開放教育課程中基于人工智能輔助教的創(chuàng)新模式研究

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，開放教育資源的普及為全球?qū)W習(xí)者提供了前所未有的學(xué)習(xí)機(jī)會(huì)。然而，如何有效整合海量資源，實(shí)現(xiàn)個(gè)性化教學(xué)與高效學(xué)習(xí)，成為當(dāng)前教育技術(shù)領(lǐng)域的重大挑戰(zhàn)。LangChain、ChatGLM模型與RAG方法的集成，為解決這一問題提供了新的視角與解決方案。

本文深入探索了LangChain+ChatGLM模型與檢索增強(qiáng)生成（RAG）方法在開放教育課程輔助教學(xué)中的應(yīng)用潛力，旨在通過這些前沿技術(shù)的集成，革新傳統(tǒng)教學(xué)模式，促進(jìn)學(xué)習(xí)的個(gè)性化、智能化和互動(dòng)性。在開放教育體系中，結(jié)合ChatGLM模型的語言理解與生成能力、LangChain的可信知識(shí)管理和RAG方法的精準(zhǔn)信息檢索，本文構(gòu)建了一種多維度、多平臺(tái)的輔助教學(xué)模式，以期優(yōu)化學(xué)習(xí)體驗(yàn)，提高教學(xué)質(zhì)量和效率。

1 教學(xué)模式與開放教育資源

在開放教育的背景下，國家開放大學(xué)的“一網(wǎng)一平臺(tái)”項(xiàng)目作為信息化建設(shè)的重要部分，正在逐步解決開放教育信息化支撐不足，平臺(tái)分散，數(shù)據(jù)共享不暢等問題。其基于平臺(tái)的教學(xué)模式依賴于預(yù)先錄制的文本、音頻和視頻以及學(xué)習(xí)討論資料，這些資料雖然能夠提供豐富的學(xué)習(xí)內(nèi)容，但存在著在線教學(xué)局限性。學(xué)習(xí)資源多為單向傳輸，缺乏教師與學(xué)生之間的有效實(shí)時(shí)互動(dòng)，導(dǎo)致學(xué)生在學(xué)習(xí)過程中遇到問題時(shí)難以得到及時(shí)解答。在線教學(xué)內(nèi)容通常“一刀切”，難以滿足不同學(xué)生的學(xué)習(xí)需求、興趣和學(xué)習(xí)風(fēng)格，限制了個(gè)性化學(xué)習(xí)路徑的發(fā)展。開放教育通常缺乏面對(duì)面的交流和輔導(dǎo)，學(xué)生完成學(xué)習(xí)后，往往缺乏有效的反饋機(jī)制，使得學(xué)習(xí)成效難以評(píng)估和及時(shí)調(diào)整。

盡管開放教育資源為學(xué)習(xí)者提供了大量多媒體、可重用的學(xué)習(xí)內(nèi)容，但這些資源的組織和呈現(xiàn)方式往往缺乏主動(dòng)性，使得學(xué)習(xí)者在信息篩選和知識(shí)構(gòu)建上面臨挑戰(zhàn)。

2 基于大語言模型輔助教學(xué)模式應(yīng)用

在教育教學(xué)領(lǐng)域，自然語言處理（NLP）技術(shù)的應(yīng)用日益廣泛，尤其在問答系統(tǒng)這一細(xì)分場景中，其重要性不斷凸顯。基于大型語言模型（LLM）的問答系統(tǒng)，能夠生成豐富的文本內(nèi)容、解答專業(yè)問題，并執(zhí)行多樣化的復(fù)雜語言任務(wù)，顯著提升了專業(yè)信息的響應(yīng)和整合能力。然而，通用的大型語言模型在未經(jīng)調(diào)整的情況下，處理任務(wù)時(shí)可能會(huì)遇到一些固有的挑戰(zhàn)，例如模型幻覺、信息更新滯后、數(shù)據(jù)安全性問題等，這些都可能導(dǎo)致生成內(nèi)容不準(zhǔn)確或有偏差的回答。為了克服這問題，我們采取在開放教學(xué)過程中結(jié)合LangChain+ChatGLM+RAG輔助教學(xué)的應(yīng)用模式，實(shí)現(xiàn)智能知識(shí)管理與個(gè)性化推送、課程知識(shí)的高效互動(dòng)問答等功能。利用LangChain框架整合教學(xué)資源，構(gòu)建一個(gè)專門針對(duì)開放課程資源庫，確保數(shù)據(jù)的安全與透明。結(jié)合應(yīng)用提示詞增強(qiáng)技術(shù)（RAG），通過在向量數(shù)據(jù)庫中索引學(xué)習(xí)中遇到的問題，將問題索引及生成回答整合到提示詞中，以提高基于ChatGLM模型的問答質(zhì)量。對(duì)學(xué)生的學(xué)習(xí)問答信息進(jìn)行分析，從知識(shí)庫中智能篩選并推送個(gè)性化學(xué)習(xí)內(nèi)容，實(shí)現(xiàn)精準(zhǔn)教學(xué)資源匹配，滿足學(xué)生在學(xué)習(xí)過程中對(duì)深度和廣度的需求。

通過這種方法將檢索信息和生成回答結(jié)合可以避免單獨(dú)構(gòu)建數(shù)據(jù)集和模型微調(diào)的需要，降低部署成本，同時(shí)減少大型語言模型生成無關(guān)回答的情況，增強(qiáng)數(shù)據(jù)安全性。可以構(gòu)建一個(gè)支持個(gè)性化和互動(dòng)式學(xué)習(xí)的教學(xué)模式，利用技術(shù)提升教育質(zhì)量和學(xué)習(xí)體驗(yàn)。這種模式不僅能夠?yàn)閷W(xué)生提供個(gè)性化的學(xué)習(xí)支持和答疑輔導(dǎo)，還能夠確保信息的準(zhǔn)確性和時(shí)效性，同時(shí)保障數(shù)據(jù)的安全性和隱私性。

3 AI輔助教學(xué)模式框架

構(gòu)建符合開放教育教學(xué)的輔助教學(xué)模式，使數(shù)據(jù)庫課程教學(xué)場景的應(yīng)用具有獨(dú)特優(yōu)勢(shì)，具備豐富的數(shù)據(jù)庫知識(shí)和課程語言理解能力，融入開放課程教學(xué)過程。問答平臺(tái)的框架分為多模態(tài)資源文本整合、專有知識(shí)庫構(gòu)建、輔助問答生成。AI輔助教學(xué)模式框架如圖1所示。

3.1 課程資源多模態(tài)整合

為了使問答平臺(tái)具備教學(xué)場景的對(duì)話能力，首先需要整合多模態(tài)非結(jié)構(gòu)化的教學(xué)資源，由于課程資源形式多樣涵蓋多種文件類型及非結(jié)構(gòu)化的內(nèi)容，要針對(duì)開放大學(xué)學(xué)習(xí)平臺(tái)中的學(xué)習(xí)內(nèi)容確定整合資源類型，將多模態(tài)課程資源轉(zhuǎn)化并生成一個(gè)高質(zhì)量文本數(shù)據(jù)學(xué)習(xí)資源包。課程整合資源的類型包括文本資源（電子教材、知識(shí)問答題、測試題）、視頻資源（教學(xué)微課、上機(jī)操作）、音頻資源（導(dǎo)學(xué)提示，期末輔導(dǎo)）三類。

對(duì)文本資源進(jìn)行整合，根據(jù)課程教學(xué)任務(wù)，整理課程大綱，教學(xué)目標(biāo)，章節(jié)教學(xué)資源列表、復(fù)習(xí)題問題與答案對(duì)、文本教材、音視頻教學(xué)資源等課程內(nèi)容資源的標(biāo)注信息，通過大語言模型分析和處理文本內(nèi)容，生成關(guān)鍵詞及摘要，加入章節(jié)標(biāo)簽、學(xué)習(xí)目標(biāo)。對(duì)視頻資源以大語言模型工具分析視頻內(nèi)容，通過提示詞對(duì)視頻內(nèi)容總結(jié)輸出對(duì)應(yīng)文本數(shù)據(jù)及標(biāo)注，對(duì)音頻資源進(jìn)行轉(zhuǎn)換，通過大語言模型語音識(shí)別技術(shù)工具轉(zhuǎn)換成文本內(nèi)容及生成標(biāo)注。經(jīng)過資源整合，形成符合根據(jù)關(guān)鍵詞、標(biāo)注數(shù)據(jù)檢索內(nèi)容，為構(gòu)建專有知識(shí)庫做準(zhǔn)備。

3.2 基于LangChain+ChatGLM+RAG實(shí)現(xiàn)專有知識(shí)庫構(gòu)建

如圖2所示，在問答對(duì)話流程中，在LangChain框架下利用LLM結(jié)合知識(shí)檢索增強(qiáng)生成，為了更好地回復(fù)課程知識(shí)的問答，將課程系統(tǒng)知識(shí)按照文本知識(shí)的頁碼、章節(jié)、段落進(jìn)行切片，建立索引以嵌入算法模型向量化切片并存入向量庫中，形成能夠輔助增強(qiáng)LLM的知識(shí)庫，當(dāng)一個(gè)提問輸入后，會(huì)將這個(gè)提問也通過嵌入算法模型向量化，在向量庫中查詢問題，將檢索獲得最相關(guān)的K個(gè)上下文排序，基于之前的提問和獲得的上下文進(jìn)行增強(qiáng)，傳送給大模型，大模型會(huì)回復(fù)一個(gè)課程教學(xué)問答的正確答案。

基于LangChain+ChatGLM+RAG實(shí)現(xiàn)專有知識(shí)庫構(gòu)建如下。

首先進(jìn)行知識(shí)加載，將課程資料等教學(xué)資源加載到預(yù)先構(gòu)建的FAISS向量庫中。這是構(gòu)建知識(shí)庫的基礎(chǔ)，為文本處理和向量化作準(zhǔn)備。再對(duì)文本資源包進(jìn)行優(yōu)化切片，首先需要確定文本資源切割的最優(yōu)策略，考慮使用知識(shí)檢索增強(qiáng)處理長文本，合理的文本切割策略可以提高模型性能和效率，減少推理時(shí)間。依賴兩個(gè)關(guān)鍵參數(shù)為：Chunk_Size（塊大小）和OverLap（數(shù)據(jù)重疊區(qū)）。根據(jù)嵌入（Embedding）模型和ChatGLM3模型的最大長度限制來設(shè)置塊大小，以避免語義丟失。這里通過可視化文本切分視圖工具對(duì)課程的一段文本資源進(jìn)行字符數(shù)量分割與遞歸字符分割策略對(duì)比，以便根據(jù)教學(xué)場景選擇最合適的策略（見表1）。

從文本切分文策略如表1所示可以看到，遞歸字符分割以段落換行等符號(hào)分割文本，文本單元在語義上是相對(duì)完整的句子，適配中文資源的分割。Langchain所使用的文本分割策略是遞歸字符分割，支持傳入字符列表來分割文本，通過列表中的字符依次分割，LangChain中的分割模塊根據(jù)章節(jié)、段落、句子和詞組等邏輯字符進(jìn)行分割，同時(shí)考慮了LLM的處理能力和上下文長度限制，以提高處理效率和輸出質(zhì)量。分割工作流程將文本拆分成小的、語義上有意義的句子，并將這些句子組合成標(biāo)準(zhǔn)的塊大小，形成獨(dú)立的文本單元。通過參數(shù)調(diào)整，保留塊與塊之間的重疊數(shù)據(jù)，以維持文本的上下文聯(lián)系。

然后利用嵌入模型對(duì)每個(gè)文本片段進(jìn)行向量化，并存儲(chǔ)到向量數(shù)據(jù)庫中。當(dāng)提問輸入后，我們通過向量相似度檢索找到與問題最相關(guān)的K個(gè)文檔，并將這些文檔拼接組合。最后根據(jù)提示詞模板內(nèi)容將原始問題與檢索得到的相關(guān)信息組合，輸入到本地部署的大模型中，模型結(jié)合提問和上下文信息組合，生成最終的準(zhǔn)確回答。

通過這一流程能夠構(gòu)建一個(gè)結(jié)合了LangChain框架和ChatGLM大模型的RAG技術(shù)問答平臺(tái)，它利用知識(shí)檢索增強(qiáng)生成，為課程知識(shí)問答提供精確的回答，同時(shí)提高了處理效率和輸出質(zhì)量。

3.3 提示詞輔助問答生成

通常在向大語言模型工具提出一個(gè)專業(yè)問題時(shí)，由于大語言模型本身缺少對(duì)專業(yè)領(lǐng)域深度知識(shí)以及問答指令的需求不夠明確，所以無法滿足回復(fù)專業(yè)提問的關(guān)鍵內(nèi)容，所以通過專業(yè)知識(shí)提示詞工程輔助的方式，利用LangChain框架下提示詞模板加載本地專有知識(shí)庫的回復(fù)信息，將優(yōu)化問題的提示內(nèi)容發(fā)送給LLM，每一個(gè)問題都使用相關(guān)的專有知識(shí)進(jìn)行增強(qiáng)拼接，大語言模型回答專業(yè)問題準(zhǔn)確性就會(huì)有很大提升。

針對(duì)用戶輸入的問題，優(yōu)化提問內(nèi)容的輔助提示詞，通過在提問內(nèi)容之前增加根據(jù)課程參考信息完成知識(shí)獲得相關(guān)動(dòng)作，滿足回答限定要求，達(dá)成生成答案內(nèi)容的目標(biāo)，來實(shí)現(xiàn)精準(zhǔn)關(guān)鍵內(nèi)容定位，增強(qiáng)答案準(zhǔn)確性，拓展上下文數(shù)據(jù)分析。實(shí)現(xiàn)在開放教學(xué)中對(duì)學(xué)生的問答行為和關(guān)鍵詞進(jìn)行分析，生成個(gè)性化的學(xué)習(xí)內(nèi)容推薦，精準(zhǔn)推送學(xué)習(xí)資源。答案生成提示文本見表2。

4 實(shí)驗(yàn)方案

4.1 實(shí)驗(yàn)環(huán)境與參數(shù)

搭建的服務(wù)器具體配置如下：CPU，Intel（R） Core（TM） i3-13100F; GPU， NVDIA GeForce RTX 3060。大語言模型為ChatGLM3-6B，ChatGLM3-6B是ChatGLM系列最新一代的開源模型，模型在對(duì)話流暢、部署門檻低等眾多優(yōu)秀特性的基礎(chǔ)上，具有更多樣的訓(xùn)練數(shù)據(jù)、更充分的訓(xùn)練步數(shù)和更合理的訓(xùn)練策略、更完整的功能支持。文本嵌入模型為bge-large-zh-1.5，向量處理最大長度限制512token。向量數(shù)據(jù)庫為FAISS，全稱為Facebook AI Similarity Search，最大處理文本長度L設(shè)為256。匹配知識(shí)條數(shù)（K值）為5，知識(shí)庫對(duì)話輪數(shù)（step值）為3，知識(shí)匹配分?jǐn)?shù)閾值為0.7。

4.2 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)集主要檢驗(yàn)輔助教學(xué)問答平臺(tái)的應(yīng)用效果。通過開放教育專科課程數(shù)據(jù)庫基礎(chǔ)與應(yīng)用相關(guān)知識(shí)構(gòu)建兩大類資源包，一類是以教材為主的課程教學(xué)資源包，分析平臺(tái)在語義理解和文本生成上的能力。一類是以復(fù)習(xí)資源為主的問答對(duì)習(xí)題包，分析平臺(tái)在回復(fù)準(zhǔn)確度的能力。

使用3W1H框架設(shè)置提示詞：明確任務(wù)（教學(xué)問答）、確定角色（你現(xiàn)在是開放教育專家）、了解背景（教授數(shù)據(jù)庫基礎(chǔ)與應(yīng)用課程）、怎樣做（請(qǐng)根據(jù)知識(shí)庫提供的教學(xué)資源及問答互動(dòng)得到的已知信息，簡潔和專業(yè)地回答問題。不要重復(fù)問題內(nèi)容和胡亂編造內(nèi)容。如果無法從中得到答案，請(qǐng)說 “根據(jù)已知信息無法回答該問題”，答案請(qǐng)使用中文）。

4.3 實(shí)驗(yàn)分析

通過問答輸出對(duì)比表3可以看到，在有無知識(shí)庫引用上進(jìn)行對(duì)比，引用知識(shí)庫之前大模型雖然對(duì)教學(xué)問題的回答具有一定的合理性，但在課程教學(xué)上還達(dá)不到知識(shí)廣度及實(shí)用性的要求，生成內(nèi)容無法用到教學(xué)問答中。在引入知識(shí)庫后，生成內(nèi)容更加符合教學(xué)知識(shí)的最優(yōu)回復(fù)，具有較高的實(shí)用性和完整性。基于知識(shí)庫的問答所展示的最優(yōu)回復(fù)，已經(jīng)達(dá)到本課程教學(xué)的知識(shí)點(diǎn)準(zhǔn)確性和知識(shí)應(yīng)用范圍，但從方法的效果來看在教學(xué)應(yīng)用上還是有限的。今后，通過模型自身能力和構(gòu)建知識(shí)庫質(zhì)量的提高，在教學(xué)方面的應(yīng)用還具有較大的提升空間。

5 結(jié)語

結(jié)合LangChain、ChatGLM和RAG方法的開放教育輔助教學(xué)模式，為開放教育課程的輔助教學(xué)提供了全新的視角與強(qiáng)大的技術(shù)支持，實(shí)現(xiàn)了教學(xué)內(nèi)容的個(gè)性化、智能化與互動(dòng)性升級(jí)。這種創(chuàng)新模式不僅提升了教學(xué)效率與學(xué)習(xí)體驗(yàn)，還能有效增強(qiáng)學(xué)習(xí)者的參與度和滿意度，推動(dòng)開放教育向著更加個(gè)性化、高效和互動(dòng)的方向發(fā)展。未來，隨著技術(shù)的不斷成熟和教育數(shù)據(jù)的積累，該模式有望成為開放教育領(lǐng)域的一項(xiàng)重要?jiǎng)?chuàng)新，為開放教育學(xué)習(xí)者提供更加靈活、高質(zhì)量的學(xué)習(xí)機(jī)會(huì)。

本文系2023吉林省職業(yè)教育與成人教育教學(xué)改革研究課題“基于人工智能交互模型的多平臺(tái)輔助教學(xué)模式研究”（編號(hào)：2023ZCY384）；2023吉林省高教學(xué)會(huì)科研課題“基于人工智能輔助教學(xué)模式的構(gòu)建研究”（編號(hào)：JGJX2023C183）研究成果。

（作者單位：長春開放大學(xué)）