文章目录[隐藏]
当前的生成式AI系统，如ChatGPT、Gemini等，默认倾向于提供信息，而不是像人类导师那样通过互动来促进学习。这种模式在教育领域存在局限性，因为有效的教学不仅仅是传递信息，还包括引导、反馈和适应学生的需求。为了应对这些挑战，并充分利用生成式AI系统在教育中的潜力，谷歌LearnLM项目组提出了一种新的框架——教学指令跟随。
教学指令跟随的概念
教学指令跟随是一种新的训练和评估范式，它允许教师或开发者通过系统级指令来指定模型在后续交互中应表现出的教学属性。这些指令可以描述现有或期望的教学行为，例如：
- 引导式提问：鼓励学生思考并表达自己的观点。
- 即时反馈：提供及时的正面或纠正性反馈。
- 个性化调整：根据学生的反应调整教学内容和节奏。
- 情感支持：识别并回应学生的情感状态，如困惑或挫败感。
这种框架的关键优势在于其灵活性和可定制性，它不局限于任何特定的教学定义，而是允许根据具体需求灵活调整模型的行为。此外，教学指令跟随还为改进现有模型（如Gemini）提供了路径，使得它们能够更好地适应教育场景，同时保持快速扩展的能力集。
LearnLM模型的开发与评估
谷歌LearnLM项目组展示了如何通过教学指令跟来进行训练，从而生成一个名为LearnLM的新模型。它旨在改善现有的生成性AI模型在教育领域的应用。LearnLM通过遵循教学指令来提供更有效的学习体验，它基于Gemini模型框架，并针对教育用例进行了优化。
例如，一个学生想要学习编程，他向LearnLM提出一个问题：“为什么我的代码不能正确运行？”LearnLM会根据内置的教学指令和学生的具体情况，引导学生逐步发现并解决问题，而不是直接给出答案。例如，LearnLM可能会问学生：“你的代码中是否检查了所有的输入情况？”或者“你是如何追踪变量的变化的？”通过这种方式，LearnLM帮助学生通过探索和实践来学习。
该模型在Google AI Studio上可用，并在各种学习场景中受到了专家的高度评价。具体来说：
- 专家偏好：LearnLM在多个学习场景中受到专家评级的显著偏好，平均偏好强度比GPT-4高出31%，比Claude 3.5高出11%，比LearnLM所基于的Gemini 1.5 Pro模型高出13%。
- 教学效果：LearnLM不仅在信息传递方面表现出色，还在引导学生思考、提供有效反馈和个性化调整等方面展现了卓越的能力。
技术进展与创新
与最初的Gemini模型相比，LearnLM引入了两项重要变化：
- 教学数据的混合：通过在训练后混合中添加专门的教学数据，LearnLM能够在保持原有能力的同时，增强其教学功能。这种方法使得模型能够更有效地模拟人类导师的行为，提供更加互动和个性化的学习体验。
- 快速扩展的能力集：LearnLM不仅在教学场景中表现出色，还能迅速适应新的任务和领域。这种灵活性使得它在教育和其他应用场景中具有广泛的应用潜力。
发表回复