发展新质生产力，关键在于将“以人为本，因材施教”贯彻到教、学、管、研的全过程，全面创新人才培养模式。

       为推动智慧教育赋能广东人才培养的高质量发展，广东智慧教育研究院于2024年4月20日到21日在在暨南大学珠海校区展开智慧教育前沿研讨会。名誉院长罗伟其、信息科学技术学院/网络空间安全学院党委书记罗国伟、广东智慧教育研究院院长刘子韬、副院长官全龙及全院教师和2023级全体研究生出席本次会议，探讨人工智能时代的“因材施教”新路径。

PART 1

降本增效——AI助力攻坚普惠型教育的“不可能三角”

       地区发展的不平衡导致教育资源不平衡，进而引发普惠型教育模式推广中遇到的“不可能三角”难题。即，高质量教学、普惠的成本、个性化学习，这三个关键要素难以同时实现。研讨会一开始，刘子韬教授简明扼要地抛出教育领域现存的难题。

       具体来说，高质量教学背后是高质量师资的支撑，普惠型成本难以有效支持名师团的一线教学，需要更具吸引力的薪酬，这是市场规律。不平衡的成本投入必然导致高质量师资的不均匀分布，进一步加剧教育资源的不平衡。互联网技术的发展使得录播课和在线课程一度热门，也确实解决了部分授课质量的难题，降低了成本。但线上课程最大的问题是，难以有效捕捉课堂实时动态和个体差异，个性化学习整体缺位。资本雄厚的院校会聘用名师进行小班教学或一对一专人指导，背后的高昂教学成本并非每个家庭能承受得起的。紧接着，他对这个难题进行拆分和详解。

      “智慧教育的核心概念和模块均处于起步阶段，我们要做的就是把这些关键环节找出来，逐一攻坚”。他把当前阶段人工智能能介入的任务分为三大类：一是教学情境感知，让计算机理解教学场景和构成；二是提升认知主体的主动性，采用多模态和多视窗的方式全面提升学生对知识的感知；三是提高教学适配精度。这三类任务对应高质量教学、个性化学习两大环节。人工智能本身具有“降本增效”的先天优势，能够大幅降低所结合领域的成本，因此“AI+”自带的降本增效，也会推动普惠型教育的落地。

      “这是一个有巨大科研和就业前景的领域”，刘子韬教授根据从业经验把现有IT就业岗位分为四大类别：开发（前端、后端）、算法（NLP、ML、大模型等）、测试（功能测试、代码测试）、运维（服务器维护、集群化部署等）。算法工程师岗位曾让很多同学望而却步，不少同学默认算法工程师岗位招人很少，或需要具备深厚知识储备和顶尖的技术能力才能胜任，因此望而却步。但事实上，全国高校学生中能顺利读到计算硕士，已经是1%左右的佼佼者，入学后分流到不同研究方向，从事人工智能算法研发的研究生比例进一步降低。而在中大型互联网企业内设许多小的算法研发团队，平均一年招聘10个以上校招生，企业算法岗的人才缺口很大。因此，一名基础扎实的研究生会收获不少的offer，前提是具备一些基础条件，包括：1)掌握人工智能的基础知识，训练过深度学习模型；2）与行业接轨，触摸行业前沿需求，形成对行业的完整认识；3）有国际视野，阅读顶级会议的前沿论文和源码，潜移默化中完成知识的摄入。研究院导师们的研究方向对三个方面均有涉及，向学界和业界输送受过良好科研训练和技能训练的AI人才。

       围绕“程序员是否会被AI替代”这一当下热门话题，刘子韬教授的观点是“不会使用AI辅助编程的程序员，会被懂AI的程序员替代”。传统的写代码依赖实践经验，遇到编码问题依赖搜索引擎，而AI大模型已经具备生成代码和即时回答的能力，胜似一个强大的个人助手。程序员职业不会被淘汰，淘汰的是不懂AI辅助编程的程序员。

      “研究阶段的时间付出是非常重要的”，刘子韬教授最后强调。西湖大学校长曾分享过，他平均每天保持10+小时的高强度科研，不鼓励所有学生都这样做，但他确实乐在其中，因为这就是他的工作和生活方式，是他生命的一部分。高效能人士的底层逻辑总是有诸多相通之处，正如OpenAI的创始人受访时也曾提及类似的观点：在年轻阶段，需要有3-5年高强度的工作投入，迅速完成原始知识的原始积累，越早越好，这些努力在之后的十年间会有滚雪球一样的复利效应。可惜的是很多人忽视了这一点。

PART 2

积少成多——构筑智慧教育的学术版图

       2023级人工智能专业的研究生入学近一年，在研究院导师们的指导下沿着各自的领域耕耘，覆盖习题推荐、教案生成、知识引导、知识追踪、教育测量等多个主题，一点一滴构筑着智慧教育的事业版图。精彩分享主题如下：

1. 丁向铭《基于transformer的习题推荐系统》，将大模型和习题推荐系统相结合，丰富习题语义表示，更好捕获和理解用户意图。
   

2. 霍荣鑫《大模型思维链CoT研究》，思维链提示体现大模型的涌现能力，用大模型思维链提升小模型推理能力，解决复杂数学问题。

3. 周旭芳《智慧教育的公平性算法研究》，从建国至今，教育政策先后经历了大众教育、区域均衡、公平教育、中西部公平、因材施教、全面发展等多个阶段，通过公平性算法推动教育的校际公平发展和群体公平发展。

4. 马琪姿《面向教案自动生成的人机协同交互研究》，现有计算机辅助的教案生成系统具有智能化程度较低、个性化程度有限、数据驱动的决策不足等问题，通过接入大模型API，附加角色设定、任务理解、格式输出等交互模块，得到智能优化模块提升教案生成系统的人机交互能力。

5. 毛佳宁《带有协变量的多组CDM的单个/多个时间点研究》，引入项目反应理论，融合CDM和回归模型，解决单个/多个时间点的教育测量问题。

6. 曾小丽《基于Owen-72B大语言模型的智能教案生成系统》，通过大规模数据采集技术实现教案的自动化采集，并按教师授课模式分为探究式、讲授式、协作式、问题中心式、自学辅导式、头脑风暴式、项目式、讲座式等多类别，采用GPT辅助完成教学要素拆分、过程拆分、教案生成等步骤，在国产大模型“通义千问72B”版本基础上研发教育领域的自研大模型。

7. 尹智剑《基于知识引导的教学示意图理解》，在现有ScienceQA数据集基础上，引入多模态数据，并完成知识概念的抽象表示、关系挖掘、多模态表征、知识图生成等步骤，得到多模态ScienceQA数据集，用于支持教学目标检测、教学问答、信息检索等经典任务。

8. 夏煜彬《高效知识追踪架构设计》，在知识追踪任务中引入聚类注意力机制，并采用基于直通估计的优化方案和基于偏置的注意力矩阵补全提升模型效果。

PART 3

“以我为媒”——第一视角理解智慧教育的分阶段特征

       因材施教的个性化教育需要思考几个关键问题：如何培养人？培养什么样的人？如何服务和管理人才？如何评价教育的结果？这四个问题对应教育中的教、学、管、评四大环节。新质生产力号召下的智慧教育，抓手并不完全是“传统IT技术”，而更偏重于“先进AI技术”。输出AI结果服务于人的教育，提炼人的教学研管经验服务于机器，经过计算机的处理加工喂入给AI进行训练，形成“人-机-AI”的三角闭环。广东智慧教育研究院名誉院长罗伟其在做总结发言时，先抛出这样几个引人深思的问题。

       智慧教育是什么？罗其伟教授具体从三个方面开始谈起。第一是人类智慧的表征，人类的智慧怎么样表征为机器能理解能处理的信息。这其中涉及到服务对象的问题。例如自动驾驶技术服务对象是物，涉及到道路环境如何，车该如何开等，是有限元。智慧教育技术服务的对象是人，人类的思维、需求和动力是千人千面的，是无限元。无限元中蕴藏着存在不少共性，如人的基本保障需求、自我实现需求等，可以为智慧教育技术所挖掘，转化为机器能辅助执行的环节。第二是智慧教育技术的持续迭代。传统教育模式经过转化、迭代、更新之后，最终抵达智慧教育阶段。这个阶段的教育更重视教育教学手段的多样性、个体学习能力的主动性、教学方法适配性。整个迭代过程当中的很多内容可简单归纳为4大方面的工作，就是老师怎么教得更好，学生怎么学得更好，对学习情况、学习结果、学习过程的客观评价问题，教学服务和管理的精细化问题。仔细分析教学管评的各个环节有哪些部分可以通过机器来辅助，再回到传统教育中对比验证，持续地迭代和更新。三是智慧教育的实践性，这也是它的最大特点。教育的主体是人，教育的知识与现实世界联系紧密。智慧教育也并非空中楼阁，而是构筑在应用和实践之上，融入人工智能、教育学、认知心理学的交叉型学科领域。在这个过程中，研究者们探索新问题、寻找和研发先进AI工具、最终集成到教育应用场景中。为帮助同学们快速进入智慧教育的核心地带，罗伟其教授即兴列出几个关键问题供同学们思考：

• 我从小到大是怎么学习的？

• 我的学习过程中用到了什么学习方法？

• 学习的效果和效率如何？

• 外部对我学习效果的反馈和评价如何？

• 我在小学、中学、高中、大学、研究生不同阶段的学习方法有什么差异？

• 我对各个上学阶段的教学或自学模式的不满意之处有哪些？

• 个人有哪些先进学习经验分享？用示意图、表格、数字等方式表达出来。

• 我的经验方法中，哪些可以用信息技术来辅助？

• 如何将人类的学习方法和经验中提取一般性、群体性的智慧，去帮助各阶段的学生提高学习效果？

       在布置上述问题后，罗伟其教授认为，在人力和资源有限的情况下，国内从事智慧教育的研究团队应当集中精力攻坚重点议题。教育本身覆盖多个阶段，包括学前教育、基础教育、成人教育、终身教育等，各个阶段都有对应的教育模式和产品，而作为研究院，首先聚焦的是覆盖人群最广泛、社会受益面最广的基础教育。集中人力和智力资源专攻基础教育，才有可能率先在这一领域做出成就。