生成式人工智能在教育和教育学中的应用

1. 执行概要

1.1 引言

1.1.1 GAI技术普及

• GAI技术在未来的工作场所中将会普及。
• 学生已经开始在课堂外使用GAI。

1.1.2 GAI在教育中的潜在益处

• GAI能够为个别学生提供定制化的学习体验。
• GAI有潜力提高学习的可访问性。

1.1.3 GAI在教育中的潜在风险

• GAI工具可能被用来规避学习责任。
• GAI可能隐藏偏见、不准确性和道德问题。
• GAI的使用可能侵犯隐私和知识产权。

1.1.4 解决方案

• 为了解决GAI的风险并最大化其利益，提出了一个灵活的框架。
• 在这个框架中，教师可以根据情况选择禁止、允许或鼓励GAI的使用。

1.2 框架的讨论与示例

1.2.1 学术诚信

• 对提出的框架进行了讨论，特别考虑了学术诚信。
• 提供了该框架如何与不同学习领域广泛相关的示例。

1.2.2 建议与结论

• 为教师和管理人员提供了关于如何实施该框架的具体建议。

2. LLMs是什么？

2.1 LLMs的定义

• LLMs指的是大型语言模型（Large Language Models），这是一种人工智能模型，它能够理解和生成人类语言。
• 这种模型通常是基于深度学习技术训练的，它们可以从大量的文本数据中学习语言规律和知识，进而在各种自然语言处理（NLP）任务中表现出色。

3. 介绍

3.1 GAI技术概述

• 生成式人工智能（GAI）引起了广泛关注，并吸引了大公司和新创业公司的投资。
• 康奈尔大学成立了一个委员会来制定教育使用GAI的指导方针和建议。

3.1.1 委员会的任务

• 评估在教育环境中使用AI技术的可行性、好处、局限性及其对学习成果的影响。
• 评估在课堂上使用AI技术的伦理影响。
• 确定将人工智能技术整合到课程和教学方法中的最佳实践。

3.1.2 机遇与关注

• GAI被视为教育领域潜在的范式转变，能够提供定制化学习体验，增加学习障碍学生的可及性，促进教师对学习的建设性批评，并支持多领域任务。
• GAI的输出可能包含不准确或有毒的信息，可能嵌入偏见，存在版权侵权问题，学生可能用它来规避学习，且可能加剧不平等。

3.1.3 建议

• 重新思考学习成果，将GAI整合到教育中，重点放在高层次的思维技能和未来所需的技能上。
• 解决GAI的安全和道德问题，教育学生批判性地接近GAI，并验证其生成的信息。
• 明确使用GAI的策略，与学生沟通使用GAI的期望和规则，确保学术诚信。

4. 生成式AI的能力和局限性

4.1 GAI的能力提升

• 生成式AI的能力在过去一年有了显著提升，甚至让经验丰富的AI研究人员感到惊讶。
• 不同类型的生成式AI模型，如大型语言模型(LLM)和基于扩散的图像生成模型，在能力、用例和可用性方面存在差异。

4.1.1 生成示例

• 生成“一只刺猬以波提切利的风格驾驶火车”的图像。
• 波提切利是文艺复兴时期的画家。

4.1.2 技术基础

• 当前一代的GAI基于大规模深度神经网络，模型设计、硬件和数据处理能力的发展使得创建更大规模的模型成为可能。
• 这些模型通过预训练适应大量人类生成数据，提高输出在精度、细节和记忆方面的质量。

4.1.3 道德问题与局限性

• 生成式AI的训练数据收集引发了道德问题，如侵犯版权、偏见和抄袭。
• 尽管存在这些问题，但这些模型不仅仅是记忆和复述数据，它们的输出通常不会与任何单个训练实例相同。

4.1.4 应用现状

• GAI提供了前所未有的功能，如自然语言请求输出、生成符合语法的文本、可执行程序代码和创意图像。
• 这些工具的即时满足特性使得GAI迅速成为流行文化的一部分。

4.1.5 用户误解

• 新用户往往过于信任GAI模型，忽视了模型可能产生的错误或误导性信息。
• 用户高估了GAI的能力，认为它们在数学计算和学术参考方面与传统计算系统一样可靠。

4.1.6 当前局限性

• GAI模型在数学推理方面存在局限，无法对浮点数进行精确计算。
• GAI模型可能会生成看似合理但虚假的学术和其他参考。
• 尽管如此，开发人员正在努力通过结合传统工具来增强GAI的可靠性。

5. 教育设置的指南和建议

5.1 GAI在教育中的应用

• 康奈尔大学的教育环境多样，GAI在几乎所有环境中都有潜在用途。
• 教育工作者和学生可以利用GAI开发课程大纲、材料，生成作业版本，编写练习问题等。

5.1.1 GAI的潜在影响

• GAI的使用可能会“完成”作业所设计的“学习”，或者扭曲评估的价值，这取决于学生对GAI工具的使用。

5.1.2 重新评估学习成果

• 为了解决这些风险并利用这些机会，教师应该根据 GAI 的出现重新评估每个班级的学习成果。
• 考虑未来课程的期望、未来工作场所对GAI工具的期望，以及使用GAI辅助学习的新机会。

5.1.3 学术诚信和可及性

• 使用GAI的一个主要问题是学生可能使用这些技术来完成作业，这可能会违反学术诚信。
• 另一个问题是学生可能没有适当地引用GAI工具，或没有质疑产生内容的潜在机制或假设。

5.1.4 禁止GAI工具

• 由于GAI工具可能违反学术诚信，可以适当地禁止使用。

5.1.5 GAI使用中的归属、作者、访问和责任

• 教师必须让学生了解这些风险，如果他们决定在教学中使用或允许使用 GAI，他们必须制定计划来减轻课堂上风险的负面影响。
• GAI工具会带来潜在的隐私风险，因此教育工作者有义务保密任何信息，不应与此类工具共享或上传。
• GAI工具对知识产权也有影响，不应上传包含专有信息的数据。
• 如果一个班级要使用GAI，确保所有学生都能平等地使用GAI技术。

5.1.6 美国教育部的新报告

• 鼓励制定在保护人类决策和判断的同时促进学习成果的政策。
• 重点关注人工智能模型的数据质量，以确保教育应用中的公平和公正的决策。
• 增加对促进学生公平的关注。

6. 附录

6.1 生成式人工智能的最新技术

6.1.1 技术概览

• 提供了关于语言、代码、图像和其他模式下GAI模型训练和部署的详细信息。

6.1.2 软件工具

• 描述了集成到软件工具中的GAI，如编程辅助、图像编辑等。

6.2 不同学科中GAI应用的课程案例

6.2.1 写作技能

• 探讨了如何在写作课程中利用GAI来提高学生的写作技能。

6.2.2 创意课程

• 讨论了音乐、文学和艺术中GAI的使用，以及它如何影响创意过程。

6.2.3 社会科学、数学、工程等

• 分别讨论了这些学科中GAI的潜在应用和教学案例。