专业教材驱动的生成式人工智能教学模式研究——以电动力学课程为例

隋 宁
吉林大学物理学院

摘要


生成式人工智能在高等教育中的应用日益广泛，但面向物理等理工类专业课程时，通用大语言模型仍存在专业知识准确性不足、逻辑推导不稳定及教学适配能力有限等问题。针对上述现象，本文提出一种以专业教材为核心知识源的生成式人工智能教学框架，通过教材数字化处理、知识结构化组织以及参数高效微调，探索面向专业课程的模型优化路径。以《电动力学》课程为例，基于约50条教材问答数据，在单卡16GB显存条件下对开源大模型开展LoRA微调，并构建测试集进行对比评估。实验结果显示，微调后模型平均得分变化不显著，但最低得分由0提高至1，得分标准差由3.58降至2.14，输出稳定性明显改善。案例分析进一步表明，经过教材数据训练的模型在概念表述规范性、回答一致性及教学相关性方面优于基础模型，能够有效降低无关生成与偏离题意现象。研究表明，小规模、高质量教材数据虽难以显著提升模型能力上限，但有助于增强结果可靠性与教学可控性。该研究为理工类课程构建学科化生成式人工智能系统提供了可行思路，也为高等教育智能化教学实践提供了新的路径参考。

关键词


生成式人工智能；教材驱动；电动力学教学；模型微调；智能教育

全文:

PDF


参考


[1]Dahlkemper M N, Ziegler A, Klein P, et al. How do physics students evaluate artificial intelligence responses on comprehension questions? A study on the perceived scientific accuracy and linguistic quality of ChatGPT[J]. Physical Review Physics Education Research, 2023, 19(1):010142.

[2]Kasneci E, Sessler K, Küchemann S, et al. ChatGPT for good? On opportunities and challenges of large language models for education[J]. Learning and Individual Differences, 2023, 103:102274.

[3]Lo C K. What is the impact of ChatGPT on education? A rapid review of the literature[J]. Education Sciences, 2023, 13(4):410.

[4]Bitzenbauer P. ChatGPT in Physics Education: A Pilot Study on Easy-to-Implement Activities [J]. Contemporary Educational Technology, 2023, 15:ep430.

[5]Yeadon W, Hardy T. The Impact of AI in Physics Education: A Comprehensive Review from GCSE to University Levels [J]. Physics Education, 2024, 59 (2):025010.

[6]顾小清，王成梁，王培均，等.生成式人工智能赋能教学的机制、需求与路径[J].中国教育学刊，2025（4）：15-22.

[7]张红光，李永涛，杨志红，等.基于知识图谱的“大学物理”AI课程建设与实践[J].大学物理，2025，44（5）：41.

[8]曹庆宏，刘佳，吴桃李，等.人工智能时代下物理拔尖人才培养的探索实践[J].大学物理，2025，44（12）：1.

[9]Cotton D R E, Cotton P A, Shipway J R. Chatting and cheating: Ensuring academic integrity in the era of ChatGPT[J]. Innovations in Education and Teaching International, 2024, 61(2):228-239.


Refbacks

  • 当前没有refback。