AI赋能数学教育：利用情境感知AI支持大规模数学课程中的教师

文献标题

AI meets Mathematics Education: Supporting Instructors in Large Mathematics Classes with Context-Aware AI

出版信息

• 主题领域: 生成式人工智能在数学教育中的应用，用于教学支持。
• 关键词: 生成式人工智能、数学教育、大规模课程、人本设计、教学支持、教学一致性、人工智能辅助学习、人机混合工作流、课程特定模型、自动化评估。

背景与问题

• 问题/挑战: 大规模课程在提供及时且可扩展的教学支持方面面临挑战，尤其是在考试等高峰期。现有的生成式人工智能系统往往缺乏可靠性、教学一致性以及模仿教学风格的能力。
• 重要性: 解决这一问题可以减轻教师的工作负担，改善学生的学习体验，并提高教育的可扩展性。
• 动机与相关研究: 先前关于智能辅导系统和大型语言模型（LLMs）的研究探讨了自适应反馈、个性化学习和自动化评估。然而，这些系统通常未能解决教学一致性和细致的教学需求。本文在这些研究基础上，聚焦于人本设计和在大学水平微积分 I 课程中的实际部署。

解决方案

• 提出的方法: 开发一个轻量级、课程特定的生成式人工智能模型，为学生在课程门户上的问题提供准确且具有上下文感知的回答。
• 创新点:
  1. 创建一个包含2,738个学生与教师问答对的课程特定数据集，并辅以讲义和练习题。
  2. 微调一个轻量级语言模型，以模拟课程教师的教学风格。
  3. 在实际环境中部署和评估该模型，结合教师监督和人机混合工作流。
  4. 分析学生和教师的感知，重点关注教学一致性和信任。
• 流程与关键技术:
  • 从微积分 I 课程门户中收集数据，包括历史问答对和讲义。
  • 使用增强后的问答对微调选定模型，以提高支架式教学和教学一致性。
  • 由五位专家教师组成的评估小组根据正确性、相关性、完整性和与学生意图的一致性进行评估。
  • 在课程门户上部署模型，教师监督其操作，包括认可、编辑和删除等行为。
  • 部署后通过学生调查评估模型回答的感知。

结果

• 具体发现:
  • 模型在150个代表性问题的基准测试中达到了75.3%的准确率。
  • 回答在64%的情况下是完整的，在76.6%的情况下是相关的。
  • 在36%的情况下，模型回答被评为与教师回答同等或更好。
• 相较基线的优势:
  • 微调后的模型在教学一致性和准确性方面优于基础模型，特别是在中等难度问题上。
  • 系统的成本效益是GPT-5的56倍，是DeepSeek的3.5倍。
• 实验/评估:
  • 五位专家教师使用标注的基准进行人工评估。
  • 使用GPT-o4-mini进行正确性和相关性的自动化评估。
  • 部署后分析教师行为和学生调查反馈（N = 105）。
• 局限性与未来工作:
  • 由于聚焦于单一课程背景，模型的普适性有限。
  • 轻量级模型在性能上受限于较大的架构。
  • 需要更先进的自动化评估方法以减少对人工标注的依赖。
  • 探索自适应响应策略以实现个性化学习。

总结

本研究提出了一种轻量级、课程特定的生成式人工智能模型，旨在为大规模微积分 I 课程提供教学支持。通过对2,738个学生与教师互动数据的微调，该模型在中等难度问题上表现出较高的准确性和教学一致性。部署结果表明，教师的监督降低了风险并增强了学生的信任，突出了人机混合工作流的重要性。学生认可模型与课程材料的一致性及其即时可用性，但在回答细节方面的偏好有所不同。未来的工作应致力于提高教学适切性、可扩展性和个性化，以负责任地将人工智能进一步整合到STEM教育中。