数字化教育资源如何适应人工智能时代

01 教育资源应动态适应一线教学需求

用好数字化教育资源是一项系统工程,涉及教育教学的各个方面,包括教师和学生的教育观念与技术观念、信息技术素养,以及课程教学改革、教师培训等。还涉及数字化教育资源提供方的服务,如技术支持、管理营运,以及整个教育数字化转型的顶层设计、治理方略等。数字化教育资源的建设和应用需要综合治理、整体变革、统筹规划、协调行动。可以用冰山模型来概括教育资源整体发展思路(见下图)。

教育资源建设应用示意图

教育资源如何在教学中应用是冰山模型浮在“水面上”的部分,这一部分能够最直接感受到,是大家经常关心议论的部分,也是教育资源建设最终服务目的。要支撑起整座冰山,更重要的是“水面下”资源供给层的工作,教育资源建设者在“水面下”的艰辛劳动是大量的,我称他们是无名英雄。而从根本上影响整个国家教育资源发展的是最底层的发展理念层,尽管这是我们平时“看不到”的,却起着引领和指导作用,决定教育资源的发展路线和方向。

从教师实践反馈来看,我们各级数字化教育资源在建设和应用中所遇到的“最后一公里”难题或许就卡在服务上。目前我们为全国师生提供的主要是“产品服务”,包括文章、教案、PPT、课程视频、虚拟实验等,当师生在使用的时候,这些已经产品化的优质资源无法动态生成来满足师生需求,而师生的教与学活动更需要个性化的“动感服务”。解决教育资源建设和应用“最后一公里”难题的关键,是教育资源如何从固化的产品转化成为能够动态适应一线教学需求的“动感服务”。

02 一线教师用好数字化教育资源的途径

教育“动感服务”的特点是教育资源能够根据每一个教师和学生在教学活动中的具体场景和需求,动态提供适合用户需求的资源服务。经过近两年的实践,各地教师在教学实践中将国家和各省市的教育资源与自己的课堂教学相结合,通过不同的办法将数字化教育资源转化为适合自己课堂教学的服务。例如:

(1)在现有数字化教育资源基础上教师自己进行二次加工,转化成适合自己课堂教学的内容。这是目前教师利用数字化教育资源最普遍的方式。在教师信息技术素养提升培训中,最受一线教师喜欢的内容就是获取教育资源的搜索、下载方法,以及处理加工图片、视频、文档等资源,编辑制作自己的教学PPT和微课短视频等极简技术,反映了广大教师渴求把数字化教育资源转化成自己的教学服务的强烈需求。

(2)把数字化教育资源作为教师进修提高的学习材料。这是很多热爱教育、致力于不断学习提高自己教学水平的青年教师的做法,他们会把从数字化教育资源平台和各种网络平台上看到的优秀教学范例迁移到自己的教学中。

(3)教师在课堂直接使用数字化教育资源平台上的课程视频等给学生上课,同时辅以教师的课堂讲解。这种方法目前多用于师资相对紧缺的乡村或边远地区学校。由于之前国家“校校通”工程等取得的实际成效,现在包括边远地区和乡村学校基本上都有条件在课堂上使用数字化教育资源,而教师的培训和综合素质等因素则影响其是否采用这种方式开展数字化教学。

(4)最新的发展是生成式人工智能在数字化教学中的应用。教师把数字化教育资源与生成式人工智能结合起来,巧妙地通过生成式人工智能将数字化教育资源平台上的学习内容转化成动态生成式服务,让学生获得与单纯观看课程视频完全不一样的学习体验。

03 生成式人工智能成为智能助手

随着数字化教育资源应用的深入,我们进一步认识到数字化教育资源提供的不仅仅是产品,更需要适合教学需求的“动感服务”。如何让数字化教育资源变成适合教学个性化需求的“生成式”资源?这个“最后一公里”难题一直困扰我们。

今天,生成式人工智能像是呼啸而来的21世纪工业革命浪潮,彻底颠覆了我们对计算机和教育资源的认识,这将是教育资源发展道路上的一个重要里程碑。生成式人工智能与之前我们在教育中应用的所有信息技术不同的地方,就是经过海量数据预训练的生成式人工智能大模型能够在与学生互动对话中生成针对每一次对话的个性化内容,恰好可以弥补现在依靠网络和多媒体技术建设的数字化教育资源的“最后一公里”短板。

四川省平武山区的旧堡羌族乡中心小学、甘肃省甘南藏族自治州合作市第四小学等各地中小学的教师把国家智慧教育公共服务平台与生成式人工智能相结合,引导学生在学习课程视频的过程中与生成式人工智能随时互动交流,生成式人工智能变成了智能化教学的中间助手,成为连接数字化教育资源产品与师生教学需要的“动感服务”的代理(Agent,或者称为智能体/智能助手)。

04 师生既是资源的消费者,又是资源的建设者

要用生成式人工智能解决数字化教育资源建设和应用的“最后一公里”难题,关键是提高生成式人工智能输出信息的准确性。因此,建设和应用高质量、面向教育领域的数据训练教育专有大模型,减少内容创作偏见,提高教育知识生成的准确度、学科学段的适切度和意识形态的可控性与安全性,是生成式人工智能赋能教育数字化转型的必由之路。

目前引人注目的是检索增强生成(Retrieval-Augmented Generation,RAG)和人机协同工作的人在回路(Human-in-the-Loop,HITL)技术的发展,即“混合增强生成技术”,将解决生成式人工智能输出信息的准确度难题,让AI辅助教育资源的“动感服务”成为可能。

检索增强生成技术就是将预训练的参数与非参数内存相结合用于语言生成,动态地从用户提供的外部知识源中检索相关信息,为大型语言模型提供更专业和最新的背景信息,用这些信息引导生成过程,提升回答的准确性和相关性。人在回路技术是人类与人工智能协作工作学习的一种方式,将人的作用嵌入AI系统中,将人类的高阶思维能力与计算机强大的算力和存储能力相结合,构成人在回路的混合式智能系统,人类的干预成为智能系统运作的组成部分,获得人—机智慧协同互补的最佳效果。

基于检索增强生成技术的大模型和人在回路的混合式智能系统在数字化教育资源建设中的应用,将改变数字化教育资源的建设理念和运行机制,把数字化教育资源建设变成双向服务:既是数字化教育资源为师生服务,同时师生也为数字化教育资源的建设提供智慧服务,师生从单向的资源消费者转变成资源的建设者、智慧的贡献者。

作者 | 黎加厚(上海师范大学教育学院教育技术学系教授)

来源 |《人民教育》,原标题为《数字化教育资源如何适应人工智能时代——再谈如何用好数字化教育资源》,有删减

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/47173.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【STM32嵌入式系统设计与开发---拓展】——1_9_1上拉输入和下拉输入

在使用GPIO引脚时,上拉输入和下拉输入的选择取决于外部电路的特性和应用需求。以下是它们各自的应用场景: 1、上拉输入(Pull-up Input) 用途: 当默认状态需要为高电平时。 避免引脚悬空(floating)导致的…

计算机网络——网络层(路由选择协议、路由器工作原理、IP多播、虚拟专用网和网络地址转换)

目录 路由选择协议 因特网的路由选择协议特点 路由信息协议RIP RIP衡量目的网络距离 RIP选择路由器的方式 RIP具有以下三个重要特点 RIP的基本工作流程 RIP的距离向量算法 ​编辑 ​编辑 RIP存在的问题——“坏消息传播得慢” RIP的封装 开放最短路径优先协议OSPF…

昇思25天学习打卡营第23天|基于MindSpore的Pix2Pix实现图像转换

Pix2Pix实现图像转换 Pix2Pix概述 Pix2Pix是基于条件生成对抗网络(cGAN, Condition Generative Adversarial Networks )实现的一种深度学习图像转换模型,该模型是由Phillip Isola等作者在2017年CVPR上提出的,可以实现语义/标签到…

【贪心算法】贪心算法30题

一、贪心算法简介 证明贪心策略正确性的常用方法:直接证明、交换论证法、反证法、分类讨论… 二、相关编程题 2.1 柠檬水找零 题目链接 860. 柠檬水找零 - 力扣(LeetCode) 题目描述 算法原理 提示:最优解和贪心解唯一可能不同…

《昇思25天学习打卡营第19天|Diffusion扩散模型》

什么是Diffusion Model? 什么是Diffusion Model? 如果将Diffusion与其他生成模型(如Normalizing Flows、GAN或VAE)进行比较,它并没有那么复杂,它们都将噪声从一些简单分布转换为数据样本,Diffusion也是从…

共建特色基地 协同互促育人

作为芯片和集成电路、人工智能、智能网联车等临港重点产业布局的知识密集型相关企业,核心技术人才和技术骨干是公司参与全球竞争的重要核心竞争力之一。 知从科技通过不断的创新和规范,在深化产教融合、校企合作、“双师型”、联合办学协同育人、产业人…

git回退分支版本git reset --hard HEAD

git回退分支版本git reset --hard HEAD git reset --hard HEAD 上面命令清除本地所有修改,与下面相似: git reset --hard origin/master 等同于: git reset --hard HEAD~0 说明: HEAD 当前版本 HEAD^ 上一个版本 HEAD^^ 上上…

Linux - 冯-诺依曼体系结构、初始操作系统

目录 冯•诺依曼体系 结构推导 内存提高效率的方法 数据的流动过程 体系结构相关知识 初始操作系统 定位 设计目的 操作系统之上之下分别有什么 管理精髓:先描述,再组织 冯•诺依曼体系 结构推导 计算机基本工作流程图大致如下: 输入设备&a…

支付宝低代码搭建电商小程序,无需编程,可视化操作

大家好,我是小悟 在数字化浪潮的推动下,为了更快速、高效地搭建电商小程序,支付宝低代码平台凭借其独特优势,为商家提供了便捷的解决方案。 支付宝低代码平台犹如一座精心打造的智慧工坊,让电商小程序的搭建变得轻而易…

Excel办公技巧:制作二级联动下拉菜单

分享制作二级联动下拉菜单的方法,即使数据有增删,菜单也能自动更新! 可以通过先定义名称,再结合数据验证,来做二级联动下拉菜单。 1. 准备数据 首先,我们需要准备好要进行二级联动下拉菜单的数据&#xff…

在 Linux 系统中安装MySQL 8.x(Ubuntu和CentOS)

文章目录 0. 前言1. 查看 Linux 的发行版本2. 在 Ubuntu 中安装MySQL 8.x2.1 更新包索引2.1.1 更改 Ubuntu 的镜像源2.1.2 更新软件包、升级软件包(耗时可能较长)2.1.3 可能遇到的问题 2.2 安装MySQL2.3 安全配置2.3.1 密码安全级别2.3.2 删除匿名用户2.…

6.Dockerfile及Dockerfile常用指令

Dockerfile是构建docker镜像的脚本文件 Dockerfile有很多的指令构成,指令由上到下依次运行。 每一条指令就是一层镜像,层越多,体积就越大,启动速度也越慢 井号开头的行是注释行。指令写大写写小写都行,但一般都写为…

介绍 Elasticsearch 中的 Learning to Tank - 学习排名

作者:来自 Elastic Aurlien Foucret 从 Elasticsearch 8.13 开始,我们提供了原生集成到 Elasticsearch 中的学习排名 (learning to rank - LTR) 实现。LTR 使用经过训练的机器学习 (ML) 模型为你的搜索引擎构建排名功能。通常,该模型用作第二…

nginx代理缓存

在服务器架构中,反向代理服务器除了能够起到反向代理的作用之外,还可以缓存一些资源,加速客户端访问,nginx的ngx_http_proxy_module模块不仅包含了反向代理的功能还包含了缓存功能。 1、定义代理缓存规则 参数详解: p…

减分虎-交管12123学习题目及答案

学法减分是对驾驶证已经存在的记分进行减免,并不是给驾驶证进行加分,不是代替违章扣分。学法免费获取的分值正是对扣分记录的清除。比如违章被扣6分,通过学法免分考试把6分清空重新开始。 学法减分政策为驾驶员提供了一次难得的加分机会。然而…

WordPress 6.6 “Dorsey多尔西”发布

WordPress 6.6 “Dorsey多尔西”已经发布,它以传奇的美国大乐队领袖 Tommy Dorsey 名字命名。Dorsey 以其音调流畅的长号和作品而闻名,他的音乐以其情感深度和充满活力的能量吸引了观众。 当您探索 WordPress 6.6 的新功能和增强功能时,让您的…

MBR40150FCT-ASEMI无人机专用MBR40150FCT

编辑:ll MBR40150FCT-ASEMI无人机专用MBR40150FCT 型号:MBR40150FCT 品牌:ASEMI 封装:TO-220F 批号:最新 最大平均正向电流(IF):40A 最大循环峰值反向电压(VRRM&a…

部署kafkamanager

1,检查kafka的版本 到lib下查看 libs/kafka-clients-0.11.0.3.jar kafka的版本 0.11 2,下载kafkamanager 链接: https://pan.baidu.com/s/1qYifoa4 密码:el4o 3,解压后更改该conf下conf/application.conf 中zkhosts …

论文翻译 | Successive Prompting for Decomposing Complex Questions 分解复杂问题的连续提示

摘要 回答需要做出潜在决策的复杂问题是一项具有挑战性的任务,尤其是在监督有限的情况下。 最近的研究利用大型语言模型(LMs)的能力,在少量样本设置中通过展示如何在单次处理复杂问题的同时输出中间推理过程,来执行复杂…

2024年金航标和萨科微扩张

近年电子信息产业链的外迁和世界经济的低迷,各行各业都很卷,加班加点但业绩负增长是常态,互联网大厂阿里巴巴大裁员、字节跳动裁到了大动脉、京东刘强东抛弃躺平的兄弟、深圳华强北做电子元器件的老板老板娘们一脸茫然,周围都弥漫…