随着人工智能（AI）技术的飞速发展，特别是生成式AI的突破性进展，教育领域正经历着前所未有的变革。人工智能不再仅仅是辅助工具，而是逐渐成为学习生态系统中具有协作与共创能力的伙伴。这种转变带来了构建更加数据驱动、包容、个性化、自适应和富有吸引力的学习环境的巨大机遇。然而，与之并存的是关于公平、伦理、隐私、透明度和信任的紧迫挑战，以及对教育环境、学生学习和身心健康的影响。这种机遇与挑战并存的现状，向参与教育事业的学术界和工业界发出了强烈的行动呼吁。
在此背景下，信号处理（SP）技术因其在数据获取、解析和智能决策中的基础性作用，在这场以数据为中心的教育变革中占据了独特的前沿位置。从统计学到基础模型、图数据分析和机器智能，SP技术为赋能人工智能教育提供了核心方法。更重要的是，SP不仅为AI技术提供动力，更在塑造AI赋能教育的课程体系、推动前沿研究以及促进吸引和激励现代学习者的教学创新方面，提供了不可或缺的见解和方法。鉴于SP技术在支撑我们数字化现在与未来的众多应用，它在科普推广中也扮演着关键角色，向更广泛的受众展示其社会影响力并揭开AI工具的神秘面纱。
为了系统性地回应这一时代呼唤，《IEEE Signal Processing Magazine》推出了特刊“Artificial Intelligience for Education: A Signal Processing Perspective”。该特刊旨在双管齐下：一方面提供一个论坛来界定和探索AI在塑造SP及相关数据中心学科教育未来的角色；另一方面展示SP在变革AI驱动教育方面的巨大潜力。特刊不仅是一个技术贡献的平台，更被期望成为催化建立一个致力于科学与工程领域AI增强教育的国际社区的催化剂。
特刊的研究内容围绕五个主要主题展开：首先是AI与教育交付和课程的整合，包括大语言模型（LLM）的应用、游戏化和自适应学习系统；其次是AI驱动的辅导、指导和评估，利用智能分析、自动化反馈和动态学生队列形成等技术；第三是负责任和包容的AI教育，解决公平性、可访问性、隐私、心理健康和个性化学习路径等问题；第四是弥合数字鸿沟，赋能边缘化社区，支持残疾学习者，促进性别和文化包容性，并确保教育技术资源的公平获取；最后是融合学习与创造力，赋能下一代科学家和工程师不仅获取知识，更能通过解决社会需求的创造性创新，积极贡献于SP和AI领域的进步。
现代教育中出现的一个突出矛盾是经典数学导向学科与快速演进的AI应用世界之间的脱节。为了保持教育的相关性和吸引力，科学与工程教育必须有意识地架起基础理论与前沿研究、行业需求、社会影响和AI赋能问题解决之间的桥梁。生成式AI若能被深思熟虑地部署，将成为情境化抽象内容、实现互动探索和展示现实世界相关性的强大媒介。此外，通过开源平台和易于获取的LLM实现的AI民主化，有望缩小全球教育差距。这不仅有能力赋能发展中地区的学习者和教育者，促进更广泛的包容，还有助于为SP及相关学科培养更多样化、高技能的全球劳动力。
全球范围内的重大举措也凸显了以AI为重点的教育转型的紧迫性。联合国教科文组织（UNESCO）2019年关于AI教育的建议、2024年欧盟的《人工智能法案》（AI Act）以及工业界对AI培训的日益重视，都证明了范式正在转变，进一步凸显了本期特刊的及时性。在国际技术学会内部，IEEE信号处理协会（SPS）和国际神经网络学会（INNS）一直处于引领这一教育范式转变的前沿。
本期特刊（第一部分）收录的文章具体体现了上述主题。Kwasinski等人的文章总结了ICASSP 2023和ICASSP 2024关于“AI用于教育”的圆桌讨论，帮助教育实践者在变革时代导航，实现AI在教育中的巨大潜力。Wang等人从学生和教师辅助、自适应学习及商业工具等多个视角，阐述了LLM在教育环境中的应用进展，系统回顾了各领域的技术进步，汇编了相关数据集和基准，并指出了在教育中部署LLM相关的风险与挑战。Grassucci等人探讨了LLM如何既能作为耐心的导师，又能作为协作伙伴来增强教育交付，通过实例说明了LLM如何使教育更具包容性和吸引力，同时赋能学生发挥其全部潜力。Adewumi等人提出了一项干预研究，探讨苏格拉底式方法和简化游戏化在LLM驱动的大学生数学学习中的效果，其MEGA框架结合了子问题的苏格拉底教学法、传统逐步求解过程以及使用LLM的简化游戏化作为替代解释方法，并向公众开放了其MEGA应用程序。Salomo-Lopez等人则关注性别偏见问题，开发了一个生成式AI框架，利用LLM检测和消除人类生成文本中的性别偏见，并通过智利大学物理与数学科学学院的正式通讯文本案例研究进行了测试。
研究人员开展本项综合研究主要运用了以下几类关键技术方法：基于大语言模型（LLM）的智能交互与内容生成技术，用于实现教育场景中的对话、辅导和内容适配；信号处理（SP）驱动的数据分析和智能决策方法，为教育数据的获取、解释和个性化学习路径规划提供支撑；针对教育公平和伦理的算法框架设计，特别是用于检测和减轻性别偏见等社会偏见；结合教育学原理的干预研究设计，例如将苏格拉底教学法与游戏化机制融入LLM应用；以及利用现有学术机构通讯文本等真实世界数据进行案例验证与分析。
研究结果
AI教育圆桌讨论的启示
通过分析ICASSP 2023和ICASSP 2024的“AI用于教育”圆桌讨论，研究人员总结了AI进展对SP教育各方面的影响。这些发人深省的讨论为教育实践者在这个变革时期提供了导航指南，有助于认识到AI在教育领域的巨大潜力，并识别出需要重点关注的挑战，如课程更新、技能重塑和伦理考量。
大语言模型在教育中的应用全景
Wang等人的研究从多角度展示了LLM在教育环境中的应用进展，包括学生和教师辅助、自适应学习以及商业工具。文章系统回顾了各领域的技术发展，整理了相关数据集和基准，并指出了部署LLM可能带来的风险，如模型偏差、隐私泄露和对现有教育模式的冲击，为后续研究提供了重要的参考框架。
LLM作为导师与伙伴的双重角色
Grassucci等人的研究通过实例表明，LLM能够超越简单的问答功能，扮演战略思考的伙伴角色。案例研究显示，LLM可以通过引导式对话、提供多角度分析和模拟真实场景，显著增强教育的包容性和参与度，帮助学生发展批判性思维和解决问题的能力，从而释放其学习潜力。
融合苏格拉底法与游戏化的数学学习干预
Adewumi等人的干预研究提出了MEGA框架，将LLM与苏格拉底教学法（通过子问题引导）和简化游戏化机制相结合，用于大学数学教学。研究发现，这种融合方法相较于传统的分步求解法，能提供替代性的解释路径，增强学生的学习主动性和参与感。研究者公开了其MEGA应用程序，促进了方法的可及性和可重复性。
生成式AI框架用于性别偏见检测与消除
Salomo-Lopez等人开发了一个专门的生成式AI框架，其核心目标是利用LLM检测并消除人类生成文本中的性别偏见。通过对智利大学物理与数学科学学院的正式论坛通信文本进行案例研究，验证了该框架在实际学术环境中识别和减少性别偏见语言的有效性，为促进教育环境的包容性提供了技术工具。
研究结论与意义
本特刊的研究 collectively 表明，从信号处理视角审视人工智能教育，不仅具有理论必要性，更具备广泛的实践价值。研究表明，大语言模型等AI技术能够深刻变革教育交付、评估和互动方式，使其更加个性化、互动化和包容化。同时，研究也强调，必须同步关注并技术性地解决随之而来的伦理挑战，如公平性、偏见 mitigation 和隐私保护。将SP的核心方法论与教育学原理、AI技术相结合，能够有效地弥合传统理论教学与快速发展的AI应用之间的差距，确保教育内容的时代相关性。更重要的是，这些研究为构建一个不仅高效智能，而且伦理、有意义、公平和鼓舞人心的未来教育模型提供了多样化的视角和可行的技术路径。通过促进跨技术与非技术领域的对话，推动产学研更紧密的结合，本期特刊的成果有望将新的发现无缝转化为更丰富、更具影响力的学习体验，最终赋能下一代科学家和工程师，为应对社会挑战贡献创造性解决方案。
打赏
