教育场景
先说结论
大模型在教育场景中的核心价值，不是直接替学生答题，而是作为可交互的学习支架，支持个性化讲解、练习生成、学习路径规划与形成性评估。
核心子场景
- 自适应学习与个性化辅导：根据学生当前水平、薄弱点和目标动态调整讲解方式、提示粒度和练习难度。
- 题目与讲义生成：生成练习题、变式题、解析、讲义、课堂活动和复习卡片。
- 学习路径规划：结合课程目标、先修知识和阶段测试结果生成学习计划。
- 知识评估与反馈：做作业点评、错因归纳、口头问答和形成性评价。
- 教师助教：辅助备课、生成 rubric、整理讲评、回复课程 FAQ。
典型技术栈 / 实现模式
- 聊天式 tutor + 课程资料 RAG + 提示模板。
- 学习者画像 + 记忆层 + 多轮诊断式提问。
- 题库、教材、课件接入后的结构化内容生成。
- 知识点图谱 + mastery score + 错题本形成闭环。
- 针对未成年人和考试场景增加内容过滤、作弊防控和隐私保护。
设计时真正要权衡什么
- 直接给答案 vs 启发式引导：教育产品通常应优先 Socratic 式提示，而不是一步给出结果。
- 通用能力 vs 学科专精：数学、编程、语言学习等往往需要单独提示策略和评测。
- 个性化强度 vs 教师可控性：个性化越强，越需要教师审核和可解释日志。
- 低延迟 vs 高准确率：课堂即时反馈要求快，但高风险内容应增加校验。
- 开放对话 vs 课程边界：既要鼓励探索，也要防止偏题和不适龄输出。
容易踩的坑
- 直接给最终答案，削弱学习过程。
- 解释听起来很流畅，但概念、公式或推导不准确。
- 难度失配，过于简单或跳步过大。
- 同一题多次评分口径不一致。
- 幻觉式引用教材、虚构知识点或错误结论。
工程落地时我会怎么做
- 设计“先问诊断问题，再给提示，最后才给答案”的三段式流程。
- 将题目生成、评分、反馈拆成不同 prompt 或工具，而不是用一个大 prompt 包办。
- 学习者画像至少包含：当前水平、目标、薄弱点、近期错误类型。
- 为数学、理科、语言学习建立专项评测集。
- 教师端保留可审核、可回放、可追溯的反馈链路。
- 校园与未成年场景默认使用更严格的内容与隐私策略。
如果要对外讲，可以怎么概括
“教育场景里，LLM 的定位更像 tutor 而不是答题器。核心是把课程资料、学习者画像、知识点图谱和多轮对话结合起来，帮助学生理解而不是替代思考。工程上要重点控制三件事：是否真的在因材施教、是否能减少幻觉和错教、以及教师是否能审核整个反馈过程。”
最后记几条
- 教育场景优先引导式教学，不宜默认直接给答案。
- 个性化的基础是学习者画像，而不是一次性的问答。
- 题目生成、评分和反馈要拆开设计。
- 数学、编程、语言学习需要专项评测。
- 教师审核和未成年人保护是落地底线。
参考资料
- Introducing ChatGPT Edu
- ChatGPT Edu at OpenAI
- Google LearnLM
- Gemini learning features
- NotebookLM goes global