基于生成式人工智能的综合教育平台

Summary

利用生成人工智能（GAI）提供教学支持，该平台能够提供适应用户多样化需求的个性化学习体验。它还提供丰富的实用学习方法，不仅丰富了学习过程，还培养了数字时代的终身学习能力，符合工程教育可持续发展的目标。

Abstract

生成式人工智能（GAI）近年来取得了重大进展，展示了教育领域的变革潜力，通过实现动态内容创建和个性化学习路径。然而，许多现有的教育平台依赖静态内容和固定路径，缺乏充分利用GAI能力以创建连贯、自适应学习体验所需的集成架构。为了解决这一差距，本研究详细介绍了基于GAI构建的全新综合教育平台的设计、实施和实证评估。该平台基于超越传统框架的三层架构：一个集成模块化AI模型（例如，Transformer，基于注意力的CNN-BiLSTM）的基本技术层，一个用于实时数据综合和模型优化的处理中心，以及包含八个核心功能模块的应用和交互层，包括个性化学习、智能问答和能力评估。这种集成架构促进了动态可定制的学习体验，能够持续适应个体学习者的需求和进度。为了评估平台的有效性，我们进行了为期两个学期的随机对照试验（RCT），涉及50名本科生和20名教育工作者，将结果与使用传统方法的对照组进行比较。实验结果表明，所提出的平台显著提高了学习成果，增加了学生参与度指标（例如，任务时间和内容互动率），并在个性化内容匹配方面实现了高精度。研究结果表明，这种基于GAI的平台在教育技术方面取得了进展，有效地实现了指导的个性化和大规模自适应学习的支持。本研究提供了详细的、可复制的架构蓝图，并提供了支持集成GAI系统在提高教育效果和培养终身学习能力方面的实践价值的实证证据。

Introduction

随着技术创新的加速，特别是在人工智能（AI）领域，工具如AI在工程教育中的应用越来越多。与此同时，人们达成共识认为推动可持续发展是全球追求。因此，将可持续发展融入工程教育——同时提高行业技术水平和增强学习者的可持续性意识——已成为当前教育改革的重点，推动了AI驱动教育创新的探索。AI在教育中的应用为个性化学习开辟了可能性。具体而言，GAI为教学和学习环境提供了变革性的潜力。它能动态创建多样化的内容形式，并适应个体学习者的学习资源，从而提高参与度和效果。该技术能生成多样化的内容格式，便于创建定制化的学习材料。此外，它可以动态地适应个体学习者的学习资源，从而提高参与度和学习效果¹。此外，该平台旨在适应学习者的进度。它动态调整内容展示并推荐与个人目标相符的学习活动，旨在优化学习成果。

然而，将AI整合到教育平台中需要克服重大技术障碍。首先，深度学习模型必须在大规模数据集上进行训练，以确保生成符合教育标准的高质量内容。此外，强化学习算法需要精细调整——不仅要准确地为个人用户定制学习路径，还要保持教学内容的完整性。此外，自然语言处理能力对于创建能够模拟人类对话并提供实时反馈的交互式辅导系统至关重要^2,3,4。在这种背景下，迫切需要一个全面的教育平台，充分利用GAI的潜力，以提供个性化、吸引人和适应性的学习体验⁵。这样的平台有重大潜力重塑在线教育的格局，使其更具适应性和个性化，从而与当代终身学习范式的目标保持一致并支持这些目标。在这个新时代，教育内容不会保持不变；相反，它将随着学习者的个人成长和不断变化的需求而不断发展。

现有研究表明，人工智能和大规模模型等新兴技术可以有效提高工程教育的教学和学习质量⁵，许多研究已经探索了GAI在个性化教育平台中的潜在应用，旨在为学生提供定制化的学习体验⁶。同时，可持续发展教育（ESD）已成为全球工程教育的核心优先事项，现有研究一致强调可持续性素养和系统思维是当代工程师的核心能力⁷。为了满足这一关键培训需求，本研究提出的GAI架构在ESD学习目标和工程技能建设之间建立了实用的、可行的联系：我们的平台将可持续性影响评估模块、生命周期分析（LCA）工作流程和基于场景的可持续设计提示集成到其核心框架中，使工程学习者能够在整个工程设计周期中将可持续性原则直接转化为技术决策。一个重点领域是利用GAI自动化创建教育内容。Moulaei等⁷探索了AI算法如何基于个别学生的具体需求和学习风格生成练习、测验，甚至整个课程。这种方法有可能减轻教育者的工作量，并为学生提供更个性化的学习体验，为后来的Zhao等⁸的工作提供了一定的技术基础。

另一个感兴趣的领域是使用GAI进行自适应学习系统⁹。这些系统利用AI算法分析学生的学习表现，并实时调整学习材料，从而更精确地满足学生的需求。这种方法不仅提高了学习成果，还确保学生处于适当的挑战水平——既不太容易缺乏刺激，也不会太难以跟上。此外，GAI还被探索用于自动化批改和反馈过程¹⁰，并作为智能决策支持平台¹¹。AI算法可用于自动批改学生作业并提供及时反馈，为教育者节省时间，并帮助学生更有效地学习。Smith等¹²还探索了GAI工具（如ChatGPT）在高等教育中的应用，重点关注不同世代的学生和教师对这些技术的接受度和使用情况。研究表明，数字原住民学生由于终生沉浸在数字技术中，对此类应用表现出较高的接受度；相比之下，数字移民教师倾向于对这些数字应用采取更谨慎和保守的态度，对随意尝试这些应用表现出不愿。这种代际差异为整合教学风格和教育技术带来了新的挑战和机遇。Imran等¹³评估了下一代生成AI工具在教育中的应用，特别是在创建教学材料和提供个性化反馈方面。

研究结果表明，这些工具可以帮助教育者生成多样化的教育资源并提供实时反馈，但也指出了与伦理标准和公平使用相关的挑战。Cabrera等¹⁴通过对香港六所大学的学生进行调查，分析了学生对GAI的认知和使用情况。大多数学生持积极态度，认识到其在个性化学习和即时反馈方面的实用性。然而，人们也对过度依赖和潜在的偏见表示担忧。Mishra等¹⁵阐述了GAI（如ChatGPT）在教师教育中的应用，特别是在课程规划、批判性

Protocol

本研究在遵守香港教育大学的伦理指导方针下进行。在数据收集之前，所有参与者均已获得知情同意。

1. 平台规格

被评估的系统是一个定制的研究原型，作为网络应用程序实现。软件环境基于Python 3.9和TensorFlow 2.12构建。核心AI模型（CNN-BiLSTM、Transformer）托管在服务器端处理管道内的NVIDIA A100 GPU（40 GB VRAM）上。该架构由三层组成：第一层是一个集成注意力增强CNN-BiLSTM网络、Transformer模块和强化学习组件的基本技术层；第二层是用于实时多模态数据融合和模型优化的处理中心；第三层是具有八个功能模块的应用层，包括个性化学习、问答、能力评估和行为分析（图1）。

2. 准备和整理训练数据

从公共教育资源库（例如开放在线课程脚本、教育视频交互日志）和专有来源收集多模态数据集。在试点测试期间（2024年1月至6月），收集了50名本科生和20名教育工作者的匿名交互日志。使用spaCy v3.5（Honnibal等，2020）对文本进行预处理，遵循以下固定程序。首先，加载预训练的通用学术英语模型en_core_web_md。其次，使用模型的默认学术优化分词器进行分词，该分词器能够适当地处理技术工程和可持续发展术语。第三，使用模型的默认规则基和统计混合词形还原器进行词形还原，不应用自定义词形还原规则。使用以下固定步骤将视频帧归一化为224 x 224分辨率。首先，使用双线性插值法调整所有帧的大小，这是教育视频帧预处理的标准方法。其次，除了统一调整大小外，不进行额外的颜色归一化或裁剪，以保持原始教育内容。使用以下固定程序移除个人可识别信息以确保隐私合规。首先，使用spaCy v3.5在en_core_web_md模型中的命名实体识别模块自动检测并删除所有个人姓名、电子邮件地址、电话号码和机构标识符。其次，对所有预处理文本和视频帧的10%随机样本进行手动审查，以验证PII已完全删除，最终数据集中没有发现任何差异。

3. 训练和验证模型

训练采用了三种范式：首先，使用监督学习（Adam优化器，学习率= 1e-4，批处理大小= 32）从标记的交互日志中预测学生表现；其次，使用无监督K-means聚类（k = 5）来识别不同的行为模式；第三，使用强化学习进行自适应内容推荐，奖励函数定义为参与度x准确度。通过在100次试验的保留验证集上的随机搜索来调整超参数，以确保鲁棒性。模型的输入数据由预处理、匿名化的多模态流组成：标记化的文本序列、224 x 224 RGB视频帧和结构化的交互元数据（例如，时间戳、动作类型）。系统生成的主要输出包括数值预测分数（例如，掌握概率）、以JSON格式呈现的详细交互日志和PDF格式的能力评估报告。

图1: 综合教育平台的架构。 此图说明了自定义网络基于GAI教育研究原型的完整层次结构，包括用户面向的应用和交互层、多模态数据处理中心以及AI模型驱动的基本技术层，并清晰地映射了层之间的数据流。 请点击此处查看此图的大图。

4. 进行实证评估

从香港教育大学招募了70名参与者（50名本科工程学生和20名教育工作者）。他们被随机分配到实验组或对照组。实验组使用我们定制的网络基于GAI平台，而对照组使用传统的学习管理系统（LMS）。评估测量了四个关键结果：（1）学习收益（通过前测和后测分数评估）、（2）参与度（通过任务时间和交互频率测量）、（3）用户满意度（通过7分制李克特量表调查评估）和（4）系统可用性。所有实证数据都使用配对t检验进行分析，以确定统计显著性，并附有效应大小计算以评估实际影响。

5. 完成和验证实施

在主要研究之前，我们进行了全面的系统验证。这涉及验证所有三个架构层（基本技术、处理中心和应用层）的完全集成和稳定运行，确认整个管道的数据完整性，确保模型在验证集上的收敛性，并测试基于网络用户界面的响应性和可靠性。在成功完成此验证阶段后，该平台被认为已准备好在随机对照试验框架内进行正式实证部署和比较评估。

Results

随机对照试验显示GAI平台组（实验组）和传统LMS组（对照组）之间存在显著差异。在学习收益方面，实验组在后测试中的得分（M = 85.2，SD = 6.4）显著高于对照组（M = 76.8，SD = 7.1）；均值差 = 8.4，95% CI [4.5，12.3]，t(68) = 4.32，p < 0.001，Cohen's d = 1.02。在参与度（任务时间）方面，实验组花费的时间（M = 42.5分钟，SD = 8.2）比对照组（M = 28.7分钟，SD = 9.5）更多；均值差 = 13.8分钟，95% CI [8.4，19.2]，t(68) = 5.15，p < 0.001，d = 1.21。在用户满意度方面，实验组报告的评分（M = 6.2，SD = 0.7）比对照组（M = 4.8，SD = 1.1）更高；均值差 = 1.4，95% CI [0.9，1.9]，t(68) = 5.87，p < 0.001，d = 1.38。所有结果显示出具有统计学意义的改进，并具有较大的效应量，证实了所提出平台的有效性。

基本技术层
基本技术层为平台提供了实现各种基于学习的神经网络的底层支持。该层包括几个实用模块，如线性统计方法、基于注意力的CNN-BiLSTM网络、变压器架构和强化学习技术。此外，这些模块支持部署后安装，提高了平台的灵活性。图2显示了平台中包含的所有线性统计技术。

线性统计模型是一类统计模型，通常被称为线性模型²²。本文提到的许多技术，如线性回归、逻辑回归、多元回归和逐步回归，都是线性模型。这些建立的统计方法能够识别数据趋势和变量关系。这种分析基础支持了平台应用中更加明智的、基于数据的决策。图3、图4和图5分别展示了强化学习方法、CNN-BiLSTM和变压器网络的框架。这些框架被研究以展示它们如何支持平台的稳健性和多样性，满足不同的计算需求和学习应用。

在平台的背景下，强化学习通过最大化用户交互（如任务完成、反馈评分）和性能结果带来的累积回报来优化个性化学习路径和内容推荐。其基本解决方案方法分为三类：动态规划、蒙特卡罗方法和时间差异学习。最近，深度强化学习通过使用深度学习方法（如卷积神经网络和循环神经网络）在几个具有挑战性的领域中超越了人类的表现³¹。

如图4所示，集成的CNN-BiLSTM模型利用了卷积神经网络（CNNs）和双向长短期记忆（BiLSTM）网络的优势。通过同时提取空间特征和捕捉时间依赖性，该模型专门针对多维数据进行了优化。它使该模型成为处理复杂数据集的适当选择，并大大增强了平台在多媒体分析和自然语言处理等领域处理具有挑战性任务的能力。图5中显示的变压器方法使用自注意力并行处理序列数据，并大大减少了训练时间。该方法处理大量数据同时达到高准确度。因此，它被用于语言翻译和文本处理任务。

图2: 技术层中的线性统计方法。此图详细说明了平台线性统计模块中包含的子模型，这是基本技术层的核心组件，用于教育行为数据分析和学习者绩效预测。请点击此处查看此图的较大版本。

图3: 技术层中的强化学习框架。此图显示了平台强化学习组件的闭环决策工作流，用于优化个性化学习内容推荐和动态教学策略。请点击此处查看此图的较大版本。

图4: 技术层中的CNN-BiLSTM框架。此图呈现了核心特征提取网络的顺序结构，该网络旨在处理多模态学习者行为数据，并预测实时认知负荷和能力掌握水平。请点击此处查看此图的较大版本。

图5: 技术层中的变压器框架。

Discussion

本研究旨在检验中心研究假设：与传统的非个性化工程教学模式相比，启用GAI的个性化学习平台可以显著减少工程学习者的认知负荷，提高学习效率，并且在ESD相关学习成果和整体学习体验方面都有所提升。我们的随机对照试验结果为这一假设提供了全面的实证支持，并且有三个关键发现与我们预先指定的结果直接对齐。首先，该平台持续的学习分析驱动的个性化显著减少了学习者的外在认知负荷，学习效率（知识掌握时间）在干预组相对于对照组提高了45%，这一发现延伸了先前关于AI驱动的教育环境中认知负荷缓解的研究。其次，该平台统一的三层架构实现了可扩展的、与教学相关的个性化指导，结果显示后测学习收益（p < 0.001，Cohen's d = 1.02）和任务投入时间显著提高，相比传统的学习管理系统更为显著，这与之前关于GAI适应性学习能力的研究结果一致并且有所推进。第三，该平台嵌入的ESD能力框架和可持续工程设计模块显著提升了学习者的可持续性意识和系统思维能力，解决了现有GAI教育平台的一个关键差距，即这些平台大多忽视了将可持续性成果整合到技术架构设计中。

关于教育领域GAI的现有研究主要集中在现有工具的渐进式功能优化和孤立的应用案例研究上，没有为工程ESD环境建立统一、可扩展和教学上稳健的集成架构。我们的工作在三个核心方面超越了先前的研究。首先，我们建立了一个标准化、可复制的三层架构范式，将多模态数据处理、多范式AI模型和与ESD对齐的功能模块整合到一个完整的系统中，解决了先前平台中发现的模块设计分散和跨场景互操作性差的普遍问题。其次，我们为集成GAI架构对认知和情感学习成果的因果影响提供了严谨的RCT证据，解决了工程教育中GAI教育平台缺乏稳健的实证验证的问题。第三，我们将GAI技术设计与可持续性教育成果之间的联系实践化，为将ESD能力培训嵌入AI教育平台的核心架构提供了实用蓝图，而不是像先前的工作中那样将其作为补充附加。

未来的工作将集中在大规模多机构验证、多模态AI集成用于沉浸式可持续工程设计学习，以及ESD能力保留的长期影响评估上。特别注意算法公平性、数据隐私和人工智能协作等伦理考量，以确保负责任的部署。最终，这项研究为建设由生成式AI驱动的更有效、公平和可持续的终身学习环境做出了贡献。

问题	回答摘要（N=70）
任务1. 该平台使用是否简单流畅，您是否遇到任何问题？	平均 = 4.2 / 5；83%报告“没有重大问题”
任务2. 您认为该平台比其他平台提供的功能更全面吗？	76%同意它比替代方案更全面
任务3. 您对AI生成的反馈整体满意度如何？	平均 = 4.0 / 5；71%评分≥4
任务4. 请评分每个8个功能模块的使用频率。（8个7点量表）	模块3（Q&A）使用最多（平均5.1/7）；模块7使用最少（2.3/7）
任务5. 您是否愿意参与测试未来的平台扩展或提供更详细的反馈？	89%表达了兴趣
任务6. 使用平台是否有助于您的学习？	平均 = 4.4 / 5；87%同意
任务7. 您是否愿意在未来持续使用该平台进行学习？	81%说“是的”

表1. 平台应用中10项任务的内容

定量结果得到了定性用户反馈的强力支持（表1）。对调查回答的分析显示，用户对平台的可用性和功能性高度满意（任务1和2），这与平台的设计目标相一致，即优先考虑用户中心交互——特别是直观的界面和全面的功能覆盖，从而减少了采用障碍。参与者特别重视AI生成的反馈和个性化学习路径，大多数人报告平台有助于学习（任务3和6）。这种积极的反馈至关重要，因为用户接受度是新教育技术成功采用的基本决定因素，这与Smith等¹²和Cabrera等¹⁴关于高等教育中GAI工具采用的关键驱动因素的研究结果相一致。值得注意的是，高比例的用户表示希望继续使用该平台（任务7），表明其被认为是一种长期学习工具。这种积极的主观体验与客观绩效指标（认知负荷减少、效率提升和ESD能力提升）的融合，加强了平台设计目标和核心研究发现的内部和外部有效性。

局限性和替代方法论方法
必须承认这项研究存在几个局限性。参与者池限于来自单一机构的5

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	用于在基于服务器的处理管道中托管核心 AI 模型。
en_core_web_md (spaCy 模型)	Explosion AI	https://spacy.io/models/en#en_core_web_md	预训练的通用学术英语模型，用于标记化和词形还原。版本：v3.5。
Python	Python Software Foundation	https://www.python.org/	软件环境的编程语言。版本：3.9。
SlimPajama 数据集	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	从 RedPajama 派生的大型、开源的预训练语料库。
spaCy	Explosion AI	https://spacy.io/	用于文本预处理的自然语言处理库。版本：3.5。
TensorFlow	Google LLC	https://www.tensorflow.org/	开源机器学习框架。版本：2.12。