资料内容：
第三章 教育专用大模型的潜在挑战
相较于其他领域，在教育中实现真正的自动化和智能化
往往面临着更高的要求，因为教育任务大部分是“非程式化”
的，可自动化程度相对较低。随着大模型在模仿、生成、创
作等能力上的不断突破，大模型有望在教育过程中得到深入
应用。作为一项新兴的人工智能技术，有必要对教育专用大
模型可能面临的挑战进行系统性评估。
一方面，智能机器与人类教师之间存在模糊分野。教育
任务往往需要人类智慧，这使得具备生成、创造能力的大模
型技术在承担复杂认知任务（如艺术创作、决策制定）时，
逐渐模糊了机器与教师之间的界限，从而容易导致师生对大
模型的过度依赖，造成知识体系的断裂和碎片化、偏见等问
题。具体来说，大模型的强大生成能力简化了师生获取信息
的流程，但也放大了其对知识探究的惰性。大模型往往会为
复杂问题提供简洁、直接的答案，但这些答案缺乏连贯性和
完整性，可能导致学生所获取的知识处于不断被切割的状态。
同时，数据集本身或算法等原因导致模型对某些特定群体或
5主题存在偏好或歧视，可能会导致模型输出的答案或结论存
在偏差。
另一方面，通用与专用大模型在人类价值上可能存在冲
突。通用大模型在教育领域的应用受限主要源于其缺乏教育
领域特定的深度知识和个性化定制能力。这种模型通常是通
过广泛而通用的文本数据训练而成，未必能准确理解教育领
域特定术语、学科需求及学习模式，由此引发通用与专用大
模型之间的过程与结果的冲突、生成与探究的冲突、自动与
协作的冲突、透明和可靠的冲突。因此，需要定制基于领域
知识深度理解的教育专用大模型来提供更有效、精准和深度
的智能化支持。
