ChatGPT与高等教育变革:价值、影响及未来发展

最近一段时间,ChatGPT吸引了社会各界的目光,它可以撰写会议通知、新闻稿、新年贺信,还可以作诗、写文章,甚至可以撰写学术论文。比尔·盖茨、马斯克等知名人物纷纷为此发声,谷歌、百度等知名企业纷纷宣布要提供类似产品。在很多领域,人们都担心工作被ChatGPT替代。在教育领域,许多北美学校老师如临大敌,纷纷宣布禁止学生使用ChatGPT写作业。我国也有期刊宣布,使用ChatGPT撰写文章必须声明,否则可能退稿或撤稿。一时间,整个社会议论纷纷。那么,ChatGPT为什么突然这么吸引人?它对教育究竟有什么价值?又会带来什么冲击和影响?未来应该怎么发展呢?

 一、ChatGPT为什么突然如此吸引人

ChatGPT其实也不能算是突然成功,准确地说,应该是人工智能发展由量变引起质变的一个结果。1950年,“计算之父”图灵提出了设想:机器真的能思考吗 1956年,麦卡锡、明斯基以及香农等人在达特茅斯会议上提出了“人工智能”(Artificial Intelligence, 简称AI)的概念,之后人工智能先后经历了3次浪潮:第一次浪潮是20世纪五六十年代。在图灵提出著名的“图灵测试”后,逐渐产生了许多所谓的人工智能程序。比如,1966年麻省理工学院Joseph Weizenbaum发明了Eliza, 这是一个可以通过对话帮助病人完成心理恢复的心理治疗小程序,尽管当时的智能技术很简单,但堪称是微软小冰、谷歌Siri、ChatGPT等聊天机器人的鼻祖。不过,到了70年代后期,人们发现人工智能只能解决一些很简单的问题,人工智能进入低潮期。第二次浪潮发生在20世纪八九十年代。当时,发端于模式识别领域的基于统计推理的机器学习方法取得了较大进展,各个领域出现了比较实用的专家系统。其中最具影响力的事件就是1997年IBM研发的人工智能程序“深蓝”战胜当时的世界国际象棋棋王卡斯帕罗夫。不过,人们随后发现这些成果距离实际生活还是比较遥远,所以在2000年左右,第二次人工智能的浪潮又破灭了。人工智能第三次浪潮发生在2006年至今。基于深度神经网络的机器学习的发展掀起了更加猛烈的人工智能第三次浪潮,代表性事件是2016年AlphaGo 4∶1战胜围棋高手李世石,随后波士顿动力公司的人形机器人Atlas也展示了高超的感知和控制能力,图像识别、语音识别、自动翻译广泛被应用到许多领域,微软小冰、谷歌Siri等聊天机器人也相继推出。在国内,我们也能看到小度音箱等实用产品。2022年8月,人工智能绘画作品《太空歌剧院》获得了美国科罗拉多州博览会美术竞赛一等奖,让大家对生成式人工智能(AI Generated Content, 简称AIGC)的能力有了新的认识。

那么,ChatGPT为什么突然如此吸引人呢?原因在于,ChatGPT与之前的AI聊天机器人相比更加真实、准确,理解自然语言的能力、生成有效答案的水平都“更上一层楼”,甚至有人觉得ChatGPT模拟人类的精确度令人“害怕”。其实,从上述人工智能的发展历程中不难看出,从最初的聊天机器人鼻祖Eliza, 到微软小冰、谷歌Siri、小度音箱等,再到ChatGPT,这类基于AIGC技术的聊天机器人有一个螺旋式发展的过程。ChatGPT的出现可以说是从量变到质变的必然现象,或者说它的出现只是时间早晚的问题。当然,ChatGPT能够如此成功,在技术方面确实有独到之处,最主要是采用了Transformer结构和“自回归+Prompting”的训练模式,使得自然语言处理研究范式发展为预训练模式,并最终走向通用人工智能模式。Transformer结构的低层和中层存储了词性、句法等知识,中高层则广泛存储抽象语义类、事实概念类知识。其中,模型的总参数量高达1 750亿,使得模型具有能够解锁许多大型语言模型的新能力。ChatGPT模型的训练分为3个阶段:首先,采用带有标准答案的人工标注的高质量问题进行初步训练;随后,标注员对模型生成答案的喜好程度进行排序打分,激励模型学习什么样的回答是真实、无害、有用的;最后,结合强化学习策略进一步训练模型生成高质量答案的能力。这一训练范式增强了语言模型理解人类命令的能力,也正是由于模型具有“善解人意”的关键“技能”,才使得ChatGPT取得了突破性成就。

二、ChatGPT在高等教育领域的价值

其实自人工智能提出以来,人们就一直在努力将其应用到教育中。从20世纪70年代起,随着人工智能领域对专家系统的重视,教育领域的专家系统即智能导师系统(Intelligent Tutoring System, 简称ITS,也常翻译为智能教学系统)开始蓬勃发展,比如用于南美洲地理教学的SCHOLAR,用于物理、数学、编程等教学的AutoTutor, 用于数学、物理等理工科问题解决的Cognitive Tutor系列等。人们希望计算机可以像人类教师一样指导和帮助学生学习。进入21世纪以来,随着人工智能、大数据、学习分析等技术的发展,个性化自适应学习越来越受关注,但其核心仍然是基于人工智能等技术,针对海量的学习行为数据进行分析,从而发现学习者的学习特征,并给予个性化干预。

我们曾经分析过人工智能教育应用的核心价值:在学习层面,主要是实现个性化自适应学习,以更好地培养个性化创新人才。比如可汗学院就推出了数学学习平台,将学生要学的知识精细切割为上百个知识点并可视化为由549个小格组成的“任务进度”图。学习者可以设计个性化的学习路径并自由选择想要学习的知识点,还可以通过练习或测试提升对某一知识点的掌握程度。在教学层面,主要是人机协同打造超级教师,让教师更幸福。人工智能教师可以协助人类教师自动出题,自动批阅作业,自动诊断学生存在的问题,对学生进行个性化的教学指导,对学生的心理和身体健康进行评测,对学生的生涯发展进行规划等。这样,未来的教师在人工智能的支持下就可以变成一天24小时不知疲倦地工作且无所不知、无所不能的“超级教师”。在管理层面,主要是提升管理效率和决策水平,实现看不见的服务和管理。现在教育系统中积累了学生的各种学习、餐饮、上网等数据,对这些数据进行分析能够大大提升工作效率。比如南京理工大学就通过分析学生在食堂的就餐数据,自动甄别出贫困生并直接发放补助。

ChatGPT作为一个优秀的人工智能产品,自然也具备以上教育价值,而且,鉴于其在对话和生成内容方面的突出能力,可能还会有一些特殊的应用。在学习层面,ChatGPT可以采用“苏格拉底教学法”,通过讨论、问答甚至辩论的方式来引导学生学习,而且ChatGPT可以随时随地给予学生必要的反馈和帮助。著名学者梅耶曾经提出过有效开展练习的4条实证原则,其中一条是“即时反馈”,也就是说在学生解答应用题后,教师应该逐步解答此题的各个步骤。但是现实中不是每个学生每时每刻都有一名教师坐在旁边,随时给学生解答,利用ChatGPT或许就可以做到。在教学层面,ChatGPT也可以辅助教师查找资源、生成教案、撰写教材、准备教学课件等。比如教师在备课和写论文时,经常会用到一些图片,过去教师通常会去网上查找,这样一方面可能存在版权问题,另一方面常常找不到合适的图片,而借助ChatGPT或许可以方便地生成更合适的图片。在管理层面,首先,ChatGPT能够帮助管理人员快速完成大量的事务性工作,比如生成通知、规章制度等;其次,ChatGPT还可以被用于管理决策,比如在对应聘教师进行评价时,ChatGPT能进行全方位对比分析,辅助管理者决策。

 三、ChatGPT对高等教育的影响和冲击

和人类曾经面对的其他创新技术一样,ChatGPT在促进高等教育发展的同时,当然也会给高等教育带来一定的影响和冲击,具体来说可以分为表层影响和深层影响两类。

表层影响主要是知识生产的变革,典型的例子就是学生利用ChatGPT写作业和研究者利用ChatGPT撰写论文。有调查发现,89%的美国大学生已经在用ChatGPT写作业,甚至有人用ChatGPT写的作业得了最高分,所以现在北美一些高校的教师如临大敌,纷纷宣布禁止学生使用ChatGPT完成作业。另外,现在也有人采用ChatGPT撰写或者辅助撰写论文,甚至将其作为论文作者,所以也有许多期刊宣布不允许使用ChatGPT代写论文,或者不允许将其列为作者。总之,现在高等教育界似乎有一些风声鹤唳、草木皆兵的感觉。

在笔者看来,这个问题只是表层问题,教育界人士大可不必惊慌。对于优秀学生,就算是把ChatGPT放在他们面前,他们可能会利用ChatGPT找到更多参考资料,让自己作业的质量更高,但一般不会直接抄作业。对于一些差生,就算没有ChatGPT,他们一样可以利用搜索引擎、问答软件等抄作业。例如,在中小学领域,拍照解题类软件已经很多,如果学生想抄作业其实不是太难的事情,但是在现实中并没有普遍看到疯狂抄作业的现象。事实上,如果管理和使用得当,ChatGPT可能有助于培养学生提出问题、分析问题和解决问题的能力,从而有助于培养创新人才。

对于借助ChatGPT撰写学术论文,大家更是不必紧张。事实上,撰写学术论文的“初心”就是为了推动研究发展和社会发展。如果ChatGPT能够写出或者辅助写出有利于研究和社会发展的优秀论文,在本质上难道不是好事吗?当然,这背后肯定存在学术规范和伦理道德的问题,需要妥善处理好。其实这也不难,假想ChatGPT是你身边一位无所不知的优秀学者,你是否可以请他帮你找文献、修改文献格式、撰写文献综述、提示撰写思路,甚至帮你写一些内容呢?如果你真的请他做了这些事情,你应该怎样将其贡献体现在论文中呢?想明白这个问题后,ChatGPT的问题可能也就慢慢迎刃而解了。相信只要我们能够构建适应新时代、新技术的学术规范、伦理道德和管理制度,那么以ChatGPT为代表的人工智能技术可能会大大提升学术研究水平。

另外,还有人指出当前ChatGPT可能会提供一些错误的事实性知识这个问题。例如,当我们问ChatGPT“中国足球参加了几次世界杯”,它可能会给出“2次”这个错误答案,需要多次的修正才能够给出正确的回答。ChatGPT会给出错误的答案或者价值观不正确的回答,这可能会为使用者带来一些不必要的干扰和困惑。不过这种事实性知识的错误随着ChatGPT的发展进化会得到不断的修正,最终成为一个近乎精确的知识库。当然,这一点也提醒我们,要培养全民的信息素养和批判性思维,让大家知道ChatGPT也不是绝对正确的。其实,就算是人类最卓越的学者,可能也有错误的时候,所以加快培养信息素养很重要。

以上只是表层影响,真正需要特别关注的是深层影响。深层影响是指以ChatGPT为代表的人工智能可能会对社会各领域带来翻天覆地的影响,社会对人才的需求也会因此发生革命性变化,这样就需要高校在专业设置、课程设置、教学模式等方面进行相应变革。比如工厂流水线上的工作都被机器人替代了,那么以培养这一类人才为目的的职业院校的相关专业就需要调整。如果说之前的人工智能机器人替代的主要是蓝领工作的话,那么ChatGPT替代的可能是一部分属于初级知识方面的工作,比如律师助理、秘书等文字类工作。这个道理并不复杂,但是新技术发展非常快,而教育组织的变革往往很缓慢,中间就会有一些矛盾,所以要处理好这个问题其实很困难。

不过,对于高校教师,肯定不用担心会被机器替代。有学者在2013年做过研究,他们认为,未来20年内,美国大约有47%的岗位会受到自动化的威胁,但是小学教师、中学教师和大学教师被替代的概率仅分别为0.44%、0.78%和0.32%,原因是教师的工作包含了很多富有创造性、社交性和情感性的内容,不容易被人工智能替代。虽然不容易被替代,不过懂得利用人工智能的老师可能会替代不懂得利用人工智能的老师,人机协同应该是未来的发展趋势。比如将ChatGPT恰当应用到教学、科研中的教师可能会取得事半功倍的效果。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/51654.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

WIZnet W5100S-EVB-Pico DHCP 配置教程(三)

DHCP协议介绍 什么是DHCP? 动态主机配置协议DHCP(Dynamic Host Configuration Protocol)是一种网络管理协议,用于集中对用户IP地址进行动态管理和配置。 DHCP于1993年10月成为标准协议,其前身是BOOTP协议。DHCP协议由…

ceph集群中RBD的性能测试、性能调优

文章目录 rados benchrbd bench-write测试工具Fio测试ceph rbd块设备的iops性能测试ceph rbd块设备的带宽测试ceph rbd块设备的延迟 性能调优 rados bench 参考:https://blog.csdn.net/Micha_Lu/article/details/126490260 rados bench为ceph自带的基准测试工具&am…

常见网关对比

常见网关对比 目前常见的开源网关大致上按照语言分类有如下几类: Nginxlua :OpenResty、Kong、Orange、Abtesting gateway 等 Java :Zuul/Zuul2、Spring Cloud Gateway、Kaazing KWG、gravitee、Dromara soul 等 Go :Janus、fa…

多线程只需这一篇足够

开玩笑的 本篇详细讲述了多线程的各种细节及操作方法 对锁的各种操作,以及原子性的阐述 原谅我嚣张的标题 Begin:本篇文章尽可能详细的讲述了线程的概念、使用、安全问题,以及消费者生产者模型的设计理念和实现代码。对于单例模式的两种实现代…

spring6——容器

文章目录 容器:IocIoc容器控制反转(Ioc)依赖注入IoC容器在Spring的实现 基于XML管理Bean搭建环境获取bean依赖注入setter注入构造器注入特殊值处理字面量赋值null值xml实体CDATA节 特殊类型属性注入为对象类型属性赋值方式一:引入…

1400*B. I Hate 1111(思维+数学)

Example input 3 33 144 69 output YES YES NO 题意: 问一个数字是否可以由 11,111,1111,11111...... 任意倍数加和所得。 解析: 可以观察到 1111%110,11111%1110,而后面更大的11111111…

Python入门【函数用法和底层分析、函数简介 、函数的定义和调用、形参和实参、文档字符串(函数的注释) 、函数也是对象,内存底层分析】(十)

👏作者简介:大家好,我是爱敲代码的小王,CSDN博客博主,Python小白 📕系列专栏:python入门到实战、Python爬虫开发、Python办公自动化、Python数据分析、Python前后端开发 📧如果文章知识点有错误…

在 “小小容器” WasmEdge 里运行小小羊驼 llama 2

昨天,特斯拉前 AI 总监、OpenAI 联合创始人 Andrej Karpathy 开源了 llama2.c 。 只用 500 行纯 C 语言就能训练和推理 llama 2 模型的框架,没有任何繁杂的 python 依赖。这个项目一推出就受到大家的追捧,24 小时内 GitHub 收获 4000 颗星&am…

机器学习深度学习——权重衰减

👨‍🎓作者简介:一位即将上大四,正专攻机器学习的保研er 🌌上期文章:机器学习&&深度学习——模型选择、欠拟合和过拟合 📚订阅专栏:机器学习&&深度学习 希望文章对你…

Spring Boot 缓存 Cache 入门

Spring Boot 缓存 Cache 入门 1.概述 在系统访问量越来越大之后,往往最先出现瓶颈的往往是数据库。而为了减少数据库的压力,我们可以选择让产品砍掉消耗数据库性能的需求。 当然也可以引入缓存,在引入缓存之后,我们的读操作的代码&#xff…

嵌入式硬件系统的基本组成

嵌入式硬件系统的基本组成 嵌入式系统的硬件是以包含嵌入式微处理器的SOC为核心,主要由SOC、总线、存储器、输入/输出接口和设备组成。 嵌入式微处理器 每个嵌入式系统至少包含一个嵌入式微处理器 嵌入式微处理器体系结构可采用冯.诺依曼(Von Neumann&…

leetcode 55. 跳跃游戏

2023.7.29 本题不用纠结于可以跳几步,可以聚焦于覆盖范围,即 当前位置当前跳数 能够覆盖的范围,若这个范围足以到达最后一个位置,则返回true;若for循环结束,则还没返回true,则返回false。 下面看…

24考研数据结构-第一章 绪论

数据结构 引用文章第一章:绪论1.0 数据结构在学什么1.1 数据结构的基本概念1.2 数据结构的三要素1.3 算法的基本概念1.4 算法的时间复杂度1.4.1 渐近时间复杂度1.4.2 常对幂指阶1.4.3 时间复杂度的计算1.4.4 最好与最坏时间复杂度 1.5 算法的空间复杂度1.5.1 空间复…

如何建立Docker私有仓库?

文章目录 docker私有仓库harborHarbor仓库部署Harbor仓库使用 docker私有仓库 Docker 私有仓库是一个用于存储和管理 Docker 镜像的私有存储库。它允许你在内部网络中创建和管理 Docker 镜像,并提供了更好的安全性和控制,因为你可以完全控制谁能够访问和…

jmeter接口测试、压力测试简单实现

jmeter测试的组件执行顺序: 测试计划—>线程组—>配置元件—>前置处理器—>定时器—>逻辑控制器—>取样器—>后置处理器—>断言—>监听器 组件的作用范围: 同级组件同级组件下的子组件父组件 目前市面上的三类接口 1、基…

PyCharm安装pip依赖,如何添加国内镜像源?

目录 前言 PyCharm如何安装依赖 PyCharm如何配置国内镜像源 前言 首先我们都知道,使用pip安装依赖的方式,却很少有人知道使用PyCharm如何安装依赖。 PyCharm如何安装依赖 但你会发现,基本都是安装失败的,因为你是去外网下载的…

[JAVAee]文件操作-IO

本文章讲述了通过java对文件进行IO操作 IO:input/output,输入/输出. 建议配合文章末尾实例食用 目录 文件 文件的管理 文件的路径 文件的分类 文件系统的操作 File类的构造方法 File的常用方法 文件内容的读写 FileInputStream读取文件 构造方法 常用方法 Scan…

探索容器镜像安全管理之道

邓宇星,Rancher 中国软件架构师,7 年云原生领域经验,参与 Rancher 1.x 到 Rancher 2.x 版本迭代变化,目前负责 Rancher for openEuler(RFO)项目开发。 最近 Rancher v2.7.4 发布了,作为一个安全更新版本,也…

【bar堆叠图形绘制】

绘制条形图示例 在数据可视化中,条形图是一种常用的图表类型,用于比较不同类别的数据值。Python的matplotlib库为我们提供了方便易用的功能来绘制条形图。 1. 基本条形图 首先,我们展示如何绘制基本的条形图。假设我们有一个包含十个类别的…

ElasticSearch 7.x

前言 elastic表示可伸缩,search表示查询。所以es的核心即为查询。通常情况下,我们的数据可以分为三类:结构化数据、非结构化数据、半结构化数据。 结构化数据:一般会用特定的结构来组织和管理数据,表现为二维表结构。…