大语言模型 (LLMs) 在教育领域带来了新的可能性。本综述论文从多个角度总结了 LLMs 在教育环境中的各种技术，包括学生和教师辅助、自适应学习和商业工具。我们系统地审查了每个角度的技术进展，整理了相关的数据集和基准，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机会，强调潜在的有前途的方向。我们的综述旨在为教育工作者、研究人员和决策者提供一个全面的技术画面，以利用 LLMs 的力量革新教育实践，并促进更有效的个性化学习环境。

Mar, 2024

利用大型语言模型模拟学生学习行为，揭示学习行为与测试问题、课程材料、参与度和理解水平之间的关联，加深我们对大型语言模型的理解，展示其对学生模拟的可行性，从而为更具适应性的课程设计提供支持，增强包容性和教育效果。

Oct, 2023

研究探讨了大型语言模型（LLMs），例如 ChatGPT 在考试中的表现及对评估的影响，并提出了创建 LLM 抗拒力考试的指南，旨在确保评估的公正性和准确性。

Apr, 2023

本文对基于大型语言模型的教育技术创新进行了系统文献综述和理论分析，并提出了以人为本的开发推荐，以解决基于大型语言模型的教育任务自动化可能带来的实际和伦理挑战。

Mar, 2023

基于大型语言模型的教育系统研究，评估其在教育能力方面的潜力，并提出统一和专家混合两种方法构建下一代智能教育系统，同时探讨了挑战和未来发展方向。

Dec, 2023

利用语言模型作为教育专家评估不同学生群体学习成果的方法，以优化教育材料。这种方法可以复制已有的教育研究结果，如专业逆转效应和变异效应，展示了语言模型作为可靠教育内容评估者的潜力。基于此，我们介绍了一种通过一个语言模型生成教育材料，另一个语言模型作为奖励函数进行指令优化的方法，并在数学问题工作表领域应用了这一方法，以最大化学生的学习收益。人类教师对这些由语言模型生成的工作表进行评估，发现语言模型的判断与人类教师的偏好具有显著的一致性。最后，我们讨论了人类和语言模型之间的潜在分歧和自动化教学设计带来的陷阱。

Mar, 2024

通过调查和总结大型模型在智能教育中的应用，本文旨在提供关于 LMM4Edu 潜力和挑战的指导和见解，并为教育者、研究人员和政策制定者深入理解和进一步推进 LMM4Edu 的发展和应用提供指导。

Nov, 2023

人工智能在教育领域有深远的影响，特别是大型语言模型（LLMs）在智能教育（LLMEdu）中的应用，对提高教学质量、改变教育模式和调整教师角色有巨大的潜力，然而仍面临着挑战和问题。本文系统综述了 LLMEdu 的当前技术、挑战和未来发展，并介绍了 LLMs 与教育的特点以及将 LLMs 整合到教育中的好处。同时还回顾了将 LLMs 整合到教育行业的过程和相关技术的引入，并讨论了 LLMEdu 所面临的挑战和问题，以及未来优化 LLMEdu 的前景。

May, 2024

该研究介绍了一项评估七种主要大型语言模型（LLMs）在商业教育领域的性能的基准测试，同时研究还证明了大多数 LLMs 在 GMAT 考试中的出色表现，特别是 GPT-4 Turbo 超越了研究生和商学院的平均分数。此研究确定了人工智能在教育领域的潜力，并强调了在发展和应用人工智能时的一些挑战和需求。

Jan, 2024

通过对大规模语言模型进行微调，以模拟先前学生对未见过的测试项目的响应，生成具有高质量的平行测试，并且通过对成千上万名 K-12 学生进行评估，证明生成的测试与人工专家编写的标准测试的难度和可靠性高度相关。

Oct, 2023