Large Language Models for Education: A Survey and Outlook

最新推荐文章于 2025-11-24 18:29:32 发布
最新推荐文章于 2025-11-24 18:29:32 发布
阅读量283 收藏
点赞数 3
CC 4.0 BY-SA版权
分类专栏： LLM Daily Survey Paper LLM for education 文章标签： 语言模型 outlook 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/139717761

本文是LLM系列文章，针对《Large Language Models for Education: A Survey and Outlook》的翻译。

大模型教育模式的调查与展望

摘要

大型语言模型（LLM）的出现为教育领域带来了一个充满可能性的新时代。本调查文件从多方面总结了LLM在教育环境中的各种技术，包括学生和教师援助、适应性学习和商业工具。我们从各个角度系统地回顾了技术进步，组织了相关的数据集和基准，并确定了与LLM在教育中的部署相关的风险和挑战。此外，我们概述了未来的研究机会，强调了潜在的有前景的方向。我们的调查旨在为教育工作者、研究人员和政策制定者提供一个全面的技术图景，以利用LLM的力量来彻底改变教育实践，并促进更有效的个性化学习环境。

1 引言

2 LLM在教育中的应用

了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文阅读：Large Language Models for Education: A Survey and Outlook
CSPhD-winston的博客
07-08 1696
论文概述了LLMs在教育环境中的多种技术，包括学生和教师辅助、自适应学习和商业工具。系统回顾了每个视角下的技术进步，整理了相关数据集和基准测试，并识别了LLMs部署在教育中的相关风险和挑战。概述了未来的研究方向，强调了有前景的方向。
论文阅读：Large Language Models for Education: A Survey
CSPhD-winston的博客
07-08 1071
论文由Hanyi Xu、Wensheng Gan、Zhenlian Qi、Jiayang Wu和Philip S. Yu撰写的，是关于大型语言模型（LLMs）在教育领域应用的综合调查研究。
论文翻译：Large Language Models for Education: A Survey and Outlook
CSPhD-winston的博客
07-12 2210
大型语言模型（LLMs）的出现为教育领域带来了新的可能性时代。这篇综述论文从多方面的角度总结了LLMs在教育环境中的各类技术，包括学生和教师的辅助、自适应学习和商业工具。我们系统性地回顾了每个角度的技术进步，整理了相关的数据集和基准测试，并识别了在教育中部署LLMs所面临的风险和挑战。此外，我们概述了未来的研究方向，突出了潜在的有希望的方向。我们的调查旨在为教育工作者、研究人员和政策制定者提供一个全面技术图景，利用LLMs的力量来彻底改变教育实践，并促进更有效的个性化学习环境的形成。
Large Language Models for Education: A Survey and Outlook 大模型+教育的综述
weixin_44546100的博客
07-20 2056
来自松鼠AI的大模型+教育综述：Large Language Models for Education: A Survey and Outlook。现有的LLM in教育综述，缺乏从技术角度的总结，因此本文以技术为中心（用下游应用区分）进行分类，对现有数据集和基准总结。
测试内容-A Comprehensive Survey on Retrieval-Augmented Large Language Models: Architectures, Application
yanqianglifei的专栏
05-15 877
Retrieval-Augmented Generation (RAG) has emerged as a transformative paradigm in natural language processing (NLP), addressing critical limitations of Large Language Models (LLMs) such as hallucination, outdated knowledge, and non-transparent reasoning pro
大模型在题目生成中的安全风险研究综述
CSPhD-winston的博客
09-12 1164
研究人员发现，大模型学习到的不是语料中事实知识，而是一种语言模型目的导向的、根据标签类别的差异和样本的分布顺序得到的语言生成能力，增加了大模型出现幻觉现象的风险。然而，当前大模型在推理阶段的外部干预技术（如分类模型）面临少样本、零样本问题，泛化性和鲁棒性弱，且在形式多样的有害不实信息多分类任务上的迁移能力差，导致漏检和错误拒答频发。例如，可以开发基于在线学习的评估系统，根据用户反馈和新出现的风险，不断更新评估指标和方法，提高安全评估的准确性和及时性。，首先评估大模型的安全性能，选择符合教育要求的模型；
当大语言模型应用到教育领域时会有什么火花出现？
09-21 979
AI + education， 大语言模型在教育的挑战与机遇。
LLM Based Multi-Agent System 基于 AI 大模型的多智能体系统
AI大模型应用之禅
08-27 1625
LLM-based Multi-Agent System 基于 AI 大模型的多智能体系统 > 关键词：大语言模型、多智能体系统、人工智能、协作、自主性、分布式智能、任务分解
Testing Outlook
2509_93942680的博客
11-13 334
此外，测试还应包括邮件的格式和附件的处理，确保用户能够发送和接收包含各种文件类型的邮件。用户可能使用不同的操作系统和设备，因此测试Outlook在不同环境下的表现是必要的。Outlook作为微软推出的一款电子邮件客户端，以其强大的功能和用户友好的界面，赢得了广泛的认可。综上所述，测试Outlook是一个全面的过程，涉及到功能测试、兼容 ** 、安全 ** 、用户体验和性能测试等多个方面。这包括测试Outlook处理大量邮件、联系人和日程的能力，以及在网络连接不稳定时的表现。标题：测试Outlook。
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 212
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 333
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
2025企业微信AI落地新趋势：微盛AI·企微管家破解内外增长难题
最新发布
weisheng00的博客
11-24 545
2025年企业微信AI落地的三大关键趋势：微盛AI·企微管家通过智能客服、精准营销和内部协作三大场景，帮助企业实现200%的客服效率提升、90%的报修响应提速和50%的员工效能增长。作为企业微信生态最大ISV服务商，微盛依托"AI+SCRM"双引擎，已服务160家500强企业，提供合规AI聊天Agent、生态闭环整合及私有化部署方案，有效解决数据孤岛问题，90%客户在3个月内实现AI能力全员覆盖。
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 201
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1765
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 483
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
人生不是轨道，是旷野。希望每天都有好心情。
11-23 227
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
【字节跳动 AI 原生 IDE TRAE 】
youngerwang的博客
11-22 690
字节跳动推出的AI原生IDE TRAE是国内首款协作级AI开发工具，采用"交互层-智能层-协议层-生态层"四层架构，支持SOLO智能自主开发模式和多模态交互。核心功能包括：1）SOLO模式支持需求分析、工具调度和全流程自动化开发；2）双模式交互系统兼顾精细控制和快速原型开发；3）多模态交互支持语音、图像和代码片段输入；4）开放的智能体生态系统。TRAE深度融合大模型能力，在前后端开发中展现出高效代码生成和自动化能力，并通过MCP协议实现安全工具调用。产品迭代迅速，216天发布63个版本，
EAGLE-2：通过动态草稿树加速语言模型推理
11-24 48
现代 Large Language Models（LLMs）的推理过程既昂贵又耗时，而 speculative sampling 已被证明是一种有效的解决方案。大多数 speculative sampling 方法（例如 EAGLE）使用静态的 draft tree，并默认 draft token 的接受率仅依赖于其位置。有趣的是，我们发现 draft token 的接受率也依赖于上下文。本文在 EAGLE 的基础上提出了，该方法引入了一种新的技术用于 draft 建模。
宇树G1-D：人形机器人下一步方向！
Charlie_Mo的博客
11-21 1048
宇树科技推出G1-D人形机器人工作站全栈解决方案，实现从硬件平台向"硬件+数据+AI"生态平台升级。该方案以G1-D为核心载体，为AI模型开发提供强力支撑，可应用于制造业等场景，提升生产精度和效率。在AI技术快速发展的背景下，掌握基于G1-D的AI开发技能将增强就业竞争力。这一创新方案为行业搭建AI训练基础设施，推动技术进步，展现未来发展潜力。
KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph
09-22
《KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph》聚焦于利用大型语言模型增强知识图谱推理。大型语言模型（LLM）在复杂推理和问答（QA）任务中的知识限制方面存在局限性，而KnowledgeNavigator框架利用知识图谱中的外部知识来增强LLM推理[^4]。 该框架主要包括三个阶段：问题分析、知识检索和推理。在问题分析阶段，预测推理跳数，生成相似的问题，以增强推理逻辑挖掘；知识检索阶段，根据给定的问题和大语言模型指导，从知识图谱中迭代检索和过滤相关知识；推理阶段，将检索到的知识转化为对LLM有效的提示，以此增强其推理能力。并且该框架在KGQA基准测试中优于以前的知识图谱增强LLM方法[^4]。 ```python # 以下为简单示意框架各阶段伪代码 # 问题分析 def question_analysis(question): # 预测推理跳数 hop_count = predict_hop_count(question) # 生成相似问题 similar_questions = generate_similar_questions(question) return hop_count, similar_questions # 知识检索 def knowledge_retrieval(question, llm_guide, knowledge_graph): relevant_knowledge = [] # 迭代检索和过滤相关知识 for step in range(max_steps): new_knowledge = retrieve_and_filter(question, llm_guide, knowledge_graph) relevant_knowledge.extend(new_knowledge) return relevant_knowledge # 推理 def reasoning(relevant_knowledge, llm): prompt = convert_to_prompt(relevant_knowledge) result = llm.generate(prompt) return result ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值