ChatGPT/生成式人工智能促进以知识点为核心的教学模式变革研究 ＊

陈静远 胡丽雅 吴 飞

（1.浙江大学计算机科学与技术学院，杭州 310027；2.浙江大学上海高等研究院，上海 201203）

一、ChatGPT 基本情况介绍

ChatGPT/生成式人工智能（Schulman et al., 2022）是由美国人工智能研究实验室OpenAI 于2022 年11 月30 日发布的一款基于大型语言模型（Large Language Model，简称LLM）的聊天机器人。它能够自动学习和理解人类语言，并可以根据用户的输入完成类似人类的文本回复，为用户提供自然流畅的交互体验。作为目前最强大的聊天机器人之一，ChatGPT 不仅可以用于聊天、翻译、搜索等场景，还能进行创意写作和写代码，甚至成为了“无师自通”的考试高手。ChatGPT 凭借其惊艳的用户体验迅速出圈，成为历史上最快达到1 亿月活用户的应用（机器之心，2023）。ChatGPT 的应用场景非常广泛，涵盖医疗健康、在线办公、智能客服、教育培训等多个领域。

以大型语言模型为基础的ChatGPT 的成功并非一蹴而就，而是源自深度学习技术的长期积累和迭代，以及对于各种模型结构和研究范式的不断探索和尝试。如图1 所示，在模型结构方面，ChatGPT 模型的发展历程横贯早期神经网络技术、以循环神经网络为代表的序列学习技术、以自注意力机制为核心的Transformer 架构；在研究范式方面，则经历了完全监督、自监督预训练加下游任务精调和自监督预训练加提示学习等阶段。

图1 ChatGPT 技术路线

作为一个语言模型，ChatGPT 通过对大量语言数据的学习，可以掌握自然语言的结构和规则，并基于所学到的自然语言中单词和单词之间的共生关联关系预测下一个单词出现的概率，即从输入序列中生成新的语言。其核心技术包括Transformer 和自监督学习（Self-supervised Learning）等。

（一）ChatGPT 的基础架构

Transformer（Vaswani et al., 2017）由谷歌公司于2017 年12 月提出，被广泛用于自然语言处理任务，是各类大语言模型的基础。目前在中文中难以找到一个合适的单词来翻译Transformer，这个单词曾经是《变形金刚》电影的名字，可以把它想象成一种可以将输入数据转换为其他形式的输出数据的“魔法”神经网络模型。Transformer 以大力出奇迹的方式实现将用户输入的问题“变换”为答案、将一个句子文本描述“变换”为一幅图像等。

自然语言中的句子是由一个个单词前后相连组成的序列，因此序列模型是自然语言处理的核心。Transformer 的诞生，颠覆了传统序列模型的思路，通过自注意力机制（Self-Attention）来处理文本序列，取得了出色的性能表现。相比于传统的基于循环神经网络（Recurrent Neural Network, 简称RNN）的序列模型，Transformer 的设计使得它能够处理更长的文本序列，并且能够在并行化的方式下高效地训练模型。具体来说，它利用自注意力机制计算单词之间的相互影响，使得模型可以直接捕捉任意距离的依赖关系，解决了循环神经网络无法建模长距离依赖的问题。同时，Transformer 还采用了并行化计算和多头注意力机制等技术，提升了模型的计算效率和表达能力。

在对海量数据进行学习的基础上，Transformer 可以建立起一个巨大无比的单词共生关联网络图，其中包含单词和单词之间的共生关联关系，这种关联关系也就是上文所说的注意力。于是，当给定一个单词后，算法就可从单词共生关联网络图中按照要求找到下一个与之关联关系最为密切单词，将其作为给定单词的后续单词，这样一个单词接一个单词，一个一个句子就被合成出来，达到了自然语言合成目的。如图2 所示，在进行文本生成时，Transformer 能够基于所学到的共生关联关系准确提取出生成下个单词所需的关键词汇，同时过滤掉不重要的信息，让注意力更高的部分在预测的过程中发挥更大的作用。例如，对于句子“大地从沉睡中苏醒过来，青的草，绿的叶，各种色彩鲜艳的花，都像赶集似的聚拢来形成了光彩夺目的____”，作为人类可以很容易地推测出空白处最可能被生成的词是“春天”。对于这一判断，起到决定性作用的单词并不是与之最近的定语“光彩夺目”，因为这个词可以对很多单词进行修饰，例如“珠宝”“花朵”“烟花”等。真正起到决定性作用的，是前面的名词“大地”和谓语动词“沉睡”“苏醒”，再配合“草”“叶”和“花”这些与“春天”高度相关的词，对“春天”这个词的生成产生了极强的约束力。注意力机制解决了单词间的长距离依赖问题，使得ChatGPT 可以像人类一样准确提取出生成下个单词所需的关键词汇，进而生成既流畅又自然的文本。

图2 单词间的共生关联关系

（二）ChatGPT 的训练模式

ChatGPT 采用自监督学习（Liu et al., 2021）的方式训练上述Transformer 模型。自监督学习通过随机地从句子中遮盖一些单词来构造训练样本，让模型根据剩下单词所形成的上下文来预测被遮盖位置所对应的单词，并通过最大化正确单词的概率来优化模型。这种类似“完形填空”的训练方法使得模型可以自行按照预定目标进行学习，摆脱了对昂贵标注数据的依赖。

ChatGPT 进行自监督学习的训练数据包括维基百科、书籍、杂志期刊、网络内容以及代码库等数据源，涵盖了丰富多样的文本类型和领域。在阅读并记忆了如此庞大且丰富的语料集之后，ChatGPT 拥有了它的世界知识（World-knowledge），具有全面深入的语言理解和应用能力。因此，用户提供的任何输入对于ChatGPT 来说都“似曾相识”，它就可以以“无他，唯手熟尔”的方式将答案“信手拈来”。此外，由于训练语料包罗万象，模型的泛化性能也产生了质变，并基于此获得规模空前的通用大语言模型（参数高达1 750 亿）。

ChatGPT 所需要完成的任务是聊天问答，即能够与用户自然地进行对话并处理各种不同的话题。因此，对话补全能力对ChatGPT 来说至关重要，模型需要准确地理解对话内容和语境，并根据先前的对话内容推断出合适的回答。为此，研究人员使用了提示学习（Prompt Learning）的方法（Radford et al.,2021），这个方法可以让ChatGPT 更好地学习语言，进而在各种场景中生成上下文相关且连贯的文本。在提示学习中，人工智能模型通过学习人为设定的“提示案例（Prompt）”来提高自己的对话补全能力。提示案例旨在引导模型在特定方向上的行为，使其更有效地生成与提示主题一致的文本，即提示样例充当模型生成文本时要遵循的“知识模板”。例如，“现在外面天气很热，我希望等会儿可以变凉爽”就是典型的提示样例。给定提示样例后，算法将样例中后半句某个关键单词如“凉爽”移除，然后让模型去预测被移除的单词。通过不断学习这些提示样例，ChatGPT 就能够更好地掌握自然语言的“话术”，并且能够更加自然地与用户进行“闲聊”。

（三）ChatGPT 与组合创新

通常人们会把创新理解为从零开始创造新事物的过程。然而，创新的过程并不总是需要完全原创。相反，它通常是通过重新组合不同的要素来形成新事物。换句话说，创新可以看作是一个组合的过程，其中涉及将不同的元素和概念结合起来，以创造出新的东西。这个过程可以涉及对已有的知识、技能和经验的重新整合，也可以从不同的领域中借鉴元素以创造出新的事物。

著名的数学家、哲学家莱布尼兹（Leibnitz）在其1666 年发表的论文《论组合艺术》（On the Combinatorial Art）中指出，人类看似复杂的思想都可以由一些简单的概念相互组合而成。莱布尼兹的思想为后来的哲学、数学、逻辑学和语言学等提供了重要的理论基础和启示。这种思想不仅可以解释人类思维的本质，而且也启发了计算机科学、人工智能等领域的研究和发展。

概念组合（Conceptual Combination）是一种基本的认知过程（Wu et al., 2009），它与人类的感知、语言、综合推理、创造性思维和抽象等许多能力密切相关。通过将两个或多个现有的基本概念重新组合，人们可以生成新颖的高阶概念，以更好地适应和理解世界。例如，当人们将“狗”和“机器”这两个看似不相关的概念组合起来时，可以得到“机器狗”这样全新的复杂概念，对于现实中的技术和科学发展具有深远意义。这个理论认为，概念或知识的重要性在于，它们可以像乐高积木一样通过重新组合创造出新的可行性解决方案。总之，概念组合允许利用已有的概念来构建可能无限数量的新的相关概念。它是人类很多超越基本认知能力的高级思维过程的基石，对于人类有关探索事物本质、解决问题、发现新的机遇等方面具有重要意义。

ChatGPT 可以通过学习海量的语言数据来获取单词之间关联的信息，并且可以利用这些信息进行组合创新，形成新的知识。在教育领域中，ChatGPT 以共生则关联原则为基础，可以将关联的单词组合成知识点并加以扩展，从而帮助学生更深入地了解和掌握某一主题或领域的相关知识。具体来说，ChatGPT 可以将用户输入的想法和知识编码成对应的单词或词组，进一步尝试进行不同单词和词组的组合，以创造出新的概念和知识点，从而达到对原有知识点进行补充和拓展的目的。

另一方面，想要有效利用ChatGPT 的组合创新能力，需要一定的技巧。我们需要意识到，“种瓜得瓜”式的学习模式难以使ChatGPT 拥有高级的推理能力。因此，只有依靠用户明确的定义约束，才能确保ChatGPT 输出高质量的回答。如何利用预训练加提示范式的思想对知识点进行联想和组合，引导模型在教育场景下生成准确的答案和指导，并辅助以知识点为核心的教学模式，将是本文重点探讨的问题。

二、以知识点为核心的教学资源组织

知识点作为教学活动中传递教学信息的基本单元，对于教与学都具有重要的作用。它可以看作是学科知识的基本组成部分，是构建系统化的知识体系的基石。划分知识点的基本原则是保证知识内容的局部完整性，将学科领域的知识内容分解为较小的、完整的、相对独立的知识点，以更有效地促进教师和学生对知识的理解和掌握。在划分知识点的过程中，可根据学科领域的特点、学生认知水平和教学目标等因素进行相应调整。例如，对于初学者，应从相对细致的角度来分解知识点，以协助学生逐步建立对知识点的认知和理解；而对于进阶学习者，则可以采用相对宽泛的方式，以帮助学生更深入地探究和应用知识点。将复杂的主题分解为知识点后，可以根据每个知识点的内容和学习目标将相应的课件、视频、案例、练习等教学资源与知识点进行关联，从而形成以知识点为核心的教学资源组织方式。

（一）知识点的萌芽

规范化的知识是人类处理信息和理解世界的基础。人类思维的根本任务之一就是将各种纷繁复杂的事物进行分类，并通过此过程形成规范化的知识，人们才能建立起更为系统化的认知。其中，规范化指的是将信息按照一定的标准进行分类和组织，从而形成一种通用的理解和共识。规范化的知识可以帮助人们更有效地理解和交流信息，减少误解和歧义，提高认知效率。人们常说“听过很多道理，却依旧过不好这一生”，细究其根本原因可能就是缺乏对所听到的道理（知识）进行分类和总结。

对知识的分类最早可以追溯至战国至两汉时代的辞书类文学作品《尔雅》，古人将平日接触到的动物分为鸟兽鱼虫四大类。同时代的古希腊哲学家亚里士多德则把知识（或科学）划分为三部分，一是理论科学，包括数学、自然之学和神性之学；二是实践科学，包括伦理学、政治学和经济学等；三是技艺科学，包括艺术、修辞和农学等。

在13 世纪末，一位来自加泰罗尼（现西班牙境内）的诗人、哲学家、逻辑学家雷蒙·卢尔（Ramon Llull）提出了针对知识的规范化描述方式，即“知识树（Tree of Knowledge）或科学树（Tree of Science）”。卢尔所定义的知识树由十六棵树组成，其中前十四棵树表示现实世界中的某一类别的知识点，如植物类、动物类、原子类、道德类等，而另外两棵树分别是示例树（examples）和问题树（questions）。为了对知识结构进行层次化的描述，卢尔进而对每一棵树定义了根、树干、树枝、嫩枝、叶子、花朵和果实等结构。科学之树作为一种对知识的规范化描述方式，可以帮助人们有效地对各种学科中的知识点进行组织与分类。同时，它可以为人们提供层次化的知识结构，使不同领域的学者和教育工作者能够使用共同的术语，从而促进跨学科知识的交流。

（二）基于知识点的教学资源组织

教学资源是指在教学过程中使用的各种教育辅助材料和工具。这些资源包括但不限于教材、课件、视频、案例、练习题目、实验设备等。教学资源能够帮助教师精准地设计教学方案，从而激发学生的学习兴趣和动力，提高学习效果，让学生更加深入地理解和掌握所学知识。在数智化时代，互联网和人工智能的普及使得教学资源更加丰富和多样化，促进了教育的创新和发展。

然而，教学资源类型繁杂、数量众多，教师需要花费大量的时间来评估、选择和组织教育资源，这对于忙于教学任务的教师来说可能是非常具有挑战性的。传统的教学资源组织方式通常以教材的章节为基本单元，讲解顺序和呈现方式也是相对固定的。这种将教学资源与特定教材之间紧密耦合的组织方式，使得教学过程缺乏灵活性和个性化。当教师需要适应不同的教学大纲和教学计划时，需要耗费大量的时间和精力对课件等教学资源的组织结构进行重新编排，显然这种教学资源组织方式并不是一个高效的方案。此外，由于教学资源按照不同教材的内容进行组织，这也使得教学资源的承载和表现形式具有不同标准和组织逻辑，无法很好地共享和重复利用这些资源。因此，需要创新教学资源的组织方式，以提高教师管理和使用教育资源的效率，进而更好地支持和促进学生的学习和发展。

以知识点为核心的教学资源组织方式，是一种基于模块化设计思想的组织方式，将教育资源根据其所关联的知识点进行拆分和关联，从而提高教育工作者管理教学资源的效率。此外，由于学科中的知识点间存在一定的逻辑关系，建立知识点之间的关联关系，如“依赖”“互斥”“属种”等，可以促进教师和学生更好地教授和理解知识点，有助于形成稳固的知识体系。与传统的以教材为基本单元方式相比，以知识点为核心的组织方式更加灵活和可再利用，可以更好地适应不同的教学安排。因此，建立教育资源与知识点的关联，并建立知识点之间的关联关系，是推进以知识点为核心的教育资源组织方式的关键。这种教学资源组织方式将在提高学生学习效果和教师教学效率方面发挥重要作用。

以知识点为核心的教学资源组织方式具有许多优势。对于教师来说，通过将复杂的主题分解成较小的、相对独立的知识点，可以更有效地组织和管理教学资源，提高教学效率。具体来说，教师可以根据不同的教学需要对知识点进行组合和联想，以创建符合自己要求的新课件，减少了制作课件的时间和精力的同时提供了更多灵活的教学选择。此外，通过知识点关系的引入可以使得教学内容更加系统化和连贯性更强。对于学生来说，以知识点为核心的教学资源组织方式可以帮助他们更好地理解和记忆教学内容。知识点之间关系的建立也有助于学生更好地理解知识点之间的区别和联系，进一步提高他们的综合思考能力和分析能力。在交叉学科培养场景下，不同学科之间知识点的交融汇通是向科学本质回归，助力产生科学新的增长点和突破点，以知识点为核心建设跨学科培养体系是十分有必要的（吴飞 等，2023）。

ChatGPT 则为这种以知识点为核心的教学资源组织方式带来了新的机遇。从机制原理角度来看，ChatGPT 的共生关联原则与以知识点为核心的思想不谋而合，即ChatGPT 可以从核心知识点出发，从而获取与此知识点相关联的其他教学知识点或者教学资源，有助于形成完整全面的知识体系。而针对教学资源类型杂、数量多的问题，由于ChatGPT 在自监督学习过程中使用了各种类型、各种来源的海量数据，它能帮助教育工作者高效快速地获取不同类型的教学资源，提高教学效率。此外，作为生成式的自然语言模型，ChatGPT 的组合创新特点有助于对现有的教学资源进行补充与创新，它能够结合训练时所使用到的海量数据的内容，生成新颖有趣的教学内容，激发学生的学习兴趣。ChatGPT 对以知识点为核心的教学进行辅助的内容将在下节中进行详细讨论。

三、ChatGPT 与以知识点为核心的教学模式的相辅相成

（一）ChatGPT 的局限性

在大数据、大模型和大算力的工程性结合下，ChatGPT 涌现了统计关联能力，可洞悉海量数据中单词-单词、句子-句子等之间的关联性，能够理解语言结构和单词使用模式，并在此基础上根据用户的提示生成响应。然而，ChatGPT 作为基于统计关联的语言模型，不可避免地具有以下几种局限性，也就影响了它在教育这一严肃领域的应用和推广：

● 过度依赖训练数据：ChatGPT 一个主要限制是其过度依赖于训练数据，而缺乏人类所拥有的常识。虽然大数据可以为ChatGPT 等模型提供丰富的信息，但这些数据可能有偏差、不完整或不能涵盖所有可能的场景。这可能会导致错误、不准确的预测或具有偏见的结论。

● 逻辑推理能力弱：ChatGPT 倾向于生成与其在大量文本数据中所学到的模式相似的回答。然而，对于数学或逻辑推理方面的问题，这些问题的答案是确定的而非概率的。由于对问题的理解不足或缺乏适当的推理能力，ChatGPT 在处理这类问题时可能会生成错误或不完整的解决方案。

● 新场景处理能力有限：ChatGPT 是一个预先训练的语言模型，并不会实时更新其知识储备。且作为一个深度学习模型，ChatGPT 已经学习到的知识以一种高度抽象和非人类可解释的方式被储存，对这些知识进行重写和修正需要重新训练模型，代价高昂。虽然ChatGPT 在2023 年3 月24 日的更新中，通过插件功能实现联网并获取新知识，但这种方法只能够在模型推理过程中访问外部的最新信息，并没有真正实现对模型本身知识的更新。因此，ChatGPT 在实际应用过程中可能会在涉及最新的科学研究、技术创新、流行文化趋势等新知识领域上表现不足。

（二）知识点结构图对ChatGPT 的辅助作用

以知识点为核心的教学资源组织方式可以看成是一种结构化存储和表达知识的手段。它通过建立知识点之间的关联关系来实现信息之间的链接，从而更准确和直观地表示真实世界的概念及其联系，在突破上述ChatGPT 的局限性方面具有非常大的潜力。预训练语言模型通过将知识点结构、知识点间的关系及与之关联的教学资源数据等信息纳入训练过程，从而可以获得更加丰富的与教学内容相关的上下文信息。同时，教学资源中所蕴含的数据来自教材、学术网站以及科学机构等权威来源，并受到教育工作者的审核和组织，可靠性和专业性有保障。因此，基于知识点之间的关联关系构建的知识点结构图可以为语言模型提供知识引导，进一步提升生成内容的准确性。总之，将知识点结构图中的数据与ChatGPT 相结合可以帮助克服之前提到的局限性，从而形成一个数据和知识双轮驱动的教育场景的语言生成模型。具体来看，知识点结构图可以从以下两个方面对ChatGPT 进行补充。

● 提高生成内容的准确性：知识点结构图中包含了大量的事实性知识，这些信息可以帮助ChatGPT 提高生成内容的准确性。具体来说，在进行自然语言生成时，ChatGPT 可以利用知识点结构图所提供的知识，对其生成的内容进行核对和修正，从而减少潜在的错误。举个例子，当ChatGPT 被问到“请介绍周树人”时，由于缺乏相关知识，ChatGPT 并不能提供准确的答案，相反它还会虚构出一个历史上并不存在的人物。且我们无法通过提示其“周树人是鲁迅的原名，请介绍周树人”这种方式来纠正它的错误。针对这种情况，引入知识点结构图可以帮助ChatGPT 对问题中涉及的知识点进行关联分析，并将“周树人”与“鲁迅”进行关联，从而输出正确的答案。

● 提升生成内容的针对性：基于知识点结构图，可以为ChatGPT 构建丰富的提示文本，这些文本将有助于ChatGPT 生成针对性更强的答案。提问的方式和问题中所包含的信息对于ChatGPT 生成高质量答案至关重要。然而，在许多情况下用户提供的提示文本都较为简单，无法为语言模型提供足够的上下文信息，进而导致模型无法生成准确的答案。针对这一问题，我们可以探究如何利用知识点之间的关联关系，自动化地丰富提示文本，从而为用户提供更加充实的上下文信息。这可以帮助语言模型更好地理解用户的问题，进而生成高质量的回答。提示文本可以包含与特定知识点相关的其他知识点、例句和上下文信息等。例如，针对用户提出的问题“我想知道如何应用扩散模型？”，由于缺乏问题的背景信息，ChatGPT 可能无法提供有针对性的答案。但如果利用知识点结构图中所蕴含的知识点关联关系对知识点进行组合，自动化地丰富提示内容，为ChatGPT 构建更具体的提示信息如“我正在研究图片生成，我想知道在这个任务里如何应用扩散模型”。通过这种方式可以增强ChatGPT 的完形填空能力，使其能够有效地回答与特定知识点相关的问题。

（三）使用ChatGPT 辅助教学

利用知识点结构图改善ChatGPT 生成内容的同时，ChatGPT 也为以知识点为核心的教学方式开拓了新的可能性。如图3 所示，ChatGPT 能够挖掘知识点之间的潜在联系，为教师提供知识点组织与课程设计方面的建议，提高教学效率与教学质量；同时也能为学生提供针对性的教学服务，从而使学习过程变得更加智能化和个性化。

图3 使用ChatGPT 辅助教学

在以知识点为核心的教学模式下，教师可以利用ChatGPT 来辅助教学，以提高教学效果。例如，他们可以利用ChatGPT 来丰富教案内容、高效整合与知识点相关的教学资源等。具体内容包括：

● 对知识点进行组织与联想：教师可以充分利用ChatGPT 挖掘知识点之间的关联关系，将相关的知识点整合到一起，形成完整的知识体系。这样一来，教师可以清晰地把握学科知识的逻辑关系，针对性地进行知识点的讲解和学习，从而提高教学效果。另外，教师可以利用ChatGPT 对知识点进行组织和联想，更好地把握知识点的内涵和外延。以化学教师讲授“金属的物理性质”为例，ChatGPT 可帮助教师联想到相关的知识点如“金属的晶体结构”“金属的热导率和电导率”等，并提供这些知识点与“金属的物理性质”之间的关联关系。这样一来，知识点之间的关联性更强，变得更加具体、容易记忆，教师也能设计更加多样化和创新性的教学内容，进而提高教学质量。

● 快速检索知识点相关的教学资源：在进行教学资源检索时，教师可以向ChatGPT 输入与特定知识点相关的查询语句，ChatGPT 会快速检索或生成相关的教学资源，如课件、教案、试题等。同时，教师还可以利用ChatGPT 对检索到的资源进行分类和筛选，提高教学资源整合效率。此外，教师可以将不同的资源进行组合和关联，使之形成有机的整体，便于学生学习和掌握。

● 生成知识点相关的教学资源：教师可以利用ChatGPT 的创意写作能力，生成各种形式的教育资源，如图表、歌谣等，以帮助学生更好地理解和记忆知识点。例如，在英语教学中，当教师正在讲授“定语从句”这个知识点时，可以通过ChatGPT 将“定语从句”的定义和一些常见的定语从句关系总结成图表的形式，帮助学生更直观地理解“定语从句”。教师还可以利用ChatGPT 生成有关定语从句语法的歌谣，用简单易懂的方式呈现“定语从句”的定义、引导词和使用方法，使学生更轻松愉快地学习和记忆。此外，随着GPT-4 等技术的持续演进，ChatGPT 的多模态数据处理和生成能力也将不断提升。这为未来对于特定的知识点进行可视化展示提供了可能性，如生成可视化蛋白质三维空间结构以帮助学生了解生命结构决定生命功能等。

● 辅助设计知识点相关的课堂互动：教师可以借助ChatGPT 生成开放性问题、情境案例和游戏等，用于设计课堂互动环节。这有助于提高课堂的趣味性和学生的参与度，同时激发学生的创造力。例如，当教师讲授“细胞结构”这个知识点时，可以让ChatGPT 辅助设计一个关于“细胞结构”的拼图游戏，让其提供游戏的基本步骤、游戏规则及加强游戏互动和深化理解的建议。这样的课堂互动环节可以帮助学生深入理解相关的知识点，提高交流和合作能力，并增强对学科知识的兴趣和探索精神。

另一方面，ChatGPT 可以为学生提供个性化的教学服务，比如推荐与知识点相关的教学资源、提供交互式的学习体验等，以帮助学生更好地理解和掌握知识点。具体内容包括：

● 推荐个性化的学习资源：ChatGPT 可以根据学生对知识点的掌握情况和兴趣偏好，为其推荐合适的学习资源和学习路径以帮助学生更好地掌握知识点。例如，当学生向ChatGPT 介绍自己的学习情况并表示对“电磁感应定律”特别感兴趣时，ChatGPT 可以推荐一些趣味实验、与生活相关的应用以及课外读物等资源。如果学生希望学习更深入的相关知识时，ChatGPT 会向其推荐“量子力学”等高阶知识点。但需要注意的是，尽管ChatGPT 可以为学生推荐相关的教学资源，但它本身并不具备完善的数理逻辑，因此对于ChatGPT 所提供的信息需要谨慎甄别。

● 进行辅助知识点理解的启发式对话：借助ChatGPT 的思维链能力（Wei, 2022），可以深度挖掘知识点的思考联想脉络，并据此构建富有启发性的对话，协助学生逐渐建立更为深入的思维脉络，引导其渐进式地学习和思考。GPT-4 中首次阐述“可操纵性”（steerability）的概念，并以“苏格拉底式导师”用例加以展示。所谓的苏格拉底式导师风格，就是一种基于提问和对话的教学方式，源于古希腊哲学家苏格拉底。它强调通过提问和思辨来引导学生自主思考和理解，而不是单纯地传授知识。在苏格拉底式导师风格下，导师的角色不是简单地告诉学生正确的答案，而是通过追问学生的观点和思路来引导其思考，并帮助学生发现自己的错误和矛盾。在GPT-4 推出的同时，可汗学院宣布将在其开发的教育人工智能助手Khanmigo 中引入GPT-4 技术以辅助学生解决问题。Khanmigo 并不直接提供问题的答案，而是通过生成启发性的问题和对话来引导学生寻找答案，帮助学生自己完成大部分的问题解答工作，从而引导学生思考知识点的本质和规律。这种教学方式能够激发学生的思维能力和创造力，提升学生的思考深度和广度，有助于学生形成独立思考的能力。

● 构建沉浸式学习场景：ChatGPT 可以为学生提供沉浸的学习体验，以增强学生的学习兴趣和参与度。例如，在进行英语对话练习时，可以在输入提示中为ChatGPT 提供上下文信息，指定一个特定的对话场景（如在餐厅预订座位、点菜、结账），并要求ChatGPT 扮演在该场景下的对话角色（如餐厅服务员）。配合语音对话功能插件，学生可以使用英语与ChatGPT 扮演的服务员进行互动，并即时接收反馈和纠正，从而提高自己的语言表达能力和沟通技巧。这种沉浸式的学习体验将让学生更加享受学习的过程，并在学习中获得更多的实践经验和技能。

● 提升学生的批判性思维能力：由于自然语言处理技术是通过对大量训练数据的学习来生成文本，因此，如果数据集中存在偏差，则 ChatGPT 生成的文本也可能受到这些偏差的影响。在使用 Chat-GPT 进行学习时，学生可以通过提出问题和发现文本中的偏差来激发批判性思维。同时，学生可以使用 ChatGPT 生成的文本来测试和验证其观点，探索不同的思路和角度。在这个过程中，学生可以不断调整分析和判断的方法，培养更加全面的批判性思维能力。

四、未来趋势

近两年，预训练-提示（Pre-train-Prompt）这种全新的机器学习范式受到广泛关注（Liu, 2023），特别是在自然语言处理领域中逐渐盛行。这种学习范式基于大规模无监督预训练语言模型进行构建，并通过Prompt Learning 的方式，将不同的下游任务进行重构，以更好地适配预训练模型。我们可以将这种新的范式简称为Prompt 范式。相比于传统的预训练-精调（Pre-train-Finetune）范式，Prompt 范式更注重提供精确且指导性更强的任务描述。它通过引导输入（Keskar, 2019）使得预训练语言模型在低资源的情况下快速形成工作能力，更好地完成特定任务，同时又能保留预训练模型的泛化能力。这种范式的出现，极大地改变了机器学习领域中的研究思路，强化了更多针对任务本身的个性化需求。Prompt 范式为人工智能在教育领域的应用提供了一种新的思路和方法，是未来值得深入挖掘的方向。

我们可以将Prompt 范式的思想与以知识点为核心的教学资源组织方式相结合，将教育场景中的各类应用转化为语言生成任务，充分利用预训练语言模型的优势。具体来说，在提示模板构造阶段，可以利用Prompt 范式的思想对知识点进行联想和组合，引导模型为教师和学生生成准确、清晰的答案和指导。例如，可以利用教学资源中所蕴含的知识点之间的结构信息和关联关系，对用户输入的文本加入特定的关键词、短语、定语等上下文信息进行修饰。这样做可以将用户的输入转化为上下文明确、表达清晰的提示，从而更准确地引导模型理解用户的意图。在任务适配阶段，可以考虑为不同用户构建不同的Prompt 来实现个性化学习，例如引入自适应的个性化的Prompt 来实现教育场景中的“千人千面”。针对不同教育场景的任务，如学习者的认知建模与评测、学习资源推荐、学习评价生成和自适应评测等，需要设计具有针对性的任务重构策略来适配预训练模型，并建立相应的Prompt 模板，提高教育场景中不同任务的质量和效果。

此外，如何在ChatGPT 这种数据和算力驱动的模型中引入以知识点为中心的教学资源中所蕴含的丰富的逻辑知识进行“助力”，通过“语文老师”和“数学老师”的联合培养来实现模型的“全面发展”，是另一个值得探索的方向。首先，在ChatGPT 中引入知识点结构图后，可以通过充分挖掘知识点及它们之间的关联关系等上下文内容，使ChatGPT 能够更好地理解用户问题的背景信息，提供更丰富多维的答案。例如，在回答一个与历史事件有关的问题时，ChatGPT 可以结合该历史事件及相关历史人物的知识图谱信息，在回答出该事件时间、地点、概况的同时，提供在该历史事件中活跃的历史人物等多方面的信息。其次，知识点结构图不仅提供了知识点和关系的内容信息，还可以为推理任务提供支持。基于知识点结构图中所蕴含的逻辑推理能力可以为ChatGPT 构建有效且准确的思维链提示，“教”ChatGPT 进行思考和推理。同时，我们可以利用这种推理能力对ChatGPT 生成的内容进行校验、修正和补充，从而更加准确和完整地回答用户的问题。ChatGPT 在2023 年3 月24 日凌晨推出的最新更新中，成功接入了数学知识引擎Wolfram Alpha，为ChatGPT 在数值计算任务中带来了更高的准确性。未来，随着技术的不断发展，继续引入外部知识引擎以适应不同领域的需求将成为一项重大趋势。然而，在将外部知识应用于ChatGPT 中时，采用一种“软”接入的方式更为理想，而不是单纯的“硬”接入插件。因此，如何将外部知识真正融入到ChatGPT 模型的学习过程中，将成为需要解决的一个关键问题。

未来，我们可以进一步探究如何利用Prompt 范式为教育领域提供更智能化、个性化的服务。同时，通过与以知识点为核心的教学资源组织方式的结合，帮助ChatGPT 建立“知识体系”，为教育场景的用户生成更准确的内容。

（陈静远工作邮箱：jingyuanchen@zju.edu.cn；吴飞为本文通信作者：wufei@zju.edu.cn ）