作者：

徐升 華中師范大學 心理學院，湖北武漢 430079；

佟佳睿 IEEE 人工智能標準委員會， 新澤西州皮斯卡塔維 08854，美國；

胡祥恩 華中師范大學 心理學院，湖北武漢 430079；

摘要：長期以來，教育技術領域的研究者致力于利用計算機開展個性化自適應教學。智能輔導系統作為這一領域的核心，其目標是通過計算機技術提供個性化學習體驗和支持。近年來，生成式人工智能，尤 其是大語言模型的發展，為智能輔導系統帶來了突破性機遇，為個性化學習開辟了新的路徑。本文回顧了研 究者為實現個性化學習所作的努力及其成果和局限，探討了大語言模型在個性化學習中的潛力和影響，介紹 了“蘇格拉底游樂園”——一個基于對話的智能輔導系統，如何利用大語言模型實施蘇格拉底式教學，揭示 了生成式人工智能如何革新個性化學習方式。針對大語言模型的潛在誤用，文章提出了相應的建議，并構建 了框架，旨在引導研發者在生成式人工智能和大語言模型范式下開發高效的智能教育應用。

關鍵詞：個性化學習；智能輔導系統；ChatGPT；對話教學系統

一、個性化學習：審視過去

21 世紀，個性化學習已成為推動學習者發展 的核心動力。2016 年發布的《美國國家教育技術 計劃》，將個性化學習定義為一種根據學習者獨特 需求定制教學策略的方法（Thomas，2016）。這種方 法強調以學習者的興趣為中心，通過設定靈活的學 習目標和教學方法，實現教育個性化。個性化學習 被美國國家工程院視為 21 世紀面臨的 14 大工程 挑戰之一，肩負著與解構大腦等尖端科技并駕齊驅 的重要使命，標志著在解決教育差異化和個性化需 求上的重要進展。

個性化學習并非新生事物，可追溯至 19 世紀 末 20 世紀初的教育理論家約翰•杜威和瑪麗亞•蒙 特梭利等倡導的以學生為中心的教學法，該教學法 為個性化學習理念的發展奠定了理論基礎。布魯 姆的研究驗證了個性化教學相較于傳統教學模式 的優勢，強調教育應充分適應學生的獨特需求和偏 好（Bloom，1984）。

個性化學習的實現依賴于教師對學生個體差 異的深入理解和教學策略的靈活調整，這不僅對教 師的專業能力提出更高要求，同時也促使教育技術快速發展，尤其是計算機技術在個性化教育中的應 用。近半個多世紀以來，計算機輔助教學已取得顯 著成果，為實現教育資源的高效分配和教學個性化 提供了可能。本文通過展示個性化學習的理論起 源、戰略意義及實踐挑戰，強調其在推進教育革新 和實現教育公平中的關鍵作用。

（一）取得的成就

在教育技術領域，個性化學習技術研究，尤其 基于計算機的應用引發了眾多研究者的興趣，旨在 深化學習體驗并提升學習效率。智能輔導系統 （Intelligent Tutoring System， ITS）代表了這一領域 最具前景的技術之一，其核心是利用人工智能實現 高度個性化的學習支持。智能輔導系統通過模擬 專業導師的角色，利用智能技術為學習者提供定制 化的教育內容和反饋，避免人類教師的直接介入。 這一技術不僅涵蓋多種實踐形態和設計理念，而且 基于共有的理論和技術框架，可確保系統能夠適應 每個學習者的獨特需求（Luckin et al.，2016）。 智能輔導系統包括三個模塊：領域知識模塊、 教育策略模塊和學習者模型。領域知識模塊負責 提供學科內容，教育策略模塊負責選取最適合的教 學方法，學習者模型負責評估和適應學習者的當前 理解水平和需要（Padayachee，2002）。這些模塊協 同工作（見圖 1），確保智能輔導系統能為所有學習 者提供真正個性化且具有適應性的學習環境。

大量研究顯示，智能輔導系統在增進學習效果 方面優勢顯著，在提升學習成果方面，能夠達到乃 至超越人類導師的教學效果（Kulik & Fletcher 2016； Ma et al.，2014；VanLehn et al.，2011）。

智能輔導系統的實現方式大致分兩種：基于傳 統的計算機交互和基于對話的交互。前者指依靠 點擊、拖拽等直觀操作進行學習；后者指利用自然 語言處理技術，仿照人類導師的方式，與學習者開 展一對一互動。兩種方法各有所長，為學習者提供 豐富且多樣的學習體驗。智能輔導系統在多個領 域的成功應用證明其廣泛的適用性和在未來教育 中的潛在重要性，彰顯了它對教育改革的貢獻和在 實現個性化學習中的價值。

1. 基于傳統計算機交互的智能導學系統

知 識 空 間 中 的 學 習 與 評 估（Assessment  and Learning in Knowledge Spaces，ALEKS）是一款基于 知識空間理論（Knowledge Space Theory，KST）開發 的智能輔導系統（Falmagne et al.，1990）。該系統的 設計核心是利用人工智能技術結合知識空間理論， 精準評估并監測學習者的知識掌握程度，從而提供 高度個性化學習路徑（Canfield，2001）。ALEKS 可 以作為傳統教學手段的補充與輔助，增強學生的學 習效能（Sun et al.，2021）

ALEKS 始于初始知識檢測，如通過一系列選 擇題測驗識別學習者的當前知識狀態，并據此構建 個性化知識空間。該空間涵蓋學習者已掌握及尚 未掌握的知識點，并基于特定的先決條件，指引學 習者依次掌握所需知識點。在學習過程中，ALEKS 動態追蹤學習者的學習進展，通過實時數據分析調 整學習路徑，確保學習者以最有效的方式達到學習 目標（Craig，2013）。在此過程中，ALEKS 實時評估 學習者的知識掌握狀況，據此為學生推送合適的學 習資源，在為學生提供豐富動態的個性化學習體驗 的同時，也優化教學資源的分配和利用。

2. 基于對話的智能導學系統

教師和學生主要以自然語言作為媒介進行交 互。因此，模擬人類導師使用自然語言對話進行教 學輔導自然就成為部分智能導學系統研究者的關 注重點之一。在 Circsim-tutor （Kim et al.， 1989） 、 Atlas-Andes （Freedman，2000）和 ITSPOKE （Litman & Silliman，2004）等眾多智能導學系統中，最成功的是 AutoTutor（Nye et al.， 2014）。AutoTutor 通過模 擬人類導師一對一輔導的對話模式和輔導策略 （Graesser et al.，1995）進行教學。其核心是運用期 望與誤解定制的對話策略，針對學習者的個別需求 提供精準反饋。該對話策略主要通過自然語言處 理技術（Dumais，S. T.，2004），深度分析學習者的 回答，將學習者的回答與對應的預期正確答案或 典型誤解匹配，并據此提供定制化反饋。同時， AutoTutor  利 用 對 話 推 進 網 絡 （Dialogue  Advance Network，DAN）維系整個學習過程，學習者與系統 的對話自然且連貫，即使在復雜的多輪交互中也能 保持流暢（Person et al.，2000）。它通過兩個主要指 標——回答的相關性和新穎性評估學習者的輸入， 為不同水平的回答提供相應的反饋。與 AutoTutor 開展教學對話，在感知上類似與真實教師的教學對 話（Person & Graesser，2002），能有效地模擬人類教 師進行一對一輔導。

與 ALEKS 不同，AutoTutor 在教授概念性知識 方面優勢突出，比如教授閱讀理解（Shubeck et al.， 2017； Xu  et  al.， 2019） 、 概 念 性 的 計 算 機 知 識 （Graesser et al.，2003）、概念物理（Rus et al.，2013）、 批 判 性 思 維 等（Halpern  et  al.， 2012； Millis  et  al.， 2011），這些都是其他智能導學系統很少涉及的領 域。在研究者和開發者的不斷努力下，AutoTutor 還在不斷增加新的特性，如加入 3D 技術模擬物理 問題實時分析處理學習者情緒狀態（Nye  et  al.， 2014）。

（二）存在問題

智能輔導系統在推進個性化學習方面進展顯 著，但其發展也遭遇多重挑戰。首先，盡管研究持 續了近四十年，但智能輔導系統在實現預期學習效 果上仍未能達到布魯姆（1984） 提出的理想 2σ 問 題（即優秀的一對一教學可以將學生的學習效果提 高兩個標準差水平）。智能導學系統實際的學習效 果通常在 0.8 到 1.0 個標準差之間（VanLehn，2011）。 這表明，盡管智能輔導系統教學在成效上優于平均 水平的人類導師，但與最初的期望相比，仍有很大差距。

首先，技術應用滯后是智能輔導系統發展遭遇 瓶頸的主要原因之一。在人工智能迅猛發展的背 景下，智能輔導系統項目未能充分利用最新的技術成果，如深度學習在自然語言處理中的應用（Xu et al.，2021）以及在知識追蹤方面新的進展等（Piech et al.， 2015；Pelánek， 2017；Xiong et al.， 2016；Zhang et al.，2017）。這些新技術的缺席限制了智能輔導系 統在某些領域的提升。

其次，將先進的學習理論有效地應用于智能輔 導系統也面臨難題。雖然教育研究已取得了許多 理論上的進展（Gholson  et  al.， 2009； Chi  &  Wylie， 2014），但這些進步在技術層面的實施面臨重大挑 戰，部分原因是當時的技術尚不足以支撐這些理論 的實際應用。

最后，智能輔導系統的規?；瘜嵤┩瑯永щy重 重。由于學習具有領域獨特性，在特定領域有效的 智能輔導系統往往難以擴展到其他領域。此外，開 發和維護智能輔導系統需要大量的人力資源和領 域專家的持續參與，增加了其規?；瘧玫膹碗s性 和成本。

這些挑戰不僅凸顯了推進智能輔導系統過程 中需要克服的技術和理論障礙，也顯示了未來研究 和發展中的潛在機遇，尤其是在技術創新和跨學科 合作方面。

（三）總結

回顧智能輔導系統的發展歷史，我們不僅見證 了其在教育技術領域的顯著成就，也發現了若干關 鍵的挑戰和差距。首先，盡管智能輔導系統已取得 了進展，一定程度上提升了學習效果，但與最初設 定的理想目標仍有明顯差距。此外，我們還注意到 智能輔導系統在采納教學理論和教學方法方面存 在滯后性，許多經過驗證的先進理論尚未在智能輔 導系統得到充分應用。同時，面對全球教育對高質 量資源需求的不斷增長，智能輔導系統的規?；?產與需求之間存在明顯的缺口。

2022 年下半年，生成式人工智能技術的興起， 特別是大語言模型，如 ChatGPT 的問世徹底改變了 人們對人工智能能力的看法，并為智能輔導系統的 未來發展提供了新的可能。這些先進的技術不僅 有潛力彌補現有的差距，而且還能推動智能輔導系 統朝著更加個性化、互動性強和易于規?；姆?向發展，從而更好地滿足全球對優質教育資源的 需求。

二、新一代人工智能與大語言 模型：最新進展

（一）新一代人工智能與大語言模型

“新一代人工智能”及其教育應用指的是那 些自 2022 年以來引領人工智能領域變革的新技術， 特別是那些集成了生成性能力和大規模預訓練的 模型。以往人工智能技術往往依賴于特定任務的 數據集訓練，且應用范圍受限，例如，只能進行圖像 分類（He et al.，2016），或者對自然語言文本進行情 感分析（Hoang et al.，2019）。相比之下，新一代人 工智能技術通過對廣泛未標記的數據進行預訓練 （Radford et al.，2018），展現出跨領域的適應能力， 并生成以往只有人類能創作的內容，如文本、圖像 甚至視頻。這些新型人工智能技術的應用案例包 括基于穩定擴散模型（Stable Diffusion） （Rombach et al.，2022）和 ChatGPT。值得一提的是，ChatGPT 能夠理解并回應廣泛的人類自然語言指令，覆蓋從 文本創作到編程等多個方面。

大語言模型（Large Language Model，LLM）是新 一 代 人 工 智 能 中 最 引 人 注 目 的 組 成 部 分， 以 ChatGPT、Palm（Anil et al.， 2023）和 Llama（Touvron et al.，2023）等為代表。大語言模型一經發布就引 發了關注，其能力在各個專業領域得到充分驗證。 例如，ChatGPT 在美國醫學執業考試中的通過率近 60%（Kung et. al.，2022），并在數學、科學、法律等 多個專業和學術考試中超過 90% 的人（Achiam et al.，2023）。由于其出色的專業能力，大語言模型同 樣引起教育研究者的注意，研究人員（Baidoo-Anu， et. al.，2023；Grassini，2023；Kasneci，2023）正在積極 探索其在教育領域的應用，尤其是在各個專業領域， 如醫學教育（Sallam，2023）、編程學習（Meyer et al.， 2023）、專業大學教育（Tsai et al.，2023）、兒童思考 和提問技巧訓練（Abdelghani et al.，2023）。聯合國 教科文組織也發布了關于在教育環境中應用生成 性人工智能的指南，系統呈現了生成性人工智能模 型的潛力和趨勢（Holmes & Miao ，2023）?？梢灶A 見，生成性人工智能和大語言模型在教育領域的應 用將成為研究關注的焦點。

（二）大語言模型應用于智能導學系統：應用舉例

大語言模型擁有優秀的多輪對話能力、自然 語言理解、生成能力，以及一定程度的邏輯推理能 力，非常適用于智能教學系統。目前，學術界關于 如何在智能導學系統中應用大語言模型以更好地 實現個性化教學仍未取得實質性進展。本研究采 用一些實際應用案例，揭示大語言模型如何提升智 能導學系統各個模塊的功能，以便推進更高級的個 性化教學。

有了大語言模型，構建能熟悉各個領域的基于 對話的智能導學系統變得非常簡單。研究者僅需 要掌握“提示詞工程”（Ekin，2023），通過向大語 言模型提供適當的指令，就可以使其根據用戶要求 執行特定任務。

大語言模型可以以選定的知識點為基礎，生成 相應的領域知識并通過對話方式傳遞給學習者，同 時根據與學習者的對話情況實時調整后續學習內 容，即發揮領域模型作用，提供任意領域的學習內 容。本研究基于大語言模型開發了用于教授行為 統計學的對話教學系統（見圖 2）。該系統用樹形 結構將與統計相關的知識點組織起來，學習者可以 點擊任一知識點，與虛擬導師對話。

大語言模型同樣能夠擔任學習評估者的角色。 它通過分析學習者的自然語言輸入，以簡潔的方式 評估其掌握程度。大語言模型不僅能判斷學習狀 態，還能提供具體的反饋和建議，激發學習者探索 和理解相關知識點（見圖 3）。

采用教學策略進行多輪對話引導是早期基于 對話的智能輔導系統的一大挑戰，因為它涉及對學 習者多輪輸入的深度分析以連貫地規劃下一步的 輔導行為。這個過程中處理自然語言的復雜性是 關鍵。大型語言模型可以解決這一難題，極大提升 智能導學系統在執行復雜對話教學中的能力和 效率。

（三）大語言模型在基于對話的智能導學系統 的綜合應用：蘇格拉底游樂園

1. 系統介紹

“蘇格拉底游樂園”是一個采用大語言模型 執行蘇格拉底式教學對話的智能輔導系統。該系 統旨在為學生提供定制化、自適應的學習體驗。 蘇格拉底式教學法借助大語言模型的強大功能，可 以引導學習者自我反思、批判性思考，發展獨立思 考能力。

為確保蘇格拉底式教學的高效實施，該系統的 設計遵循以下原則：首先，系統始終圍繞與所學知 識密切相關的實際場景進行設計，并確保在這些場 景內對學習者、學習對話內容高度敏感；其次，系 統通過評估學習者的認知搜索能力，提出需要深入 推理的問題，引導學習者探索而不是直接提供答案；再次，系統通過問題提示與學習者互動，鼓勵他們 思考。簡而言之，“蘇格拉底游樂園”通過精心設 計的問題場景和引導問題，激發學習者的好奇心和 探索欲，促使他們深度學習和自我反思。

用戶首先在初始設置界面選擇感興趣的學習 領域，如“行為統計中的 T 檢驗”或“金融市場與 證券投資”?；谶@一選擇，系統自動識別并列出 該領域必須掌握的關鍵知識點，啟動構建個性化學 習路徑（見圖 4）。

針對學習路徑中的每個關鍵概念或知識點，系 統將創造一系列豐富的問題場景。每個場景都圍 繞一個核心問題設計，要求學習者通過理解和應用 相關知識尋找解決方案。在這些互動場景中，系統 承擔蘇格拉底導師的角色，通過蘇格拉底式的問答 法促使學習者深入思考，從而達到學習目的（見圖 5）。

值得一提的是，系統不會直接提供答案，而是通過 提出挑戰性的問題鼓勵學習者自我探索和解決問 題（見圖 6）。

“蘇格拉底游樂園”展示了一個跨界的、高 度個性化的對話式智能輔導系統的新范例，其特色 如下：

1）無領域限制。系統覆蓋廣泛的知識領域，解 決了以往智能導學系統在規?；涂珙I域應用上 的不足。

2）高度個性化體驗。學習者的每次輸入都將 得到系統的反饋，這將保證學習者獲得定制化的學 習體驗。

3）融合先進學習理論。“蘇格拉底游樂園” 能根據各種學習理論和教學方法與學習者互動，體 現了蘇格拉底式教學法的內涵和理念。系統分析 學習者的回答，識別知識掌握的缺陷，并據此提出 引導性問題，這一切得益于當前自然語言處理技術 的進步：支持復雜文本的理解與生成。

“蘇格拉底游樂園”通過精心設計的提示詞 架構，利用以蘇格拉底式教學法和互動開展輔導。 系統通過初步的提示接收用戶輸入，并結合用戶反 饋細化后續的指導，從而確?；貞蠈W習者的實 際需求和學習狀態，展現出對話式智能導學系統在 教育領域的創新應用。

（四）總結

大語言模型為智能輔導系統，特別是基于對話 的智能導學系統的發展提供了支持，有效地克服了 此類系統面臨的傳統難題。首先，利用大語言模型 的高度通用性能確保智能導學系統以極低的成本 （僅需少量的提示詞調整）覆蓋廣泛的知識領域。 其次，大語言模型出色的自然語言理解能力使智能 導學系統能夠深入挖掘學習者回答中反映出的知識掌握情況。再次，大語言模型先進的自然語言生 成能力使得復雜的教學策略有了用武之地，比如， 在教學對話中使用蘇格拉底式反問。

從智能導學系統理論框架的角度看，大語言模 型顯著增強了智能導學系統的核心組成部分—— 領域知識模塊、學習者分析模塊和教學策略模塊 的功能。對于基于對話的智能導學系統而言，大語 言模型的引入標志著新一輪發展機遇，預示著其功 能和應用范圍的大幅擴展。

三、展望未來：構建研發評價體系

（一）大語言模型應用挑戰

大語言模型的教育應用正迅速深化并廣泛擴 展，已成為趨勢。隨之而來的是，如何在避免大語 言模型濫用的基礎上優化其教育應用成為教育研 究者面臨的緊迫問題。大語言模型的不當使用可 能帶來一系列風險和挑戰。

1）技術的負面影響

生成式人工智能技術的廣泛使用首先會給知 識和能力體系帶來沖擊。知識方面的沖擊主要表 現為生成式模型可能生成不準確甚至錯誤的信息， 這些信息的使用和傳播會帶來認知上的混亂。此 外，由此帶來的人的基礎技能的退化也是潛在問題。 如果人類過度依賴大語言模型，人類的認知技能， 如閱讀理解、信息抽取和整合，甚至批判性和創造 性思維能力都可能受到損害。生成式人工智能對 人的潛在負面影響值得研究者嚴肅對待。

2）學術道德問題

生成式人工智能的使用可能會對學術誠信構 成威脅。學習者可能通過大語言模型不當獲益，比 如在作業中獲得更好的成績。缺乏有效檢測工具 可能會加劇這一趨勢。

3）教育質量與公平問題

正確使用大語言模型或其他生成式人工智能 技術可以促進學習，但不是所有人都能從中獲益。 發達地區的學習者可能更快地接受新技術，并有機 會得到充分的指導，以便更好地應用新技術提升學習效率；欠發達地區的學習者可能面臨資源獲取的 限制，包括但不限于技術接入的不足、缺乏適當的 培訓以及與先進教育工具的互動機會有限。這種 不平衡不僅會加劇教育資源的不均等分配，還可能 加深不同人群知識和技能的鴻溝，進一步影響個人 的學習進步和地區教育的發展。

針對這些挑戰，教育領域需尋求平衡發展，探 索如何合理利用大語言模型的潛力，通過制定相應 機制來減少其潛在的負面影響，確保技術的應用促 進而非阻礙教育進步。

（二）新一代人工智能技術支持的智能導學系 統的研發

新一代人工智能技術，尤其是大語言模型帶來 的濫用問題，凸顯了智能輔導系統領域制定合理的 研究、開發與評估框架以及建立方法論的緊迫性。 大語言模型作為一種新興技術，其應用時間不長， 對人類社會的長期影響還未完全顯現，因此，建立 有效的研發及評估機制顯得尤為關鍵。

智能導學系統是一個與技術緊密結合的領域， 計算機科學技術，特別是人工智能技術在其中扮演 著非常重要的角色，但教育學和心理學（特別是認 知科學）的作用也不可忽視。三者有機結合（見 圖 7）：教育學提供教學法、教學策略方面的理論框 架和實踐方法；認知心理學明確學習涉及的心理機 制；計算機（人工智能）技術用于保證教育學與心理 學提供的理論框架落地，由此形成高效的、個性化 的教學系統。

為了在新一代人工智能技術的浪潮中推動個 性化學習邁向新階段，本文提出了 ASSP 框架（即 該框架四個內涵的第一個動詞的首字母），以指導智能導學系統研發人員有效利用大語言模型及其 他人工智能技術，創建更優質的個性化學習應用。 該框架的內涵如下：

1）遵循先進的學習理論（adhering to advanced learning thoeries），即深度融合和應用強調適應性、 個性化和吸引力的先進學習理論。這將確保智能 導學系統開發基于最新的教育理論，滿足多樣化的 學習風格和需求。

2）使用最新技術（state-of-the-art-enabling technologies），即采用當前最前沿的技術，不僅作為工 具，更作為提升教學質量、增強互動和訪問的媒介。 特別是在生成式人工智能技術快速發展的當下，人 們應積極探索其在智能導學系統中的應用潛力。

3） 正確應用策略 （strategic  appropriet  applications），即明智地在教育場景中應用上述技術和理 論。這意味著要在合適的環境中選用恰當的工具 和方法，以最大化學習成效，并確保技術融合的目 標是明確且有益的。這一內涵的關鍵在于避免技 術使用的盲目性，確保技術解決的是教育實踐真正 的需求點。

4）證實學習有效性（proven efficiency learning）， 即重視在教育實踐中采用基于證據的方法。這包 括對所使用的學習策略和技術進行持續的評估和 驗證，以確保它們真正地提升學生學習效果。任何 新技術或智能導學系統的開發，不僅需追求創新性， 更要有提高學習效率和效果的實證研究的支持。

四、總結

在 21 世紀的教育研究領域，個性化學習已逐 漸轉變為一個綜合性議題。它不僅面臨技術帶來 的挑戰，還涉及人文關懷、技術創新與倫理責任的 交織。這一轉變的歷程，不單反映了智能輔導系統 的發展路徑，更重要的是，大語言模型的涌現為個 性化學習領域注入了新的動力。這種動力源自技 術自身的進步，同時也體現了對教育公平概念的擴 展：在大語言模型的賦能下，個性化學習將進入全 新的階段，并為教育欠發達地區提供更優質的學習 資源。從這個角度看，大語言模型在智能導學系統 中的融合應用有巨大的社會價值。

大語言模型可以極大地提升智能導學系統各 個模塊的表現，結合人工智能技術和計算機輔助教學的理念，可以賦予智能導學系統以前所未有的交 互性和適應性，提升系統對學習者需求的精準響應 能力，推進個性化學習進程。

在大語言模型為智能導學系統賦能的新時代， 跨學科合作顯得尤為重要。技術開發者、教育工 作者與政策制定者等不同領域的專家協同合作，成 為應對新技術挑戰的關鍵。這種合作不僅有助于 解決技術應用中的倫理障礙，還能推動教育創新， 使更多人受益于個性化學習的進步。

為了應對這些挑戰，本文提出的 ASSP 框架旨 在促進智能導學系統的開發，促進教育學、心理學 與倫理學知識在技術創新中的應用；利用大語言模 型等生成式人工智能技術優化個性化學習的過程 中，研究共同體應更加注重技術與人文價值的融合， 確保技術進步能促進教育公平和支持學習者的全 面成長。

展望未來，大語言模型賦能智能導學系統需關 注的不僅是技術本身的進步和應用的實效性，更重 要的是，強調教育實踐的倫理性、公平性和可持續 性。通過持續的探索和實證研究，構建既高效又包 容、既創新又符合倫理標準的個性化學習新模式， 將是研究者與實踐者的共同目標。

[ 參考文獻 ]

[1]  Abdelghani，R.，Wang， Y.  H.， Yuan， X.，Wang，T.，Lucas， P.， Sauzéon，H.，& Oudeyer，P. Y. （2023）. Gpt-3-driven pedagogical agents to train children’s curious question-asking skills[J]. International Journal of Artificial Intelligence in Education：1-36.

[2]  Achiam，J.，Adler，S.，Agarwal，S.，Ahmad，L.，Akkaya，I.，Aleman， F.  L.， &  McGrew， B. （2023） .  Gpt-4  technical  report  [EB/OL]. [2023-03-04]. https://arxiv.org/abs/2303.08774.

[3]  Anil，R.，Dai，A. M.，Firat，O.，Johnson，M.，Lepikhin，D.，Passos， A.，Shakeri，S.，Taropa，E.，Bailey，P.，& Chen，Z. （2023）. Palm 2 technical report[DB/OL]. [2023-09-13] . https://arxiv.org/abs/2305.10403.

[4]  Baidoo-Anu，D.，& Ansah，L. O. （2023）. Education in the era of generative artificial intelligence （AI）：Understanding the potential benefits  of  ChatGPT  in  promoting  teaching  and  learning[J]. Journal  of  AI， 7（1）：52-62.

[5]  Bloom， B.  S. （1984） . The  2  sigma  problem： The  search  for methods of group instruction as effective as one-to-one tutoring[J]. Educational Researcher，13（6）：4-16.

[6]  Canfield，W. （2001）. ALEKS：A Web-based intelligent tutoring system[J]. Mathematics and Computer Education，35（2）：152.

[7]  Chi，M. T.，& Wylie，R. （2014）. The ICAP framework：Linking cognitive  engagement  to  active  learning  outcomes[J]. Educational  psychologist，49（4）：219-243.

[8]  Craig，S. D.，Hu，X.，Graesser，A. C.，Bargagliotti，A. E.，Sterbinsky， A.，Cheney， K.  R.，&  Okwumabua，T. （2013） . The  impact  of  a technology-based  mathematics  after-school  program  using  ALEKS  on student's knowledge and behaviors[J]. Computers & Education，68：495- 504.

[9]  Dumais，S. T. （2004）. Latent semantic analysis[M]. Annual Review of Information Science and Technology （ARIST），（38）：188-230.

[10]  Ekin，S. （2023）. Prompt engineering for chatgpt：a quick guide to  techniques， tips， and  best  practices.  [EB/OL].  [2023-05- 05].https://doi.org/10.36227/techrxiv.22683919.v2

[11]  Falmagne， J.  C.，Koppen，M.，Villano，M.，Doignon， J.  P.，& Johannesen，L.. （1990）. Introduction to knowledge spaces：How to build， test，and search them[J]. Psychological Review，97（2）：201.

[12]  Freedman，R. （2000） .  Plan-based  dialogue  management  in  a physics tutor [C]//In Sixth Applied Natural Language Processing Conference：52-59.

[13]  Gholson，B.，Witherspoon，A.，Morgan，B.，Brittingham，J. K.， Coles，R.，Graesser，A. C.，& Craig，S. D. （2009）.Exploring the deeplevel reasoning questions effect during vicarious learning among eighth to eleventh  graders  in  the  domains  of  computer  literacy  and  Newtonian physics[J]. Instructional Science，37：487-493.

[14]  Graesser，A. C.，Moreno，K.，Marineau，J.，Adcock，A.，Olney， A.， Person， N.， &  Tutoring  Research  Group. （2003） .  AutoTutor  improves deep learning of computer literacy：Is it the dialog or the talking head  [C].  In  Proceedings  of  artificial  intelligence  in  education （Vol. 4754）:47-54.

[15]  Graesser，A. C.，Person，N. K.，& Magliano，J. P. （1995）. Collaborative dialogue patterns in naturalistic one‐to‐one tutoring[J]. Applied cognitive psychology，9（6）：495-522.

[16]  Grassini，S. （2023）. Shaping the Future of Education：Exploring  the  Potential  and  Consequences  of  AI  and  ChatGPT  in  Educational Settings[J]. Education Sciences，13（7）：692.

[17]  Halpern，D. F.，Millis，K.，Graesser，A. C.，Butler，H.，Forsyth， C.，&  Cai，Z. （2012） . Operation  ARA： A  computerized  learning  game that teaches critical thinking and scientific reasoning[J]. Thinking Skills and Creativity，7（2）：93-100.

[18]  He，K.，Zhang，X.，Ren，S.，& Sun，J. （2016）. Deep residual learning  for  image  recognition  [C]//In  Proceedings  of  the  IEEE  conference on computer vision and pattern recognition：770-778.

[19]  Hoang，M.，Bihorac，O. A.，& Rouces，J. （2019）. Aspect-based sentiment analysis using bert[C]//In Proceedings of the 22nd nordic conference on computational linguistics：187-196.

[20]  Kasneci，E.，Seßler，K.，Küchemann，S.，Bannert，M.，Dementieva，D.，Fischer，F.，Gasser，U. & Hüllermeier，E.. （2023）. ChatGPT for good? On opportunities and challenges of large language models for education[J]. Learning and Individual Differences，（103）：102274.

[21]  Kim，N.，Evens，M.，Michael，J. A.，& Rovick，A. A. （1989）. CIRCSIM-TUTOR： An  intelligent  tutoring  system  for  circulatory physiology[C]//Computer  Assisted  Learning： 2nd  International  Conference，ICCAL'89 Dallas，TX，USA，May 9–11，1989 Proceedings 2。

[22]  Kulik，J. A.，& Fletcher，J. （2016）. Effectiveness of intelligent tutoring  systems： a  meta-analytic  review[J]. Review  of  Educational  Re-search，86（1）：42-78.

[23]  Kung，T. H.，Cheatham，M.，Medenilla，A.，Sillos，C.，De Leon， L.，& Tseng，V. （2022）. Performance of ChatGPT on USMLE：Potential for  AI-assisted  medical  education  using  Large  Language  Models. [EB/OL]  [2022-12-21]. https://www.medrxiv.org/content/10.1101/2022. 12.19.22283643v2.

[24]  Litman，D.，& Silliman，Silliman. （2004）. ITSPOKE：An intelligent  tutoring  spoken  dialogue  system[C]//In  Demonstration  papers  at HLT-NAACL：5-8.

[25]  Luckin，R.，Holmes，W.，Griffiths，M.，Forcier，L.，B. （2016）. Intelligence  unleashed： An  argument  for  AI  in  Education  [M].  Open Ideas;  Pearson  Education， London. https://discovery.ucl.ac.uk/id/eprint/ 1475756/.

[26]  Ma，W.，Adesope，O. O.，Nesbit，J. C.，& Liu，Q. （2014）. Intelligent tutoring systems and learning outcomes：A meta-analysis[J]. Journal of educational psychology，106（4）：901.

[27]  Nwana， H.  S. （1990） . Intelligent  tutoring  systems： An  overview[J]. Artificial Intelligence Review，4（4）：251-277

[28]  Meyer，J. G.，Urbanowicz，R. J.，Martin，P. C.，O’Connor，K.， Li，R.，Peng，P. C.，Bright，T. J.，Tatonetti，N.，Won，K. J.，& GonzalezHernandez，G. （2023）. ChatGPT and large language models in academia： Opportunities and challenges[J]. BioData Mining，16（1）：20.

[29]  Holmes，W.，& Miao，F. （2023）. Guidance for generative AI in education and research[M]. UNESCO Publishing.

[30]  Millis，K.，Forsyth，C.，Butler，H.，Wallace，P.，Graesser，A.，& Halpern，D. （2011）. Operation ARIES：A serious game for teaching scientific inquiry[J]. Serious games and edutainment applications：169-195.

[31]  Nye，B. D.，Graesser，A. C.，& Hu，X. （2014）. AutoTutor and family：A review of 17 years of natural language tutoring[J]. International Journal of Artificial Intelligence in Education，（24）：427-469.

[32]  Padayachee，I. （2002）. Intelligent tutoring systems：Architecture and characteristics [C]. //In Proceedings of the 32nd Annual SACLA Conference：1-8.

[33]  Pelánek，R. （2017）. Bayesian knowledge tracing，logistic models， and  beyond： An  overview  of  learner  modeling  techniques[J]. User Modeling and User-Adapted Interaction，27：313-350.

[34]  Person，N. K.，Bautista，L.，Kreuz，R. J.，Graesser，A. C.，& Tutoring Research Group. （2000）. The dialog advancer network：A conversation manager for AutoTutor [C]// In ITS 2000 proceedings of the workshop on modeling human teaching tactics and strategies ：86-92.

[35]  Person，N. K.，& Graesser，A. C. （2002）. Human or computer? AutoTutor in a Bystander Turing Test [C]// In Proceedings of the 6th International Conference on Intelligent Tutoring Systems pp：821-830.

[36]  Piech， C.， Bassen， J.， Huang， J.， Ganguli， S.， Sahami， M.， Guibas，L.，& Sohl-Dickstein，J. （2015）. Deep knowledge tracing [C]. // In Proceedings of the 28th International Conference on Neural Information Processing Systems-Volume 1：505-513.

[37]  Radford， A.， Narasimhan， K.， Salimans， T.， &  Sutskever， I. （2018） .  Improving  language  understanding  by  generative  pre-training[EB/OL].  [2018-06-11]. https://cdn.openai.com/research-covers/ language-unsupervised/language_understanding_paper.pdf

[38]  Rombach，R.，Blattmann，A.，Lorenz，D.，Esser，P.，& Ommer， B. （2022）. High-resolution image synthesis with latent diffusion models [C]//In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition：10684-10695.

[39]  Rus，V.，D’Mello，S.，Hu，X.，& Graesser，A. （2013）. Recent advances  in  conversational  intelligent  tutoring  systems[J]. AI  magazine， 34（3）：42-54.

[40]  Sallam，M. （2023）. ChatGPT Utility in Healthcare Education， research， and  practice：Systematic  review  on  the  promising  perspectives and valid concerns[J]. Healthcare （Basel，Switzerland），11（6）：887.

[41]  Shubeck， K.  T.， Fang， Y.， &  Hu， X. （2017） .  Math  reading comprehension：Comparing effectiveness of various conversation frameworks in an ITS[C]//Artificial Intelligence in Education：18th International Conference:617-620..

[42]  Sun，S.，Else-Quest，N. M.，Hodges，L. C.，French，A. M.，& Dowling，R. （2021）. The effects of ALEKS on mathematics learning in K12 and higher education：A meta-analysis[J]. Investigations in Mathematics Learning，13（3）：182-196.

[43]  Thomas， S. （2016） .  Future  ready  learning： Reimagining  the role  of  technology  in  education.  2016  national  education  technology plan[EB/OL].  [2016-02-01].Office  of  Educational  Technology， US  Department of Education. https://tech.ed.gov/files/2015/12/NETP16.pdf

[44]  Touvron，H.，Lavril，T.，Izacard，G.，Martinet，X.，Lachaux，M. - A.，Lacroix，T.，Rozière，B.，Goyal，N.，Hambro，E.，& Azhar，F. （2023）. Llama：Open  and  efficient  foundation  language  models[EB/OL].  [2023- 02-27]. https://arxiv.org/abs/2302.13971.

[45]  Tsai，M. L.，Ong，C. W.，& Chen，C. L.（2023）. Exploring the use of large language models （LLMs） in chemical engineering education： Building  core  course  problem  models  with  Chat-GPT[J]. Education  for Chemical Engineers，44：71-95.

[46]  VanLehn，K. （2011）. The relative effectiveness of human tutoring，intelligent tutoring systems，and other tutoring systems[J]. Educational psychologist，46（4）：197-221.

[47]  Xiong，X.，Zhao，S.，Van Inwegen，E. G.，& Beck，J. E. （2016）. Going deeper with deep knowledge tracing[C]//Proceedings of the 9th International Conference on Educational Data Mining:545-550.

[48]  Xu， S.， Andrasik， F.， Cai， Z.， &  Hu， X. （2021） . Integrating deep learning to improve text understanding in conversation-based ITS[J]. International Journal of Smart Technology and Learning，2（4）：304-324.

[49]  Xu， Z.， Wijekumar， K.， Ramirez， G.， Hu， X.， &  Irey， R. （2019）. The effectiveness of intelligent tutoring systems on K‐12 students'  reading  comprehension： A  meta‐ analysis[J]. British  Journal  of Educational Technology，50（6）：3119-3137.

[50]  Zhang，L.，Xiong，X.，Zhao，S.，Botelho，A.，& Heffernan，N. T. （2017）. Incorporating rich features into deep knowledge tracing [C]//In Proceedings of the fourth ACM conference on learning@ scale ：169-172.