資料內(nèi)容：
第三章 教育專用大模型的潛在挑戰(zhàn)
相較于其他領(lǐng)域，在教育中實(shí)現(xiàn)真正的自動(dòng)化和智能化
往往面臨著更高的要求，因?yàn)榻逃蝿?wù)大部分是“非程式化”
的，可自動(dòng)化程度相對(duì)較低。隨著大模型在模仿、生成、創(chuàng)
作等能力上的不斷突破，大模型有望在教育過程中得到深入
應(yīng)用。作為一項(xiàng)新興的人工智能技術(shù)，有必要對(duì)教育專用大
模型可能面臨的挑戰(zhàn)進(jìn)行系統(tǒng)性評(píng)估。
一方面，智能機(jī)器與人類教師之間存在模糊分野。教育
任務(wù)往往需要人類智慧，這使得具備生成、創(chuàng)造能力的大模
型技術(shù)在承擔(dān)復(fù)雜認(rèn)知任務(wù)（如藝術(shù)創(chuàng)作、決策制定）時(shí)，
逐漸模糊了機(jī)器與教師之間的界限，從而容易導(dǎo)致師生對(duì)大
模型的過度依賴，造成知識(shí)體系的斷裂和碎片化、偏見等問
題。具體來說，大模型的強(qiáng)大生成能力簡(jiǎn)化了師生獲取信息
的流程，但也放大了其對(duì)知識(shí)探究的惰性。大模型往往會(huì)為
復(fù)雜問題提供簡(jiǎn)潔、直接的答案，但這些答案缺乏連貫性和
完整性，可能導(dǎo)致學(xué)生所獲取的知識(shí)處于不斷被切割的狀態(tài)。
同時(shí)，數(shù)據(jù)集本身或算法等原因?qū)е履Ｐ蛯?duì)某些特定群體或
5主題存在偏好或歧視，可能會(huì)導(dǎo)致模型輸出的答案或結(jié)論存
在偏差。
另一方面，通用與專用大模型在人類價(jià)值上可能存在沖
突。通用大模型在教育領(lǐng)域的應(yīng)用受限主要源于其缺乏教育
領(lǐng)域特定的深度知識(shí)和個(gè)性化定制能力。這種模型通常是通
過廣泛而通用的文本數(shù)據(jù)訓(xùn)練而成，未必能準(zhǔn)確理解教育領(lǐng)
域特定術(shù)語(yǔ)、學(xué)科需求及學(xué)習(xí)模式，由此引發(fā)通用與專用大
模型之間的過程與結(jié)果的沖突、生成與探究的沖突、自動(dòng)與
協(xié)作的沖突、透明和可靠的沖突。因此，需要定制基于領(lǐng)域
知識(shí)深度理解的教育專用大模型來提供更有效、精準(zhǔn)和深度
的智能化支持。
