資料內容：
第三章 教育專用大模型的潛在挑戰(zhàn)
相較于其他領域，在教育中實現(xiàn)真正的自動化和智能化
往往面臨著更高的要求，因為教育任務大部分是“非程式化”
的，可自動化程度相對較低。隨著大模型在模仿、生成、創(chuàng)
作等能力上的不斷突破，大模型有望在教育過程中得到深入
應用。作為一項新興的人工智能技術，有必要對教育專用大
模型可能面臨的挑戰(zhàn)進行系統(tǒng)性評估。
一方面，智能機器與人類教師之間存在模糊分野。教育
任務往往需要人類智慧，這使得具備生成、創(chuàng)造能力的大模
型技術在承擔復雜認知任務（如藝術創(chuàng)作、決策制定）時，
逐漸模糊了機器與教師之間的界限，從而容易導致師生對大
模型的過度依賴，造成知識體系的斷裂和碎片化、偏見等問
題。具體來說，大模型的強大生成能力簡化了師生獲取信息
的流程，但也放大了其對知識探究的惰性。大模型往往會為
復雜問題提供簡潔、直接的答案，但這些答案缺乏連貫性和
完整性，可能導致學生所獲取的知識處于不斷被切割的狀態(tài)。
同時，數(shù)據(jù)集本身或算法等原因導致模型對某些特定群體或
5主題存在偏好或歧視，可能會導致模型輸出的答案或結論存
在偏差。
另一方面，通用與專用大模型在人類價值上可能存在沖
突。通用大模型在教育領域的應用受限主要源于其缺乏教育
領域特定的深度知識和個性化定制能力。這種模型通常是通
過廣泛而通用的文本數(shù)據(jù)訓練而成，未必能準確理解教育領
域特定術語、學科需求及學習模式，由此引發(fā)通用與專用大
模型之間的過程與結果的沖突、生成與探究的沖突、自動與
協(xié)作的沖突、透明和可靠的沖突。因此，需要定制基于領域
知識深度理解的教育專用大模型來提供更有效、精準和深度
的智能化支持。
