生成式人工智能赋能在线学习场景与实施路径

肖君 白庆春 陈沫 陆璐

[摘   要] 生成式人工智能技术通过对大规模数据编码训练，能够依据人类指令自主地生成语言或图像等内容，在不同场景中展现新型的“智慧”和“创造”能力。现阶段在学习场景中直接应用存在诸多风险，需要不断优化和升级。通过探索和研究生成式人工智能辅助个性化学习潜力场景与技术实施路径，提出生成式人工智能应用于在线学习场景需确保三个方面：（1）内容的准确性；（2）过程的可解释性；（3）个性化的联动性。为了保证人工智能的安全性和可靠性，需要建立完善的技术支持系统，以更好地服务于在线学习和教育需求。通过研究分析，以期为在线学习场景中的生成式人工智能技术规范和应用设计提供有益参考。

[关键词] 在线学习； 生成式人工智能； ChatGPT

[中图分类号] G434            [文献标志码] A

[作者简介] 肖君（1974—），男，安徽含山人。研究员，博士，主要从事智慧学习环境、学习分析、学习者画像、在线学习研究。E-mail：ecnuxj2003@163.com。

一、引   言

当前，《中国教育现代化 2035》、六部委发布的教育“新基建”等相关政策均强调要大力发展基于人工智能技术的教育助手等应用，促进实现“人机共教、人机共育”，提高教育教学质量[1-2]。在教学过程中，通过生成式人工智能教学辅助助手能够加深学习者的理解、增强体验、促进学习者产生感悟和思考启发，是推进智能化教育服务模式变革、实现规模化教育与个性化培养有机结合的重要研究方向[3-4]。近年来，随着人工智能的快速发展，大模型生成式人工智能通过迭代和优化，可以处理更加复杂的场景，例如基于人工智能技术的大型语言对话模型ChatGPT能够采用情境学习（大模型的涌现能力改变传统学习范式）、思维链（大模型的涌现能力打破模型参数约束）及指令学习（人在环路增强，对齐人类思路）策略，产生与真实对话无异的交流体验，引起学术界和工业界的广泛关注[5]。

在线学习环境中，由于受师生分离影响，在线学习者随时可能参与学习，而教师往往不能提供 24 小时的实时答疑解惑和反馈，造成答疑缺乏即时性，降低了学习者的学习积极性，也给教师带来重复性答疑工作的负担。因此，通过“以学习者为中心”，借助生成式人工智能提供针对性的学习支持服务对于解决上述问题是非常必要的。一些研究者认为ChatGPT已经成为目前最热门的现象级应用，朱光辉等表明，ChatGPT的横空出世有望形成“思维革命”，通过替代人类进行创作、创意、解答、咨询、翻译和客服等改变人类思考和处理问题的方式方法，由此重塑各行业生态乃至整个世界[6]。令小雄等认为ChatGPT的灵活性或人性化特质是其奠定 AI 里程碑意义的一个强项[7]。

人工智能与教育的融合创新对教育生态系统的迭代升级产生了革命性影响[8]。随着研究的不断深入，在学习场景中应用此类模型也存在诸多风险质疑。例如储舒婷等指出，高校中的论文尤其是本科生论文，在这一AI新工具的加持下变得“真假难分”[9]。这一“作弊神器”的流行也让多所欧美知名高校不得不发出禁令。Qadir表明学习者可能不道德或不诚实地使用[10]。ChatGPT也非常擅长以听起来权威的方式完全编造东西[11]。

本文通过对在线学习中生成式人工智能的应用框架进行梳理，从在线学习场景的数据、算法和应用层面提出在线学习场景中生成式人工智能场景与实施路径，并对人工智能作为智能教师所必需的三大核心特质进行测试初步验证，以期为后续应用改进提供有益参考。

二、 研究综述

（一）生成式人工智能

生成式人工智能ChatGPT和其他生成式人工智能的引入，已经广泛引起教育领域的关注，并开启了教育实践中的范式转变讨论。生成式学习概念由来已久，技术迭代带来的应用和范式的进化是教育自我改革的一次重大机遇，教育领域应把握人工智能带来的便利，推动大规模生成式学习的推广和实施[12]。自2022年ChatGPT出现以来，ChatGPT快速成为广为人知的问答对话系统，能够以自然和直观的方式与用户进行对话交互[13]。许多教育研究者系统性地分析了ChatGPT对教师、学习者和政策的潛在影响。一些教育工作者已经开始测试ChatGPT的效率，ChatGPT能够表现出关键的思考能力，并将其整合到教育活动中，如研究、教学、评估，发现通过某些任务和流程的自动化，肯定了生成式人工智能在教学指导、个性化教育等方面的应用潜力与价值。例如，沈书生等提出，ChatGPT可以作为个体的外脑，并与内脑构成复合脑，推动个体构建适应未来世界的复合脑，学校教育需要形成“思维比知道重要、问题比答案重要、逻辑比罗列重要”的学习评价新思维[14]。王佑镁等认为ChatGPT具有赋能教学创新的潜能，可以提升教学成果的完成度与创意感、支持教学反馈与评价的生成性与个性化[15]。Taecharungroj，V确定了ChatGPT的五个功能领域：创意写作、论文写作、提示写作、代码写作和回答问题，并提出了人工智能进步需要解决的四个关键问题：工作的演变、新的技术格局、对通用人工智能的追求以及进步伦理难题[16]。

（二）在线学习智能技术现状

从技术应用层面看，国外学术研究主要将AI+在线学习的应用场景分为四大类：分析和预测、自适应系统和个性化、评估和评价、智能辅导系统[17]。其中，分析与预测应用场景主要根据学习者的特征、学习者活动产生的数据等识别出有特定特征需要干预的学习者，或是对学生的学业表现进行预测，包括高危学生识别、学生成绩预测、学生状态识别、AI分析与预测推广等主题。自适应系统与个性化主要根据学生特征或学习行为的分析结果向学生推荐量身定制的内容或提供相应的任务，也包括可视化。评估与评价主要指对学生作业进行打分和为学生提供反馈。智能辅导关注辅助讨论、实验学习、机器人应用、教学效果调查、智能辅导系统推广研究等（如图1所示）。

综合已有研究，在线学习场景中，国内外学者都普遍重视智能技术的应用，认同生成式人工智能对于应用场景的支撑作用，但是对生成式人工智能应用于在线学习场景中的风险也提出担忧。例如，生成式人工智能技术内在的精准性难以保证、教育个性化和隐私保护等难题，需要从理论和实践的视角来探索和研究生成式人工智能辅助在线学习场景与技术实施路径，建立完善的技术支持系统，保证人工智能的安全性和可靠性，从而更好地服务于在线学习和教育需求，同时要以ChatGPT介入教育生态的思考为契机，针对人工智能教育可能存在的潜在风险，提前干预和控制，确保教育新生态的良性循环[18]。

三、 生成式人工智能赋能在线学习应用

场景与实施路径

在线学习场景中，生成式人工智能为多样化的教学和管理带来了更多的可能性，可以为学习者、教师和管理者提供更加智能化、个性化、高效化的学习和管理服务。因此，探索在线学习场景中生成式人工智能场景与实施路径有助于提高在线学习的效率，更好地辅助教学场景学习。

（一）生成式人工智能赋能在线学习应用场景

通过上下文情境学习、小规模样本学习和自然语言指令学习等能力，生成式人工智能改变了传统人工智能技术的“调参”学习范式，从而大幅提升了在线学习场景的泛化能力。本文根据生成式人工智能在在线学习应用场景中的作用，将其应用划分为三个方面和三个阶段，包括教、学、评三个方面和课前、课中、课后三个阶段，如图2所示。

1. 为教师提供效率工具支持

生成式人工智能通过对大规模数据背后的规律和洞见进行编码学习训练，依据人类指令自主地生成语言和图像等复杂对象，在某种程度上也是一种新型的“智慧”和“创造”。作为一种工具辅助教师教学，生成式人工智能能够协助教师完成更为复杂和繁重的教学任务，辅助教师更为高效和精准地工作。课前阶段，生成式人工智能可以辅助教师进行教学设计，例如，创建教学大纲、创建书面内容、编写脚本和编辑在线学习视频，借助已有的经验获得高质量的教学设计，基于相应的信息挖掘，提供个性化的教研建议，高效匹配教材版本和教学侧重点，从而避免了烦琐的手动操作和重复性的工作。课中阶段，教师可以利用生成式人工智能对学习者进行教学辅导、根据学习者的学习生成学习报告，可以使用大型语言模型为学习者创建个性化的学习体验。课后阶段，教师可以利用生成式人工智能进行作业批改，教师通过批改的结果进行错因分析，使得教师在教学当中可以有针对性地教学，提高教学效率，增强教师教学设计能力。

需要注意的是，生成式人工智能并非教师的替代品，而是教师的智能助手，为其解决日常烦琐的工作问题。通过生成式人工智能，教师能够更快地获取已有的知识与经验，并在此基础之上进行创新，这将使教师得以更专注于学生，为他们提供更好的支持。展望未来，人机协作式的课堂，特别是本地教师、远程教师、机器人教师协同工作联合教学（Co-Teaching）的三师课堂将成为人工智能时代的常规课堂样态[19]。

2. 为学习者提供全天候的智能辅导

生成式人工智能可以作为“人人、时时、处处”进行全方位智能辅导的工具，与教师可以进行人机协同，共同帮助学习者学习。课前阶段，学习者可以利用生成式人工智能进行课程规划，快速生成学习计划，以帮助学习者在几天或几周内完成繁重的课程作业。通过学习者与生成式人工智能的课程问答互动，学习者可以對课程内容有更深入的理解和掌握，进而进行更加高效的学习，而这种互动也有助于激发学习者的好奇心和探究精神，提高学习者的学习兴趣和动力。课中阶段，生成式人工智能可以充当学习者的智能学伴，随时随地给予学习者学习提醒，基于学习者的学习表现和状态，通过动态干预帮助学习者进行自我调节，不断调整学习状态。课后阶段，学习者可以借助生成式人工智能对自己做的作业进行分析，了解自己的不足之处并且改正，及时查漏补缺。借助生成式人工智能，学习者还可以获得更加丰富的、个性化的知识巩固和运用或者技能练习的机会，从而不断进步。

生成式人工智能可以不受时空限制全天候地为学习者提供辅导，学习者可以快速获取想要的知识，极大地满足了学习者的求知欲，同时也锻炼了学习者提出问题的能力，培养了学习者的批判性思维，这无疑可以促进学习者的自主学习。未来的人才是有能力和生成式人工智能互动对话，更有创造性的思想者[20]。

3. 为在线学习评价管理提供解释评估辅助

生成式人工智能可以作为一种工具，为在线学习监控、评估和管理提供智能化和个性化的解释和支持，从而促进在线学习评价体系的变革。在课前阶段，教师可以通过综合分析学习者的课前学习情况和课后作业完成情况进行教学诊断和个性化测评，以便更好地了解学生的学习能力和水平，并制定个性化的教学方案。在课中阶段，生成式人工智能能够实时监控学习者的学习情况，及时为学生提供个性化的支持和辅导，并根据学习者的认知特点、痕迹以及错误类型、频率等因素，生成符合学习者需要的问题，帮助学习者更好地掌握知识点。在课后阶段，教师可以通过课程作业和测验等方式，了解学习者的学习成果，帮助教师及时调整教学策略，提高教学效果，实现学生的个性化学习目标。

通过生成式人工智能技术，教育评价变得更加全面和细致。通过综合考虑学习者的学习方式、思维过程、逻辑能力等因素，对学习者进行全方位的评估，将评价融入到整个学习过程之中，不断地监测学习者的学习状况并及时给予反馈，使得学习者能够动态调整学习行为。

（二）在线学习场景下生成式人工智能实施路径

生成式人工智能是与学习者最为紧密相连的环节。通过与学习者直接进行交互，检测感知学习者的意图，识别学习者的需求，能够在不同的情境下自动生成复杂的文本对话等内容，为学习者提供更具灵活性和适应性的帮助。但当前，却并未有明确的在线学习场景应用与技术实施路径。生成式人工智能于在线学习场景中依然还存在精准性难以保证、解释性缺乏、教育个性化和隐私保护等难题。因此，需从理论和实践的视角来探索和研究生成式人工智能辅助个性化学习场景与技术实施路径，建立完善的技术支持系统，保证人工智能的安全性和可靠性，从而更好地服务于在线学习和教育需求。如图3所示。

1. 精准性与少标注的博弈：构建“少标注、精准数据”的教学场景数据保障能力

传统的生成式人工智能技术需要大量的标注数据来进行训练和优化，这不仅需要耗费大量的时间和人力成本，而且还会面临标注数据质量不高的问题，从而影响模型的性能和效果。在生成式人工智能技术中，精准性和标注数据量之间存在一种博弈关系。一方面，提高数据的精准性可以让机器更好地理解和模拟人类的思维和行为模式，从而实现更加智能化和自然化的输出和交互；另一方面，减少标注数据的数量可以提高标注数据的效率，从而在处理大规模数据和复杂任务时更加高效和准确，但是会损失一部分精准度。因此，构建“数据精准、标注少”的能力成为生成式人工智能技术发展的一个重要目标。“数据精准”，通过数据采集和处理的过程中，通过各种手段（如数据挖掘、自然语言处理等）筛选和提取最具代表性和价值的数据，从而减少无效数据和噪声数据的干扰。这种方法可以使得机器在训练和优化过程中更加精准地理解和模拟人类的思维和行为模式，从而实现更加智能化和自然化的输出和交互。“标注少”是指在数据标注的过程中，通过技术手段（如迁移学习、弱监督学习等）减少人工标注数据的数量，提高标注数据的质量和效率。可以使得机器在处理大规模数据和复杂任务的过程中更加高效和准确，同时也可以减少人力成本和时间成本的投入。通过构建以“数据精准、标注少”的能力，生成式人工智能技术可以更加高效地实现场景的迁移能力，更好地辅助教学场景的应用落地。

2. 生成能力与解释性的兼顾：构建具备解释性的算法

不同于互联网中的人机对话交互，教育的本质是启迪思考，在教学场景中，生成式人工智能除了要保障生成能力之外，教学的交互生成的内容是否能够被清晰、准确地解释和解读，让学习者能够理解其生成的原因和过程是必不可少的环节。基于大语言模型如ChatGPT通过使用人工反馈作为强化学习的奖励，训练和优化模型，从而使模型更好地与人类行为保持一致，提高模型在在线学习场景中的迁移能力和学习者元认知能力的表现。但是，应用于在线学习场景，需要考虑教育领域的特殊性和复杂性。例如，学生在使用学习系统时刻意迎合系统的算法来获取更高的分数，学习系统推荐的内容可能会受到算法的限制而不利于学生的发展，以及缺乏算法的可解释性使得利益相关者难以理解系统运转过程中产生的结果。

因此，在实施技术的过程中，需要增强模型的可解释性和在线学习场景的目标约束，以确保机器生成的内容不仅在逻辑和语境上符合教育规律，还能够协助学习者和教师理解生成内容的原因，保证其可靠性。构建可解释性算法可以为用户和教育管理者提供了解算法工作机制的透明度和可审计性，从而最大限度地减少给学生带来的风险。通过在技术层面进行限制和保障，确保算法的可靠性、可追溯性、问责性、非歧视性和公平性。

3.教学场景迁移能力与学习者元认知能力的双螺旋组合

基于大语言模型如ChatGPT采用思维链（Chain-of-Thought，CoT）的方式[21]，通过提示学习能够捕获上下文的语境，在技术上已经取得较大的突破性进展。但是，教学场景的变化是不可避免的，模型在迁移过程中存在与学习场景的融入不足问题。在迁移与应用中，构建模型思维链与学习者认知链的双螺旋组合，通过学习者的认知能力和模型的思维能力相互作用，以学习者的反馈作为模型思维链的优化方向，双链不断提升，形成一种正反馈的循环。模型思维链指的是模型的输出结果、判断和决策等思维过程与学习者的认知链同步。学习者认知链则是学习者在学习过程中的认知状态、知识结构、思维方式等。

在组合交互过程中，模型感知学习者的学习意图，并将输出结果返回给学习者。此后，模型会监控和调整学习者的学习过程，并结合学习者的最近发展区以及元认知能力的控制和指导作用来检测学习者已经具备的知识和技能，更新学习者的认知链，以便更好地辅助学习者理解和应用知识。模型也会根据反馈不断进行优化和调整，辅助学习者可以更好地理解和应用知识，同时能够不断进行优化和调整学习策略以适应新的学习环境，从而形成一种双螺旋式的组合，使学习者的元认知能力和教学场景迁移能力得到不断提升，从而形成一种相互促进的良性循环。如图4所示。

四、 生成式人工智能赋能在线学习的初步验证（以ChatGPT为例）

本文根据Tack和Piech提出的AI教师测试理论，从师生互动、理解学习者和帮助学习者这三个层面，初步利用ChatGPT进行对话测试，以分析在线学习环境中生成式AI辅助工具应具备的能力[22]。在师生互动方面，测试AI教师是否具备理解学习者的问题和回答问题，以便为学习者提供相关的知识和信息，帮助他们更好地理解课程内容；在理解学习者方面，测试AI教师是否具备感知学习者学习风格、兴趣等能力；在帮助学习者层面，测试AI教师是否具备为学习者提供个性化的学习支持和帮助的能力。测试系统为2023年3月最新版本的ChatGPT。

（一）师生互动测试：模拟教师进行知识内容回复

经过初步测试，本文探讨了ChatGPT在模拟老师进行基本教学互动方面的适用性。当学习者提出学习意图后，系统能够用直观的语言阐释概念，并能联系实际（图5中对话1）。ChatGPT还能够设计试题以测查学习者的知识水平。在学习者的回答问题后，ChatGPT不仅能反馈作答正误，还能够判断學习者知识掌握程度（图5中对话2），并且根据学习者作答内容进行进一步的阐释（图5中对话3）。

测试表明ChatGPT能够完成初步知识传授、设计试题和对作答反馈，尤其是在反馈环节，ChatGPT能够给予学习者的作答给予个性化的反馈。但是ChatGPT无法保证信息的准确性。测试发现即便是由系统生成的没有抽象语义信息的内容，仍会出现前后不一致或错误的情况，如图6对话4中，题干给出了8个数字，但是解题过程中却是9个数字。

综上所述，系统已经初步具备的基本师生互动能力，可以为教学过程提供便利和辅助，但需要注意的是，系统提供信息的准确性需要甄别。

（二）理解学习者测试：感知学习者情感回复

ChatGPT能够基于学习者的困惑和提出的学习难点提供更加详尽的阐释，并提供实例帮助学习者深入理解抽象的概念，这符合教学中的量力性原则。进一步地，ChatGPT还能够在元认知层面帮助学习者，如提供有效的认知、元认知策略等（图7中对话5，6，7）。值得一提的是，系统能根据不同学习目标（图7对话5，6）和学科（图7中对话6，7）提供有针对性的策略，例如，为了实现知识掌握目标和通过考试目标，ChatGPT提供的建议是不同的（图7中对话6，7）。观察ChatGPT的沟通风格，发现其能针对学习者情绪产生的原因提出应对策略，但是在回复学习者表露出负面情绪时，系统缺乏较高共情水平的回复方式[23]。

测试结果表明，面对学习者的学习困惑和消极体验，ChatGPT能够根据不同的学习情境有针对性地提供认知和元认知策略建议，但是语言不够灵活，回复答案的共情的程度较低。在线学习过程中成人学习者存在学习策略不佳的问题[24]，在情感支持层面仍需要进一步提高。

（三）帮助学习者测试：引导式教学能力

本文测试了ChatGPT在学习者学习过程中能否做到：（1）提供学习任务相关的线索，（2）根据学习者能力水平调整试题难度。ChatGPT可以根据学习提出的学习困惑提供线索，初步具备了提供教学脚手架（Scaffolding）的能力，但是如何提供更有效的提示信息，ChatGPT仍需进一步提高精准度。对于调整试题难度的请求，需要系统能够准确评估试题难度。测试发现ChatGPT不仅能够响应学习者调整难度的需求，还能进行合理的解释（图8中对话8）。

总体而言，ChatGPT初步能够为学习者提供基础的教学指导，并且根据需求调整试题难度，但是，为了确保指导的有效性和个性化，以及试题难度评估的准确性，系统需要更多真实的教学数据提供基础。因此ChatGPT已经初步具备了提供教学脚手架的能力，这种能力在今后向学习者提供更高效更自动化的支持中具有潜在的应用价值。

五、 结   语

生成式人工智能应用的飞速发展能够为在线学习场景赋予更多的应用潜力，但是在线学习领域对于其引入依然存在许多风险担忧，如果不加限制，将会带来诸多安全伦理问题。本文首先从在线学习视角出发，对生成式人工智能引入的潜在场景进行分析，然后提出了从实践实施角度的技术支持框架。在数据层，需要构建“少标注、精准数据”的教学场景数据保障能力；在应用层，需要考虑生成能力与解释性的兼顾；在应用层需要考虑模型在不同场景的迁移能力与学习者的非认知属性链双向交互优化。最后，从在线学习助手的视角下对ChatGPT的测评发现，当前模型在拟人化交流方面基本具备沟通能力，对于在线学习场景的精准性依然需要技术能力去保障，对于解释性仍需要增加，对于学习者的非认知和不同场景的学习还需要较大的提升。基于本文的研究结果，明确了生成式人工智能赋能在线学习应用场景与实施路径要素，以保障人工智能的安全性和可靠性，从而更好地服务于在线学习和教育需求。

ChatGPT无论是在知识的广度和深度还是在对话的拟人化和流畅度上都比此前的聊天机器人做得更好。然而机器要成为学习的引导者和促进者、教师的得力助手，未来可以在提升内容准确性、增强评价的可解释性以及提升辅导服务的个性化等方面着力进行技术开发，促使以用户为中心的聊天机器人转向以学习者为中心的智能教师或助教。

[参考文献]

[1] 中共中央、国务院.中共中央、国务院印发《中国教育现代化2035》[EB/OL].（2019-02-23）[2023-07-19]. https：//www. gov.cn/zhengce/2019-02/23/content_5367987.htm.

[2] 教育部.教育部等六部门印发意见部署教育新型基础设施建设[EB/OL]. （2021-07-22）[2023-07-19]. https：//www. gov.cn/xinwen/2021-07/22/content_ 5626540.htm.

[3] WONG G K W， MA X， DILLENBOUNG P， et al. Broadening artificial intelligence education in K-12： where to start？[J]. ACM inroads， 2020，11（1）：20-29.

[4] 《上海市教育数字化转型实施方案（2021—2023）》[EB/OL]. （2021-11-10）[2023-07-19]. http：//edu.sh.gov.cn/mbjy_xwzx/20211112/4d46f20aa250 42a7a4db6cfd76e0882b.html.

[5] ZHOU， J， KE P， QIU X. et al. ChatGPT： potential， prospects， and limitations[J]. Front inform technol electron eng，2023，1：2095-9230.

[6] 朱光辉，王喜文.ChatGPT的運行模式、关键技术及未来图景[J].新疆师范大学学报（哲学社会科学版），2023，44（4）：113-122.

[7] 令小雄，王鼎民，袁健.ChatGPT爆火后关于科技伦理及学术伦理的冷思考[J].新疆师范大学学报（哲学社会科学版），2023，44（4）：123-136.

[8] 朱珂，张斌辉，宋晔.技术生态位视阈下“人工智能+教育”的融合逻辑与模型构建[J].电化教育研究，2023，44（1）：13-19.

[9] 储舒婷.ChatGPT火热“出圈”，我们如何应对新挑战[N].文汇报，2023-02-05（003）.

[10] QADIR J， Engineering education in the era of chatGPT： promise and pitfalls of generative AI for education[C]. 2023 IEEE Global Engineering Education Conference （EDUCON）， Kuwait：2023：1-9.

[11] 张绒.生成式人工智能技术对教育领域的影响——关于ChatGPT的专访[J].电化教育研究，2023， 44（2）：5-14.

[12] 祝智庭，戴岭，胡姣.高意识生成式学习：AIGC技术赋能的学习范式创新[J].电化教育研究，2023，44（6）：5-14.

[13] RUDOLPH J， TAN S， TAN S. ChatGPT： Bullshit spewer or the end of traditional assessments in higher education？[J]. Journal of applied learning and teaching， 2023， 6（1）：1-22.

[14] 沈书生，祝智庭.ChatGPT类产品：内在机制及其对学习评价的影响[J].中国远程教育，2023，43（4）：8-15.

[15] 王佑镁，王旦，梁炜怡等.“阿拉丁神灯”还是“潘多拉魔盒”：ChatGPT教育应用的潜能与风险[J].现代远程教育研究，2023，35（2）：48-56.

[16] Taecharungroj， V. "What can chatGPT do？" analyzing early reactions to the innovative AI chatbot on twitter[J]. Big data cogn. comput，2023，7：1-35.

[17] ZAWACKI-RICHTER O， MARIN V I， BOND M. Systematic review of research on artificial intelligence applications in higher education - where are the educators？[J]. International journal of educational technology in higher education， 2019，16（1）：39.

[18] 周洪宇，李宇陽.ChatGPT对教育生态的冲击及应对策略[J].新疆师范大学学报（哲学社会科学版），2023，44（4）：102-112.

[19] 焦建利.ChatGPT助推学校教育数字化转型——人工智能时代学什么与怎么教[J].中国远程教育，2023，43（4）：16-23.

[20] 李洁. ChatGPT与教育思想会在杭州湘湖举办[N]. 企业家日报，2023-03-07（A03）.

[21] TALMOR A ，  TAFJORD O，  CLARK P， et al. Teaching pre-trained models to systematically reason over implicit knowledge[C]. NeurIPS 2020：1-11.

[22] TACK A， PIECH C. The AI Teacher Test： measuring the pedagogical ability of blender and GPT-3 in educational dialogues[C]//Proceedings of the 15th International Conference on Educational Data Mining. England，Acm， 2022：522-529.

[23] LV X， YANG Y， QIN D， et al. Artificial intelligence service recovery： the role of empathic response in hospitality customers' continuous usage intention[J].Computers in human behavior， 2021，126（1）：106993.

[24] 陆叶丰，李娟，叶德伟，等.避免“规模陷阱”：成人在线学习的问题与策略——基于国内外119篇实证研究文献的分析[J].现代教育技术，2022，32（11）：93-100.

Generative Artificial Intelligence-enabled e-Learning Scenarios and

Implementation Paths

XIAO Jun1，  BAI Qingchun1，  CHEN Mo1，  LU Lu2

（1.Shanghai Open Distance Education Engineering Technology Research Center， Shanghai Open University， Shanghai 200433; 2.School of Education， Shanghai Normal University， Shanghai 201418）

[Abstract] Generative AI technology， through the training of large-scale data encoding， can autonomously generate content such as language or images according to human instructions， and display new "intelligent" and "creative" abilities in different scenarios. However， there are many risks associated with direct application in learning scenarios， which requires continuous optimization and upgrading. By exploring and researching the potential scenarios and technical implementation paths for generative AI-assisted personalized learning， it is proposed that three aspects must be ensured when applying generative AI in online learning scenarios： （1） content accuracy; （2） process interpretability; and （3） personalized connectivity. In order to ensure the safety and reliability of AI， it is necessary to establish a perfect technical support system to better serve the needs of online learning and education. Through the research and analysis， it is hoped that useful references can be provided for the technical specification and application design of generative AI in online learning scenarios.

[Keywords] Online Learning; Generative Artificial Intelligence; ChatGPT