機(jī)[51]

即時(shí)反饋依賴(lài)產(chǎn)生的機(jī)制在于兩方面。一方面，即時(shí)反饋的高效性和即時(shí)性可能使學(xué)習(xí)者產(chǎn)生“認(rèn)知偷懶”（cognitiveoffloading）的現(xiàn)象，即將本應(yīng)由自身完成的認(rèn)知任務(wù)轉(zhuǎn)移到外部工具上[52]。這種現(xiàn)象在智能教育系統(tǒng)中尤為普遍，因?yàn)橄到y(tǒng)所提供的反饋往往比學(xué)生的自我判斷更加準(zhǔn)確且快速。另一方面，學(xué)生缺乏對(duì)元認(rèn)知策略的訓(xùn)練也是導(dǎo)致即時(shí)反饋依賴(lài)的重要原因[48]。教育系統(tǒng)通常更注重知識(shí)傳授，而忽略了元認(rèn)知技能的培養(yǎng)，這使得學(xué)生在面臨復(fù)雜的學(xué)習(xí)任務(wù)時(shí)更傾向于依賴(lài)外部工具。

針對(duì)上述問(wèn)題，研究者提出了一些解決策略以緩解即時(shí)反饋依賴(lài)對(duì)元認(rèn)知能力的負(fù)面影響。其中一個(gè)主要方向，是通過(guò)設(shè)計(jì)干預(yù)措施來(lái)增強(qiáng)學(xué)生的元認(rèn)知意識(shí)和技能。例如，Roll等人（2011）提出了一種“漸進(jìn)式反饋”（scaffoldedfeedback）的方法，即通過(guò)逐步減少反饋強(qiáng)度的方式，迫使學(xué)生在完成任務(wù)時(shí)逐步增強(qiáng)自我監(jiān)控能力[50]。另一種方法是引人“反思性對(duì)話(huà)”（reflectiveprompts），即在學(xué)生接受反饋后引導(dǎo)其反思自己的錯(cuò)誤來(lái)源和改進(jìn)策略[53]。在具體實(shí)踐中，相比于傳統(tǒng)反饋系統(tǒng)，可在人機(jī)對(duì)話(huà)中添加“引導(dǎo)式問(wèn)題” （guidedquestioning），幫助學(xué)生在學(xué)習(xí)過(guò)程中主動(dòng)思考和反思，如前文提及的SocraticLM的啟發(fā)式教學(xué)方法[44]。

（二）在準(zhǔn)社會(huì)交往中對(duì)大語(yǔ)言模型產(chǎn)生情感依賴(lài)

隨著教育領(lǐng)域中LLM的廣泛應(yīng)用，學(xué)生與模型之間的互動(dòng)逐漸呈現(xiàn)出類(lèi)似于準(zhǔn)社會(huì)交往（ParasocialInteractive，PSI）的特征，進(jìn)而產(chǎn)生情感依賴(lài)并影響其現(xiàn)實(shí)社交能力。PSI指的是用戶(hù)與媒體中的虛擬人物建立單向情感聯(lián)系，盡管這種互動(dòng)并不包含真實(shí)的社會(huì)交流[54]。隨著LLM的擬人化和智能化，用戶(hù)對(duì)這些模型的情感投人和依賴(lài)顯著增加，尤其在教育場(chǎng)景下，學(xué)生往往將其作為情感支持的來(lái)源，而這會(huì)抑制學(xué)生與現(xiàn)實(shí)中的同齡人或教師的社交互動(dòng)，甚至加劇他們的社交回避和孤立感。

媒體等同理論能夠解釋這一機(jī)制。媒體等同指的是，用戶(hù)在與計(jì)算機(jī)系統(tǒng)互動(dòng)時(shí)，往往無(wú)意識(shí)地將社會(huì)交往規(guī)則應(yīng)用到這些技術(shù)中，從而對(duì)虛擬角色產(chǎn)生類(lèi)似于人際關(guān)系中的情感依賴(lài)[55]。內(nèi)向性和年齡是影響用戶(hù)與LLM互動(dòng)中情感依賴(lài)的調(diào)節(jié)因素。在教育中，特別需要關(guān)注內(nèi)向性較強(qiáng)的學(xué)生和青少年群體在與LLM互動(dòng)時(shí)可能形成的情感依賴(lài)風(fēng)險(xiǎn)。因?yàn)樗麄冊(cè)诂F(xiàn)實(shí)社交中可能面臨諸多挑戰(zhàn)，而與LLM的互動(dòng)相對(duì)而言是低風(fēng)險(xiǎn)的情感交流方式。此外，青少年和兒童正處于社會(huì)認(rèn)知和社交技能發(fā)展的關(guān)鍵階段，從LLM互動(dòng)中獲得的情感代償可能產(chǎn)生更嚴(yán)重的后果。因此，有必要特別關(guān)注青少年與Agent之間的情感依賴(lài)，以及這種依賴(lài)對(duì)現(xiàn)實(shí)社交能力的負(fù)面影響。

考慮到中小學(xué)群體更易受到與LLM互動(dòng)的PSI的影響，在教育場(chǎng)景下，這一由PSI和媒體等同機(jī)制所引發(fā)的情感依賴(lài)現(xiàn)象存在較大的風(fēng)險(xiǎn)，亟需得到研究者和教育實(shí)踐者的關(guān)注和有效干預(yù)[56]。為了應(yīng)對(duì)這種情感依賴(lài)在教育場(chǎng)景中的潛在風(fēng)險(xiǎn)，我們提出以下干預(yù)策略。第一，增強(qiáng)學(xué)習(xí)者（尤其是中小學(xué)生使用者）對(duì)LLM的認(rèn)知，使他們明確理解這些模型并非具備真實(shí)情感和人格的人類(lèi)；第二，強(qiáng)化現(xiàn)實(shí)社會(huì)互動(dòng)，如集體學(xué)習(xí)、協(xié)作任務(wù)的設(shè)計(jì)，以幫助學(xué)生更多地與教師和同伴進(jìn)行互動(dòng)，減少對(duì)虛擬交互的依賴(lài)。第三，教師和家長(zhǎng)的介人也起到至關(guān)重要的作用，他們可以通過(guò)為學(xué)生提供必要的心理支持和社交技能指導(dǎo)，幫助學(xué)生有效區(qū)分虛擬互動(dòng)與現(xiàn)實(shí)社交。第四，在交互設(shè)計(jì)層面，可以調(diào)整LLM的擬人化特征，避免過(guò)度擬人的語(yǔ)言和頭像，采用更客觀(guān)、中立的交互方式，從設(shè)計(jì)的角度減少情感依賴(lài)的產(chǎn)生。

（三）LLM幻覺(jué)

盡管LLM在教育領(lǐng)域的應(yīng)用，為個(gè)性化學(xué)習(xí)、智能輔導(dǎo)和教學(xué)資源生成等帶來(lái)了巨大提升，其幻覺(jué)（Hallucination）問(wèn)題卻引發(fā)了廣泛的爭(zhēng)論和擔(dān)憂(yōu)?；糜X(jué)指模型生成內(nèi)容中包含的不準(zhǔn)確或虛假的信息，原因在于幻覺(jué)代表著模型對(duì)訓(xùn)練數(shù)據(jù)的概率擬合偏好，而非對(duì)真實(shí)世界的語(yǔ)義理解[7]。在教育中，幻覺(jué)尤其具有風(fēng)險(xiǎn)，因?yàn)檎撟C合理但結(jié)論錯(cuò)誤的信息可能更容易誤導(dǎo)學(xué)生，對(duì)學(xué)生的學(xué)習(xí)效果和知識(shí)掌握造成不良影響。

幻覺(jué)的發(fā)生與LLM的工作機(jī)制密切相關(guān)。LLM通過(guò)統(tǒng)計(jì)學(xué)習(xí)文本數(shù)據(jù)，識(shí)別出其中的語(yǔ)言模式和結(jié)構(gòu)。這使模型能夠生成流暢且看似合乎邏輯的文本，但并不能保證內(nèi)容的事實(shí)準(zhǔn)確性。例如，在回答科學(xué)性問(wèn)題時(shí)，盡管語(yǔ)言流暢且具有邏輯，但仍會(huì)生成錯(cuò)誤的解釋或虛假信息。這在教育場(chǎng)景中的風(fēng)險(xiǎn)尤盛，尤其當(dāng)學(xué)生依賴(lài)模型生成內(nèi)容進(jìn)行學(xué)習(xí)時(shí)，幻覺(jué)可能導(dǎo)致錯(cuò)誤知識(shí)的傳播和認(rèn)知框架的誤導(dǎo)。例如，模型可能生成錯(cuò)誤的歷史事件時(shí)間線(xiàn)或錯(cuò)誤的因果關(guān)系，誤述科學(xué)概念或理論。更為嚴(yán)重的是，LLM生成的內(nèi)容由于語(yǔ)言的流暢性和表面上的可信性，往往容易被學(xué)生誤認(rèn)為是準(zhǔn)確的信息。這對(duì)缺乏批判性思維能力的學(xué)生的威脅可能更大，因?yàn)樗麄兏锌赡懿唤?jīng)批判，將AI生成的錯(cuò)誤信息視為事實(shí)。

為了解決大語(yǔ)言模型幻覺(jué)在教育領(lǐng)域帶來(lái)的風(fēng)險(xiǎn)，學(xué)術(shù)界和業(yè)界已經(jīng)從技術(shù)手段，內(nèi)容驗(yàn)證和事實(shí)檢查等方面提出了一些應(yīng)對(duì)策略。例如，RAG是解決幻覺(jué)的常見(jiàn)策略，通過(guò)實(shí)時(shí)檢索外部知識(shí)庫(kù)的信息來(lái)補(bǔ)充模型生成的內(nèi)容，從而降低幻覺(jué)的發(fā)生率。類(lèi)似地，結(jié)合知識(shí)圖譜的生成方法也能夠提高內(nèi)容的準(zhǔn)確性，特別是在科學(xué)教育領(lǐng)域；培養(yǎng)學(xué)生的批判性思維能力也是應(yīng)對(duì)幻覺(jué)風(fēng)險(xiǎn)的重要方式之一。在未來(lái)的智能教育中，教師有必要幫助學(xué)生提高識(shí)別和糾正模型生成錯(cuò)誤信息的能力，從而減輕幻覺(jué)對(duì)學(xué)習(xí)的負(fù)面影響。

從模型角度，透明性和解釋性也被視為解決幻覺(jué)問(wèn)題的關(guān)鍵。研究發(fā)現(xiàn)，模型的不可解釋性是幻覺(jué)產(chǎn)生的一個(gè)潛在因素[58]。為了提高LLM的透明性，可以在模型生成過(guò)程中加入因果推理機(jī)制，幫助用戶(hù)理解內(nèi)容生成的邏輯和數(shù)據(jù)來(lái)源，使學(xué)生和教師有條件檢查模型生成內(nèi)容的思維過(guò)程，在批判思考下快速識(shí)別和糾正潛在的幻覺(jué)內(nèi)容。

（四）放大訓(xùn)練語(yǔ)料中的偏見(jiàn)

LLM在訓(xùn)練過(guò)程中會(huì)放大訓(xùn)練數(shù)據(jù)中固有的人類(lèi)偏見(jiàn)。這種現(xiàn)象可能在教育場(chǎng)景帶來(lái)比日常使用更嚴(yán)重的風(fēng)險(xiǎn)。LLM的設(shè)計(jì)依賴(lài)于大規(guī)模的語(yǔ)料庫(kù)，而這些語(yǔ)料庫(kù)中不可避免地包含了人類(lèi)社會(huì)中的隱性偏見(jiàn)，從而訓(xùn)練結(jié)果中性別、種族、文化和社會(huì)地位等內(nèi)隱聯(lián)想嵌人到模型中[59]。LLM的偏見(jiàn)尤其在教育中存在風(fēng)險(xiǎn)，包括錯(cuò)誤的學(xué)習(xí)推薦、不平等的資源分配及文化認(rèn)同感的削弱[60]

偏見(jiàn)的放大不僅是一個(gè)技術(shù)性問(wèn)題，也是一個(gè)復(fù)雜的社會(huì)問(wèn)題，在教育技術(shù)的應(yīng)用中尤為突出。LLM在教育場(chǎng)景中被廣泛應(yīng)用于教育內(nèi)容生成、自動(dòng)化教學(xué)助手和個(gè)性化學(xué)習(xí)推薦等領(lǐng)域，這些應(yīng)用場(chǎng)景中潛在的偏見(jiàn)問(wèn)題可能加劇社會(huì)不平等。如果無(wú)法有效解決偏見(jiàn)問(wèn)題，它們可能會(huì)在無(wú)意中強(qiáng)化已有的社會(huì)不平等結(jié)構(gòu)。例如，在LLM的生成過(guò)程中，性別偏見(jiàn)尤為突出。Caliskan等人（2017）的研究表明，基于詞嵌人的模型可能無(wú)意中將性別角色的刻板印象傳遞到生成的文本中，如將“男性”與“工程師”關(guān)聯(lián)，而將“女性”與“護(hù)士”關(guān)聯(lián)[59]。類(lèi)似的內(nèi)隱性聯(lián)想如果出現(xiàn)在模型的輸出或推薦內(nèi)容中，可能在無(wú)形中影響學(xué)生對(duì)職業(yè)角色的理解，加劇教育資源的偏見(jiàn)分配。

在解決偏見(jiàn)方面，除了當(dāng)前對(duì)LLM對(duì)齊的基于人工反饋的強(qiáng)化學(xué)習(xí)方法（RLHF）之外，偏見(jiàn)的去除方法涉及從訓(xùn)練語(yǔ)料準(zhǔn)備、模型訓(xùn)練到微調(diào)的全流程，包括在語(yǔ)料庫(kù)構(gòu)建階段加強(qiáng)數(shù)據(jù)的多樣性和代表性，設(shè)計(jì)更細(xì)致的偏見(jiàn)檢測(cè)和修正方法，以及在模型訓(xùn)練中引人去偏見(jiàn)算法（debiasingalgorithms）。在語(yǔ)料準(zhǔn)備階段，通過(guò)手動(dòng)和自動(dòng)方法過(guò)濾掉語(yǔ)料中的偏見(jiàn)內(nèi)容是一種有效的策略。例如，Dinan等人（2020）提出了一種語(yǔ)料清洗框架，通過(guò)人工標(biāo)注和機(jī)器學(xué)習(xí)結(jié)合的方式去除訓(xùn)練數(shù)據(jù)中的偏見(jiàn)[61]。但這一方法的難點(diǎn)在于，偏見(jiàn)本身往往是隱性的，難以通過(guò)簡(jiǎn)單的清洗完全去除。學(xué)者們也嘗試從模型訓(xùn)練角度提出解決策略。例如，Zhao等人（2018）提出了一種基于對(duì)抗學(xué)習(xí)的去偏見(jiàn)方法，通過(guò)引入一個(gè)偏見(jiàn)檢測(cè)器在訓(xùn)練過(guò)程中動(dòng)態(tài)調(diào)整模型的權(quán)重分布，從而減少模型對(duì)偏見(jiàn)的依賴(lài)[2]。同時(shí)，針對(duì)模型生成階段的偏見(jiàn)檢測(cè)和修正技術(shù)也在不斷發(fā)展。對(duì)偏見(jiàn)的去除是一個(gè)持續(xù)挑戰(zhàn)，這一過(guò)程需要多方面的協(xié)作與創(chuàng)新。

參考文獻(xiàn)：

[1]SuppesP.Models ofdata[M/OL]//Logic，MethodologyandPhilosophyofScience，Proceedingofthe1960 International Congress.Elsevier，1966：252-261.http：//dx.doi.org/10.1016/s0049-237x（09）

70592-0.

[2]AndersonJR，Corbett AT，KoedingerKR，etal. Cognitive tutors：lessons learned [J/OL]．Journal of the Learning Sciences，1995，4（2）：167-207.

[3]Dillenbourg P，Self J．Designing human-computer collaborative learning[M/OL]//ComputerSupported Collaborative Learning.SpringerBerlin Heidelberg， 1995：245-264．http：//dx.doi.org/10.1007/978-3- 642-85098-1_13.

[4]Schnotz W，Bannert M.Construction and interference in learning frommultiple representation[J/OL].Learning and Instruction，2003，13（2）：141-156.

[5]Zhang H，ChenY，WangM，etal．FEEL：a framework forevaluatingemotional support capabilitywith large language models[C]//International Conferenceon Intelligent Computing.Springer，2024：96-107.

[6]WangX，Li X，YinZ，et al.Emotional intelligence of large language models[J/OL].Journal of Pacific Rim Psychology，2023，17：18344909231213958.

[7]王一巖，劉淇，鄭永和．對(duì)話(huà)式人機(jī)協(xié)同學(xué)習(xí)：本質(zhì) 內(nèi)涵與未來(lái)圖景[J]．中國(guó)電化教育，2024（11）： 21-27.

[8]Luckin R，George K，Cukurova M.What is Al and why MIGHTAl be useful in education？[M/OL]//Al for School Teachers.CRC Press，2022：1-16．http：//dx. doi.org/10.1201/9781003193173-1.

[9]Kasneci E，Seβler K，Kuchemann S，et al.ChatGPT for good？ On opportunities and challenges of large language models for education[J/OL].2023.http：//dx.doi. org/10.35542/osf.io/5er8f.

[10]Gao W，Liu Q，Yue L，et al.Agent4Edu：generating learnerresponsedata bygenerativeagentsfor intelligent education systems [J].

[11]Chiu T K F．Future research recommendations for transforming higher education with generative Al[J/ OL]．Computers and Education：Artificial Intelligence， 2024，6：100197.

[12]ZhangK，GongW，Liu Q，etal．Intelligent interaction platform forpersonalized digital tutor：advancing empatheticandadaptivelearningexperiences [J].2025.

[13］樂(lè)陽(yáng)，潘香霖，陳向東.AI大模型在教育應(yīng)用中的 倫理風(fēng)險(xiǎn)與應(yīng)對(duì)[J/OL].蘇州大學(xué)學(xué)報(bào)（教育科學(xué) 版），2024，12（1）：87-96.

[14］曹培杰，謝陽(yáng)斌，武卉紫，等．教育大模型的發(fā)展現(xiàn) 狀、創(chuàng)新架構(gòu)及應(yīng)用展望［J]．現(xiàn)代教育技術(shù)， 2024，34 （2）：5-12.

[15]Stahl G，Hesse F.Social practices of computersupported collaborative learning [J/OL].International Journal of Computer-Supported Collaborative Learning， 2006，1（4）：409-412.

[16]Hmelo-Silver C E，Barrows HS.Goals and strategies ofaproblem-based learningfacilitator [J/OL] ： Interdisciplinary Journal of Problem-based Learning， 2006，1（1）．http：//dx.doi.org/10.7771/1541- 5015.1004.

[17]Lund A，Rasmussen I．The right tool for the wrong task？Match and mismatch between first and second stimulusin double stimulation[J/OL].International Journal of Computer-Supported Collaborative Learning， 2008，3（4）：387-412.

[18]Mercer N，Howe C.Explaining the dialogic processes of teaching and learning：the value and potential of SOciocultural theory[J/OL]．Learning，Culture and Social Interaction，2012，1（1）：12-21.

[19]Scardamalia M，Bereiter C．Knowledge building： theory，pedagogy，and technology[M/OL]//The Cambridge Handbook ofthe Learning Sciences. Cambridge University Press，2005：97-116．http：// dx.doi.org/10.1017/cbo9780511816833.008.

[20]Chen B，ResendesM，Chai C S，etal．Two tales of time：uncovering the significance of sequential patterns amongcontributiontypesinknowledge-building discourse [J/OL]. Interactive Learning Environments， 2017，25 （2）：162-175.

[21]Bruner J.The culture of education[M/OL]．Harvard UniversityPress，1996.http：//dx.doi.org/10. 4159/9780674251083.

[22]Linn MC，Clark D，SlottaJD.WISE design for knowledge integration [J/OL] .Scienceamp;Education，2003，87（4）： 517-538.DOl：10.1002/sce.10086.

[23]Schunk D H，DiBenedetto MK.Motivationand social cognitive theory[J/OL].Contemporary Educational Psychology，2020，60：101832.

[24]Sweller J．Cognitive load theory，learning dificulty， andinstructional design [J/OL] .Learningand Instruction，1994，4（4）：295-312.

[25]Kalyuga S，Singh AM.Rethinking the boundaries of cognitive load theory in complex learning[J/OL]. Educational Psychology Review，2015，28（4）： 831-852.

「26]Vaewani△ Sha7oar Nl Parmar Nl at al △ttantinn le All You Need[A/OL]．a(chǎn)rXiv，2017[2022-12-19]. http：//arxiv.org/abs/1706.03762.

[27]Dai Z，Yang Z，YangY，et al.Transformer-XL： attentive languagemodels beyonda fixed-length context[C/OL]//Proceedings of the 57th Annual MeetingoftheAssociationforComputational Linguistics.Association for Computational Linguistics， 2019.http：//dx.doi.org/10.18653/v1/p19-1285.

[28]SakarvadiaM，AjithA，KhanA，etal．Memory injections： correctingmulti-hop reasoningfailuresduring inferencein transformer-based languagemodels[C/OL]// Proceedingsofthe6thBlackboxnlpWorkshop：Analyzing and Interpreting Neural Networks for NIp.Association for Computational Linguistics，2023：342-356.http：// dx.doi.org/10.18653/v1/2023.blackboxnlp-1.26.

[29]Hooper C，Kim S，Mohammadzadeh H，etal．SPEED： speculative pipelined execution for efficient decoding [J/Λ OL].Arxiv-cs.cl，2023.htps：//www.paperdigest.org/ paper/？paper_id arxiv-2310. 12072.

[30]Wu H，Gan Y，Yuan F，et al．Efficient LLM inference Solution on intel GPU[J/OL]．Arxiv-cs．a(chǎn)r，2023. https：//www.paperdigest.org/paper/？paper_id Σ=Σ arxiv-2401.05391.

[31]Hu C，Huang H，Xu L，et al．Inference without interference：disaggregate LLMinference for mixed downstream workloads [J/OL]．Arxiv-cs.dc，2024. https：//www.paperdigest.org/paper/？paper_id Σ=Σ arxiv-2401.11181.

[32]Bansal A，Suddala S.Enhancing generative Al capabilitiesthroughretrieval-augmentedgeneration systemsand LLMs [J/OL] .LibraryProgress International，2024，44（3）：17776-17787.

[33]Bajnbridge L.A reviews of “human problem solving\". By a．NEWELL and H.A. SIMON.（englewood clifs， N．J.：prentice-hall，1972.）[pp. 50[J/OL].Ergonomics，1973，16（6）：892-899.

[34]Laird JE，Newell A，Rosenbloom P S.SOAR：an architecture forgeneral intelligence[J/OL]．Artificial Intelligence，1987，33（1）：1-64.

[35]Henkel O，Horne-Robinson H，Dyshel M，etal.Learning to loveedgecasesin formativemathassessment：using the AMMORE dataset and chain-of-thought prompting to improve grading accuracy[J/OL].Arxiv-cs.ai，2024.https：// www.paperdigest.org/paper/？paper_id Σ=Σ arxiv2409.17904.

[36]Amin R M.Theories of learning cognitivism andislamic education：implications of learning cognitivism theory in islamiceducation [J/OL] ．International Journal of Islamic Studies，2021．https：//www.paperdigest. org/paper/？paper_id Σ=Σ doi.org_10.24252_ijis. v1i1.25524.

[37]FengY，GengYao，ZhuY，et al.PM-MOE：mixture ofexpertsonprivatemodelparametersfor personalized federated learning [J/OL] .Arxiv-cs. Ig，2025．https：//www.paperdigest.org/paper/？ paper_id arxiv-2502.00354.

[38]Liu S，F(xiàn)engJ，Shen X，et al．VCR：a“cone of experience\"drivensyntheticdatageneration framework for mathematical reasoning[J].

[39]Zhang Z，Zhang-Li D，Yu J，et al．Simulating classroom education with LLM-empowered agents [J/OL]．Arxiv-cs. cl，2024.https：//www.paperdigest.org/paper/？paper_ d arxiv-2406.19226.

[40]WangS，Wang F，Zhu Z，etal．Artificial intelligence in education：a systematic literature review[J/OL]. ExpertSystemswith Applications， 2024， 252：124167.

[41]Subramaniam KM，ldris I，Loganathan RK.Financial education in malaysian primary schools curiculum [J/Λ] OL].International Journal of Innovative Science and Research.，2024．https：//www.paperdigest.org/ paper/？paper_id Σ=Σ doi.org_10.38124_ijisrt_ ijisrt24apr1779.

[42]Nongko PA，Said H，Ndibo YL，et al．Learning strategies for equal education programs for learning citizen in non-formal education [J/OL] .International Journal of Research in Education，2024．https：// www.paperdigest.org/paper/？paper_id τ=τ doi.org_ 10.26877_ijre.v4i2.572.

[43]Schecter A，Hohenstein J，Larson L，et al．Vero：an

（ accessible method for studying human-Al teamwork [J/OL].Computers in Human Behavior，2023， 141：107606.

[44]LiuJ， Huang Z， XiaoT，et al. SocraticLM：exploring socraticpersonalized teachingwith large language models[J].AdvancesinNeuralInformation Processing Systems，2024，37：85693-85721.

[45]PaulR，NiewoehnerR，ElderL.Stagesof criticalthinking development[M/OL]//The Thinker'sGuideto Engineering Reasoning.Rowmanamp;LittlefieldPublishers， 2019：51-53.http：//dx. doi.org/10.5771/ 9781538133798-51.

[46]鄭永和，王一巖，楊淑豪．人工智能賦能教育評(píng)價(jià)：價(jià)值、挑戰(zhàn)與路徑［J/OL]．開(kāi)放教育研究，2024，30 （4）：4-10.

[47]LvR，Liu Q，Gao W，et al.GenAL：generative agent for adaptive learning[J].

[48]Azevedo R，Moos DC，Johnson A M，et al.Measuring cognitiveand metacognitiveregulatoryprocesses during hypermedia learning：issues and challenges [J/ OL].Educational Psychologist，2010，45（4）： 210-223.

[49]Winne P H．Cognition and metacognition within selfregulated learning[M/OL]//Handbook ofSelfregulation of Learningand Performance．Routledge， 2017：36-48.http：//dx.doi.org/10.4324/ 9781315697048-3.

[50]RollI，AlevenV，McLaren BM，etal.Metacognitive practice makes perfect：improving students’selfassessment skills with anintelligent tutoring system [M/OL]//Artificial Inteligence in Education.Springer BerlinHeidelberg，2011：288-295．http：//dx.doi. org/10.1007/978-3-642-21869-9_38.

[51]Zepeda CD，RicheyJE，Ronevich P，et al．Direct instructionofmetacognitionbenefitsadolescent science learning，transfer，and motivation：an in vivo study [J/OL] .Journal of Educational Psychology，2015， 107 （4）：954-970.

[52]Risko EF，Gilbert S J.Cognitive offloading[J/OL]. Trendsin Cognitive Sciences，2016，20（9）： 676-688.

[53]Davis E A．Prompting middle school science students for productive reflection：generic and directed prompts [J/OL]．Journal of the Learning Sciences，2003，12 （1）：91-142.

[54]Horton D，Richard Wohl R.Mass communication and para-social interaction：observations on intimacy at a distance[J/OL]．Psychiatry，1956，19（3）： 215-229.

[55]Lee KM，Nass C.Designing social presence of social actorsin human computer interaction [C/OL]// Proceedings of the Conference on Human Factors in

Computing Systems-Chi’03．ACM Press，2003.

http：//dx.doi.org/10.1145/642659.642662.

[56]Parker MJ，Anderson C，Stone C，et al.A large language modelapproachtoeducational survey feedbackanalysis [J/Λ OL].Arxiv-cs.cl，2023.https：//www.paperdigest.org/ paper/？paper_id arxiv-2309.17447.

[57]Ji Z，Lee N，F(xiàn)rieske R，et al．Survey of hallucination in natural language generation [J/OL] ACM Computing Surveys，2023，55（12）：1-38.

[58]Zhang D，Gangal V，Latimer B，et al．.Enhancing hallucinationdetectionthroughperturbation-based synthetic data generation in system responses [C/ OL]//Findings of the Association for Computational Linguistics Acl 2024．Association for Computational Linguistics，2024：13321-13332．htp：//dx.doi.org/ 10.18653/v1/2024.findings-acl.789.

[59]Caliskan A，Bryson JJ，Narayanan A．Semantics derived automatically from languagecorpora contain human-like biases[J/OL].Science，2017，356（6334）：183-186.

[60]Bender EM，GebruT，McMillan-MajorA，etal.On the dangers of stochastic parrots：can language models Be toobig？[C/OL]//Proceedings of the2021ACM ConferenceonFairness，Accountability，and Transparency.ACM，2021：610-623.http：//dx.doi. org/10.1145/3442188.3445922.

[61]Dinan E，F(xiàn)anA，WuL，etal.Multi-dimensional gender bias classification [C/OL]//Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing（emnlp）.Association for Computational Linguistics，2020.htp：//dx.doi.org/10.18653/v1/ 2020.emnlp-main.23.

[62]Zhao J，Wang T，Yatskar M，et al．Gender bias in coreferenceresolution：evaluationanddebiasing methods[C/OL]//Proceedingsofthe2018 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies，Volume2（short Papers）. Association for Computational Linguistics，2018. http：//dx.doi.org/10.18653/v1/n18-2003.

Abstract：Thispaper systematically explores theapplicationof Large Language Model Agents（LLMAgents）in education，analyzingtheirtheoretical foundations，technicalframeworks，applicationmodes，andthechallnges they face.Byreviewing thedevelopment historyof educationaltechnology，weanalyzetheadvantagesofLLMAgentsin education，particularlytheirpotential forpersonalized learningand inteligenttutoring．Throughtheintroductionof key technologies such as the Transformer architectureand Retrieval-Augmented Generation （RAG），along withcase studies， wedemonstrate howLLMAgents supporteducationalagents ineficientlyexecuting complexeducational tasksand their application effects in classroom teaching，personalized learning plans，and curriculum design.

Keywords：Intelligent Education；BigLanguageModel；Intelligent Agent.

（責(zé)任編校：周文鼎）