大语言模型时代工科实践教学的机遇、挑战与应对初探

［摘 要］随着信息技术的飞速发展，人工智能在教育领域的应用日益广泛，特别是ChatGPT等大语言模型的兴起，为工科实践教学注入了新的活力。工科实践教学是培养学生实践能力与创新精神的关键环节，传统教学模式在个性化教学、激发学生学习兴趣以及提升学生课堂参与度等方面却显现出局限性。文章通过介绍大语言模型的基本原理及其发展现状，深入分析大语言模型应用于工科实践教学的潜在机遇与挑战，提出相应的应对策略，并设计一个以问题为导向的“师—生—大模型”互动教学案例。

［关键词］生成式人工智能；大语言模型；工科实践教学

［中图分类号］G642 ［文献标识码］A ［文章编号］2095-3437（2024）22-0011-07

近年来，人工智能（Artificial Intelligence，AI）技术及其应用在全球范围内迅速发展，受到各国高度重视。2017年，国务院发布的《新一代人工智能发展规划》明确了我国在人工智能领域的战略规划，强调要抓住人工智能发展的重大战略机遇[1]。2022年11月，OpenAI推出的ChatGPT大语言模型（Large Language Model， LLM）在全球范围内引起了广泛关注，为教育、医疗、金融等多个领域带来了前所未有的机遇与挑战[2]。在教育领域，众多学者积极探索和实践人工智能在教学中的应用[3-5]，并深入分析了其面临的挑战[6]。2023年9月，联合国教科文组织（UNESCO）发布的《教育与研究领域生成式人工智能指南》揭示了生成式人工智能（Generative Artificial Intelligence，GAI）在增强学习成效和提升创新能力方面的巨大潜力，并为其在教育和研究领域的应用提供了规范性指导，旨在促进GAI更好地融入这些领域[7]。

工科实践教学作为培养学生实践能力与创新精神的关键环节，着重于培养学生运用理论知识解决实际问题的能力。然而，当前工科实践教学受限于传统的班级授课模式，导致教师难以全面关注学生的个体差异，进而使得部分学生难以深入理解和应用知识，同时他们的学习兴趣和课堂参与度也不高。本文旨在简要分析工科实践教学中的现存问题，介绍大语言模型的发展现状，深入探讨其应用于工科实践教学所面临的机遇与挑战，并提出相应的应对策略，以期为大语言模型时代下的工科实践教学创新提供参考与借鉴。

一、大语言模型概述与应用

大语言模型是生成式人工智能的一个具体应用，专注于处理自然语言理解和生成任务。生成式人工智能作为人工智能领域的一个重要分支，通过模仿人类的创作过程，为我们提供了一个全新的、富有创新性的内容生成方式。大语言模型在多个方面展现了其强大的能力。首先，大语言模型能够生成流畅且连贯的文本，这在自动写作、对话系统等领域具有广阔的应用前景。其次，大语言模型具有很强的上下文理解能力，能够根据上下文信息推断出文本的含义，从而更精确地回答用户的问题或完成相关任务。最后，大语言模型还具有一定的常识推理能力，能够在一定程度上理解并回答涉及常识的问题。大语言模型因其高度通用化和智能化的表现受到社会广泛关注，其引发的技术革命也正逐渐延伸为一场社会革命[8]。

（一）大语言模型基本原理

大语言模型的基本原理是基于深度学习技术，利用多层神经网络对语言的统计规律和潜在语义信息进行建模，其目标是生成符合语法和语义规则的自然语言文本。大语言模型在训练过程中通过对大规模的文本数据进行学习和抽象，能生成具有逻辑性和连贯性的语言输出。它不仅能生成自然语言文本，还能深入理解文本含义，处理各种自然语言任务，如文本摘要、问答、翻译等。大语言模型的训练过程通常分为两个阶段：预训练和微调。在预训练阶段，大模型使用大量的未标记文本数据进行训练，最终目的是让模型理解语言的一般规律和语义表示，捕捉语言的复杂性和多样性，并生成与输入相关的文本。此外，大语言模型的发展使人们在自然语言处理领域取得了显著突破，为人们提供了一种更加智能、高效的语言交互方式。随着技术的不断进步，大语言模型及其在人工智能领域的应用已成为全球科技研究的热点，其在规模上的增长尤为引人注目，参数量已从最初的十几亿跃升到如今的一万亿。

总的来说，大语言模型的基本原理是通过深度学习和大规模文本数据训练，实现对语言规律的建模和自然语言文本的生成，为自然语言处理领域的发展提供了强大的支持。

（二）典型大语言模型

通用大语言模型以如今广为人知的由OpenAI发布的ChatGPT作为开端，其在具有强大性能的GPT⁃3基础模型上，引入代码训练、指令微调（Instruction Tuning）和基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）等技术，进一步增强自然交互和人类对齐能力，使其在面对常识性和推理性问题、未知领域和敏感议题时展现出显著智能化特征。在此之后，OpenAI所发布的多模态大模型GPT⁃4，支持同时以文本和图像多种模态运行，其认知和推理能力或将带来通用人工智能的再一次变革。

通过结合指令微调和基于人类反馈的强化学习两项技术，ChatGPT在与人类用户对话交互方面展现了卓越表现。例如，在程序调试方面，ChatGPT可以根据用户提供的程序代码片段回答错误原因或提供解决方法，且还会主动提问以获取更多信息，从而确认自己的理解是否正确；在敏感话题方面，ChatGPT可以根据用户提问时使用的措辞或意图判断是否应该回答。正因为这种强大的认知与交互能力，ChatGPT一经发布便迅速引起社会的广泛关注，成为通用人工智能发展历程中的重要里程碑。除ChatGPT外，众多研究机构还推出了各自的大语言模型，国内外部分大语言模型发布时间线如图1所示。这些模型各有特色，能够灵活应用于多样化的场景与任务中，极大地推动了人工智能技术的发展及其在实际中的应用。

值得注意的是，大语言模型在工科实践项目学习中发挥着重要作用。例如，它具备强大的编程能力，能理解自然语言编写的编程需求，生成代码片段，帮助学生快速入门编程并优化代码。此外，大语言模型拥有庞大的知识库和较强的学习能力，能为学生提供最新的技术动态和实践经验，助力项目实施。

二、大语言模型在工科实践教学中的机遇

工科实践教学一直以来都是培养工程技术人才的重要途径之一。在传统工科实践教学中，学生通过实验课、实习、设计项目等方式，巩固理论知识，同时提升实际操作能力和问题解决能力。然而，随着科技的不断进步和人工智能技术的日益成熟，大语言模型作为一种新型的人工智能技术，为工科实践教学带来了全新的机遇与可能性。

（一）构建个性化学习环境

传统教学普遍采用“一刀切”的教学方式，让每个学生接受相同的教学内容与方法，忽视了学生间的个体差异。然而，每个学生的学习需求、兴趣和学习风格都可能不同，因此个性化学习体验变得至关重要。大语言模型以其卓越的自然语言处理能力和深度学习技术，为构建个性化学习环境提供了强大的支持。通过深入了解学生的学习需求、习惯和偏好，大语言模型能够生成定制化的学习资源、教学计划和辅导方案，从而让学生获得更高效、更有趣的学习体验。

大语言模型通过收集和分析学生的学习数据，能够精准地把握学生的学习特点和需求。这些数据包括学生的答题记录、学习时长、互动频率等，通过对这些数据的挖掘和分析，模型能准确识别学生的学习难点、兴趣点及提升空间。基于这些数据，大语言模型可以为学生推荐合适的学习资源与内容。例如，对于基础薄弱的学生，模型可以推荐一些基础性的教程和练习题，帮助他们巩固基础知识；对于能力较强的学生，模型则可以推荐更具挑战性和创新性的学习项目和任务，激发他们的探索精神与创新潜能。此外，大语言模型还可以根据学生的学习进度和实时反馈，灵活调整教学计划和策略。当学生在学习过程中遇到困难时，模型能迅速提供针对性的指导，帮助他们解决问题；当学生的学习进度超过预期时，模型也可以相应地调整教学内容与难度，持续激发学生的学习热情与动力。

（二）提供实时反馈和支持

在传统教学模式中，教师通常面对的是一群学生，采用的是“一对多”的教学方式。在这种教学方式下，教师往往难以针对每个学生的个性化需求提供具体反馈与支持。随着科技的进步，大语言模型的出现为教育领域带来了全新的可能性。大语言模型凭借其强大的自然语言处理能力和深度学习技术，充当虚拟助教或智能辅导角色，为学生提供个性化的、实时的反馈与支持。无论学生身处家中、学校还是其他任何地方，一旦遇到学习难题或疑惑，都能即刻向大语言模型提出，并立即获得解答与反馈。这不仅有助于及时解决学生的问题，还能帮助他们厘清思路，深化知识理解，同时培养学生的主动学习意识和独立思考能力，使他们更加自信地应对学习挑战。

（三）推荐丰富的学习资源

在传统教学模式中，学生的学习资源受限于教材、教师专业知识及学校资源，因此知识接触面较窄，难以充分拓展学习深度和广度。然而，随着大语言模型的出现，这一局面得到了极大的改善。大语言模型凭借其强大的自然语言处理能力和深度学习技术，能够精准对接学生学习需求与教学目标，生成丰富多样的学习资源。这些资源全面覆盖教学文档、练习题、实验模拟等，且能根据学生的个性化需求进行灵活定制，从而有效拓宽学生的视野。

大语言模型能够针对不同需求的学生提供定制化学习资源。对于在特定领域有浓厚兴趣的学生，模型能深入挖掘相关知识，提供进阶内容，以满足他们的求知欲，激发他们的学习热情，并培养他们的专业素养。对于学习遇阻或进度较慢的学生，模型则能提供多层次辅助，依据学生实际情况定制练习题与解析，助力他们逐步攻克难点，提高学习效果。

（四）提升自主学习能力

在传统教学模式中，学生常处于被动接受信息的状态。大语言模型能够通过互动学习的方式，有效激发学生的自主学习意识与潜能。模型作为交互式学习工具，有效引导学生自主学习，帮助学生培养良好的学习习惯与自主意识。当学生在学习过程中遇到困难或疑问时，他们可以与模型进行对话，寻求帮助和指导，而不再完全依赖教师或其他人的指导。自主学习能力是现代社会中不可或缺的重要能力，它不仅有助于学生更好地适应未来的学习和工作环境，实现自我成长和发展，还能提高他们的学习效率和成效。通过与大语言模型的互动学习，学生将掌握自主学习技能，学会主动提出问题、寻找答案及思考解决方案，为未来学习与职业发展奠定坚实基础。

三、大语言模型应用于工科实践教学的挑战

大语言模型在工科实践教学中应用广泛，为教学带来了创新机遇，但同时也面临着不容忽视的挑战与风险。

（一）信息的准确性难以保证

由于大语言模型在处理和生成文本时存在局限性，且对数据和上下文的理解可能存在偏差，因此大语言模型应用于教学时存在带来误导性信息的风险。首先，大语言模型是通过学习大量的文本数据来生成回答的，这些数据可能包含错误、过时或带有偏见的信息。如果模型未能具备充分识别和过滤这些信息的能力，那么在生成答案时就有可能包含误导性的内容。其次，模型的训练数据可能无法完全反映现实世界的复杂性，这也会导致生成的答案存在局限性或偏差。再次，大语言模型在理解和解释文本时可能受到上下文、语境和语义复杂性的影响。例如，在某些情况下，模型可能无法准确理解问题的真正含义或意图，从而生成与实际情况不符的答案。这种误解或误判可能导致学生接收到错误的信息或概念。最后，大语言模型还存在被滥用或误用的风险。例如，有人可能会故意输入错误的问题或诱导模型生成误导性的答案，以此来误导学生或达到其他不良目的。这种滥用行为不仅会影响教学质量，还可能对学生的学习和认知产生负面影响。

（二）知识的碎片化程度加剧

由于大语言模型采用问答式学习方式，仅在学生提出问题后才进行回答，这导致其所呈现的知识往往以相对独立的主题形式存在，难以保证知识的系统性。不可否认，在数字化时代，碎片化学习是一种重要的学习方式，但知识的碎片化不利于学生构建完整的知识结构体系。具体而言，问答式学习虽能满足个体学习需求，却将知识分割成了碎片，使原本体系化的知识结构被打散。学生在面对这些无序的碎片化知识时，难以有效建立知识碎片之间的相互联系。此外，知识的碎片化还会加剧资源信息的超负荷现象，使得知识的甄别难度日益增大。同时，在碎片化学习环境下，人的思维容易变得去中心化，注意力难以集中，往往采取发散性思维看待事物，导致学习的深度与广度不足。学生可能满足于在生成答案时浅尝辄止，缺乏进一步的思考和知识内化，从而难以促进知识的有效迁移和学以致用。