利用人工智能的互动场景增强课堂教学品质，包括对话自动完成、知识和风格传递，和评估人工智能生成的内容，探索多种应用和挑战，为未来研究提供清晰的道路。

May, 2023

本文探讨了大型语言模型在教育中的转型作用和潜力，提出了利用人工智能进行辅助教学的七种方法，并介绍了实践策略来减少风险，并保证人工智能作为支持性工具而非替代品。

Jun, 2023

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

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

通过分析大学教师对人工智能语言模型的经验和态度，本研究填补了文献中对人工智能在教育中的应用以及其对教学和学习的潜在影响的研究空白。该研究调查了高等教育中语言模型和生成式人工智能工具的意识水平、整体态度以及影响这些态度的因素。研究结果显示，教育工作者对这些工具的认识程度逐渐增加，总体上持积极态度。教学风格与对生成式人工智能的态度之间没有相关性。最后，相较于其他领域的教育工作者，计算机科学教育工作者对生成式人工智能工具在技术上的理解更有信心，对其持更加积极的态度，但在检测人工智能生成作品的能力上并不更有信心。

Mar, 2024

构建学生群体的个人资料以及使用大型语言模型进行具有个性化意识的学生模拟

Apr, 2024

该研究提出了一种新的生成代理框架EduAgent，结合认知先验知识来引导大型语言模型首先推理各种行为之间的相关性，然后进行模拟，实现对真实学生和虚拟学生学习行为的模仿、预测和生成。

Mar, 2024

提出了一个使用大型语言模型的多智能体课堂模拟框架SimClass，在用户参与下实现传统教学模式的模拟，通过实验证明了多个代理之间的协作能够增强用户的学习体验，并希望这项工作能够推动大型语言模型在虚拟教学中的应用。

Jun, 2024

本研究评估了大型语言模型（LLMs）在大学课程中作为人工智能讲师的表现，尤其是通过使用提示工程、检索增强生成（RAG）和微调等先进技术。研究发现，RAG结合提示工程显著提高了模型的回复质量，并产生了更好的事实性答案，为教育领域的技术集成提供了潜在的解决方案。

Aug, 2024

本研究解决了当前大型语言模型（LLM）评估方法的有效性和可靠性不足的问题。通过采用以证据为中心的设计（ECD）方法论，文章提出了一种基于心理测量学原理的全新基准开发方法，并强调现有基准的局限性。研究结果表明，尽管生成式人工智能工具在教育中展现出巨大潜力，但在需要更深层次认知参与的任务中，其作为自主教师助手的可靠性仍然有限。

Oct, 2024