教育中的基礎模型可以在多個數據源上進行訓練，以學習教育所需的能力：對各種主題和不同教學技術的理解。這些基礎模型可以以通用的方式應用于一系列任務和目標，例如理解學生、協助教師和生成教育內容。

2000 年，世界領導人最大規模的聚會在聯合國千禧年首腦會議上舉行，以反思對未來的理想愿景。代表們得出結論認為，首要重點應該是教育，并宣布教育“是人類成就感、和平、可持續發展、經濟增長、體面工作、性別平等和負責任的全球公民的基礎。”這一討論最終被重新編入聯合國可持續發展目標 “確保全民優質教育，促進終身學習”[聯合國大會 2015 年]。然而，大規模提供高質量、包容性的教育給社會帶來困難和經濟挑戰。每個學生的教育價格增長速度快于整體經濟成本 [Bowen 2012]，限制了可用于支持學生學習的資源。在美國，一個癥狀是學生持有的私立教育債務已達到 1.6 萬億美元，超過了信用卡債務總額 [Friedman 2020]。

隨著數字時代的到來和數字學習的快速發展，教育的計算方法在提高學習者和教師的效率方面顯示出希望。幾個核心方向已經成為人工智能的潛在影響應用，例如可以為學生提供有意義反饋的系統 ，幫助教師提高.

盡管有這種潛力，但事實證明，構建技術解決方案以有效地擴大包容性和教育質量非常困難。一個特殊的挑戰是，現有工作側重于為高度具體的任務定制解決方案，為此必須從頭開始收集大量訓練數據。由于創建大型數據集的難度和成本，使用這種方法獨立解決每項教育任務從根本上受到限制。相反，是不是有可能創建可在各種任務和主題中重復使用的通用方法嗎？基礎模型能否在該領域帶來更具變革性的變化？將基礎模型應用于教育的已知和想象風險是什么？我們將討論置于兩個具體任務中：(1) 理解學生的誤解，以及 (2) 通過教學提高學生的理解力。

教育研究中以基礎模型為中心的重要關注點。

人工智能教育的未來令人興奮，尤其是在基礎模型的背景下。然而，我們提醒讀者要特別考慮任何人工智能研究應用于教育的影響。雖然我們積極致力于改善數字教育，但當務之急是我們投入了大量的思考，試圖想象這個空間中任何破壞的復雜性 [Piech and Einstein 2020]。道德挑戰包括數據偏見、法律約束和數字社會化的影響等問題。這些問題并非基礎模型所獨有，但隨著研究在人工智能教育方面取得實質性進展，它們值得定期反思。 當研究開始時問“新的 AI 技術能提供什么？”時，對影響的反思尤為重要。例如，與許多其他領域一樣，基礎模型訓練數據中的小偏差可能很難追蹤, 但對教育機會的公平性有重要影響。此外，這些系統可能會經歷高度的“反饋”，其中收集的數據會不斷加強模型的決策。這個偏見問題超出了收集的數據范圍，包括對研究人員選擇研究的應用程序的擔憂。下面，我們討論其他特定于教育的問題。許多問題都圍繞著這個問題：“誰受益？” 新技術是為誰創造的？

將教師從循環中移除數字教育的目標之一，尤其是基于人工智能的數字教育，是提高學習體驗的生產力，以便每單位時間或單位成本進行更多的學習。可以想象，決策者可以利用這種提高的生產力將人類教師從循環中移除。這些決定的長期影響很難先驗地知道。可以與經過優化以最大化“學習”的教育系統進行交互對社會情感技能發展有不利影響？它會減少與他人互動的機會嗎？年輕一代的孤獨感正在上升，教師是 AI 研究人員可能無法預料的壓力調節力量。

這項工作是由學習者還是基礎模型完成的？ 另一個挑戰是如何有效地教授可以使用基于基礎模型的工具的學生。例如，如果學生與強大的生成模型一起工作，或者規范無效的合作和檢測剽竊，教師將更加復雜地了解學生的貢獻程度。Visual Studio 最近發布了 GitHub CoPilot，這是一個基于 GPT-3 。這將如何改變計算機科學教育？對于初學者程序員來說，許多挑戰對于 CoPilot 或其技術繼承者來說可能微不足道，這可能會破壞新手的學習體驗。研究擾亂某些學科教育的技術進步的其他例子將是有益的，例如數學中的計算器, 語言課程中的教室和谷歌翻譯，這兩者現在都與傳統教學共存。

隱私和安全。關于學生工作隱私的嚴格法律準則突出了在教育中使用 AI 的一個重要倫理問題。例如，在美國，學生信息受到家庭教育權利和隱私法案 (FERPA) 的保護。這些法律法規對于 13 歲以下的兒童尤為重要，他們的數據隱私和安全受到《兒童在線隱私保護法》的額外保護。除其他事項外，FERPA 限制教師分享可識別學生個人身份的作業。這可能會直接影響共享用于培訓和評估基礎模型的數據的計劃。

學生思維的基礎模型

在為包容和快樂的教育構建 AI 工具時，基礎模型可以用于許多任務。其中許多任務要求我們首先了解我們試圖幫助的學習者，尤其是在開放式工作的背景下?；A模型需要什么才能對學生的理解進行推理？很容易想象一個基礎模型已經適應正確回答數學問題，

但是不太清楚如何建立一個模型來診斷學生理解中的錯誤。為了探索這個主題，我們考慮提供反饋的案例研究對于正在從事開放式任務的學生，例如寫一個簡短的段落，畫一個物理圖，或編寫代碼。這種“反饋挑戰”舉例說明了基礎模型可以為學習者提供現成的幫助，也可以展示基礎模型的開放區域研究。

為了有效地向學生提供反饋，需要具備兩項核心能力：(1) 理解任務的主題（例如物理或編碼），(2) 診斷能力：一個教育專業術語，用于推斷學生犯錯的原因。對于典型的交互，沒有足夠的數據供 AI 模型從頭開始學習，這兩項核心能力。即使是有數百萬學生的大規模課程，也有監督即使是短短的四行程序，算法也幾乎無法理解復雜的學生推理。

編輯：黃飛