35 面向课堂的生成式AI，第1部分

“当有人建议你尝试使用生成式人工智能工具进行某项活动时，你会怎么做？当你有一个活动的想法，但不确定如何调整改进时，你会怎么做？”

在此，我们的目标是帮助你评估、选择和开展这类活动。

由于这项技术发展迅速，且其性能随着学科和环境的变化而变化，因此无法事先列出教师需要询问的所有问题。我们仅希望能让你按照已发布指南推荐的思路开始工作，这些思路得到了研究和案例研究的支持。

请注意，在本书中，我们仅关注教师而非学生与生成式人工智能互动的活动。图框中提供的链接中解释了我们这么做的原因。

即使你不相信生成式人工智能工具应该在教育中占有一席之地，我们也建议你至少尝试一项使用生成技术的活动。它可能会帮助你：

• 了解使用生成式人工智能提供的工具能做什么以及不能做什么；
• 重新构思或安排课程元素，特别是在决定哪些作业可以做，哪些作业不可以做时。例如，ChatGPT可以有效帮助学生写作文¹，因此布置标准作文作为家庭作业可能是徒劳的。你可能需要使用多种评估方法，如小组项目、实践活动和口头报告，而不是简单的“是”或“否”问题¹；
• 了解这项技术的局限性，以便使用它们激励学生发挥自己的想象力和创造力²；
• 当具有更先进功能的下一代技术出现时，不会感到落后；
• 利用它们减轻你的工作负担，并探索以前可能过于困难或耗时的新课题；
• 利用新流派的思维方式和学习方法；
• 帮助研究和开发这些工具在教育领域的应用³。

同时，鉴于技术和方法的新颖性，我们强烈建议您将任何活动的具体情况及其演变记录在日记里。这将帮助您监控和评估每项活动的短期和长期效果，并与同事讨论你所观察到的情况。

关于教学法和实践的问题

任何人都可以为课堂提出活动建议。他们可能来自技术界，对课堂情况了解不多。或者，这可能是一个适合大学生但不适合青少年的想法。即使活动适合你的课堂，如果没有可靠的教学理论和课堂实证支持，长期来看可能会产生一些意外。因此，我们鼓励你带着对教学法和实用性的疑问去开展任何活动。

关于生成式AI的问题

生成式AI应用的核心是大语言模型（LLM）或图像模型（扩散模型）。正如语言学家诺姆·乔姆斯基（Noam Chomsky）所说，“大致而言，它们[大语言模型]处理海量数据，寻找其中的模式，并变得越来越擅长生成统计上可能的输出，例如看似人类的语言和思维⁴。”BERT、BLOOM、GPT、LLaMA和PaLM都是大语言模型。对应的图像深度学习模型称为扩散模型。Stable Diffusion和Midjourney是流行的例子。

母公司或第三方都可能对大语言模型(LLM)进行进一步训练(微调)以完成特定任务，如回答问题和总结文章。或者,他们可能对LLM或聊天机器人进行少量提示编程或大量编程，并将结果作为应用程序包发布（Chatpdf、Elicit、Compose AI、DreamStudio、NightCafe、PhotoSonic、Pictory）。

为了制作ChatGPT，OpenAI对GPT3和GPT4进行了微调。它使用了提示-响应样本和内容可接受性规则。谷歌研究团队用科学和数学数据训练了PaLM，从而得到了Minerva。该语言模型随后在解决定量推理问题的语言模型应用中取得了最先进的结果。它能够解决近三分之一的本科层次物理、生物、化学和经济学等科学领域的问题，以及其他需要定量推理的科学领域⁵。

针对教育用途对Ed-GPT等语言模型进行微调²  ，还需要进一步工作，如添加学科知识和去偏差。

语言模型是否已针对特定任务进行了微调，将影响其在该任务上的效能⁶。整套模型是由单一公司提供（OpenAI的ChatGPT），还是由另一家公司进一步开发，都将影响安全性和数据隐私。在探索使用哪种模型时，最好同时了解核心模型的成功之处和局限性，以及谁对它做了什么。

关于它是否适合你和你的课堂的问题

一个活动可能会实现其所有目标，所使用的生成式AI工具可能是最好和最符合伦理标准的，但活动仍然需要进行调整，以适应你的课堂。就像任何AI工具一样，你可能需要进行多次迭代才能实现你的目标²。你可能需要对提示技巧和输出结果的批判性评估进行培训和练习¹。此外，整个体验应该让你受益匪浅，并符合你作为教师的价值观。

¹ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

² Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.

³ Becker, B., et al, Programming Is Hard – Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

⁴ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

⁵ Lewkowycz, A., Andreassen, A., Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁶ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.