大模型正在加速與各行各業(yè)的融合，其中，在線上教育領(lǐng)域，大模型的加持或許可以解決批量生產(chǎn)題目以及優(yōu)化題目質(zhì)量的難點。一起來看看本文的分享。

在線上教育領(lǐng)域，大模型的應(yīng)用場景非常豐富。這些場景在大模型加持后，可以極大提高相關(guān)工作崗位的工作效率，提升用戶體驗和滿意度。筆者做為具有20年線上教育從業(yè)經(jīng)驗的產(chǎn)品經(jīng)理，與同行簡要分享，歡迎批評指正。

一、核心矛盾

做過線上教育運營的伙伴都會遇到類似的情況，尤其是在考證培訓(xùn)領(lǐng)域，與課程配套的訓(xùn)練題目數(shù)量不足。為課程出配套習(xí)題的工作是腦力勞動和體力勞動雙密集的工作，能勝任出題這項工作任務(wù)的人員幾乎都是老師或?qū)I(yè)人員，對行業(yè)知識儲備要求非常高，并且對出題技巧也有相當高的要求，所以在項目運營費用上，生產(chǎn)題目的費用在整體項目費用中占比相對較高。

另一方面，在現(xiàn)階段商業(yè)環(huán)境和網(wǎng)絡(luò)環(huán)境下，優(yōu)質(zhì)原創(chuàng)題目被友商參考的成本極低。因此產(chǎn)生核心矛盾是，學(xué)員對優(yōu)質(zhì)題目需求日益增加，而行業(yè)從業(yè)者生產(chǎn)題目動力不足。

充分利用大模型的學(xué)習(xí)、推理、自然語言處理等能力，可以解決以上矛盾。

二、先做個試驗

我們先做一個實驗，如下是3個初級會計職稱考試的題目：

我們將這3個題目做為學(xué)習(xí)內(nèi)容，讓大模型工具學(xué)習(xí)，并給出復(fù)制相似題目的指令，如下圖：

大模型工具回答的結(jié)果相當?shù)捏@艷，結(jié)果如下：

從這個實驗可以看出，在筆者未提供其他學(xué)習(xí)資料（例如課程講義、相關(guān)法規(guī)、會計準則等）的情況下當今國內(nèi)大模型（實驗中應(yīng)用的大模型為國內(nèi)知名廠商并且有云API可用）完全可以勝任該工作，并且質(zhì)量優(yōu)良。

三、大模型生產(chǎn)題目產(chǎn)品簡述

回到我們討論的出題場景，作為產(chǎn)品經(jīng)理，我們可以設(shè)計這樣一個產(chǎn)品，解決批量生產(chǎn)題目以及優(yōu)化題目質(zhì)量的產(chǎn)品，思路如下：

1）利用開源項目自建私有化大語言模型或者使用云服務(wù)的AI能力，使用課程相關(guān)的學(xué)習(xí)資料、講義、法規(guī)、題目等數(shù)據(jù)對大模型進行持續(xù)學(xué)習(xí)和訓(xùn)練。由于講義等學(xué)習(xí)資料都是隨著課程進展制作和上傳，因此大模型的學(xué)習(xí)可以與課程管理系統(tǒng)進行聯(lián)動，每當上傳講義的時，同時都發(fā)送給大模型進行同步學(xué)習(xí)。

2）利用現(xiàn)有題庫中的習(xí)題作為模版和校驗依據(jù)，設(shè)計一系列提示詞，由大模型批量生產(chǎn)題目。

場景有兩種，第一種是批量生產(chǎn)入庫，由專業(yè)老師進行審核后投入生產(chǎn)使用。第二種是在特定產(chǎn)品場景下實時生成題目，例如在聽課過程中的實時效果檢測，兩種場景都可以在產(chǎn)品中應(yīng)用。

上述實驗中使用的方式是相似復(fù)制模式，除此之外，利用大模型的特性，還有多中生產(chǎn)題目的模式可供嘗試。通過大模型的能力，可以生產(chǎn)足夠數(shù)量的題目供客戶在不同場景下使用。設(shè)計大模型生產(chǎn)題目的指令需要進行重點研發(fā)，才能控制AI生成符合知識范圍、題目要求、考察難度的題目。

3）同步開展AI題目的質(zhì)量檢測。由于大模型訓(xùn)練、微調(diào)等因素，AI生產(chǎn)的瑕疵題目用于生產(chǎn)將會對用戶體驗產(chǎn)生傷害， 因此需要設(shè)計完整的質(zhì)量檢測體系。

例如，AI生產(chǎn)的題目可以通過另外一個模型進行校驗；用于重要場景（例如模擬考試）的題目需要經(jīng)過人工審核等等。

設(shè)立后置檢測環(huán)節(jié)，通過用戶對題目的解答正確率分布，判斷題目是否合理，是否超出范圍。

四、混合使用AI題目和傳統(tǒng)題目的策略

如何平衡AI生成題目的創(chuàng)新性與傳統(tǒng)題目的穩(wěn)定性，以下一些策略，可以幫助實現(xiàn)這種平衡：

1. 混合型題目生成

在生成題目時，可以采用一種混合型方法，即結(jié)合傳統(tǒng)題目的穩(wěn)定性和AI生成題目的創(chuàng)新性。例如，可以設(shè)計一部分題目基于傳統(tǒng)、經(jīng)過驗證的題型和知識點，而另一部分題目則由AI生成，以引入新的視角和創(chuàng)新元素。

2. AI生成題目的初步篩選

在AI生成題目后，可以通過算法對題目進行初步篩選，排除那些可能偏離教學(xué)目標或不符合教育標準的題目。這樣可以確保題目的穩(wěn)定性，同時保留具有創(chuàng)新性的題目。

3. 人工審核與反饋

AI生成的題目應(yīng)經(jīng)過專業(yè)人員的審核，以確保其符合教育標準和考試要求。同時，可以通過收集用戶反饋，了解哪些題目更具創(chuàng)新性且受到學(xué)生歡迎，哪些題目需要改進或調(diào)整。

4. 迭代優(yōu)化

AI模型可以通過持續(xù)學(xué)習(xí)和迭代優(yōu)化來提高其生成題目的質(zhì)量。通過分析學(xué)生解題的數(shù)據(jù)和反饋，模型可以逐漸調(diào)整，以生成更加符合教學(xué)目標和學(xué)生需求的題目。

5. 創(chuàng)新性題目的分類和標簽

為AI生成的題目設(shè)置不同的分類和標簽，如“創(chuàng)新性”、“傳統(tǒng)性”等，這樣教師和學(xué)生可以根據(jù)需要選擇適合的題目。同時，這也有助于追蹤和評估創(chuàng)新性題目的實際效果。

6. 動態(tài)平衡機制

建立一個動態(tài)平衡機制，根據(jù)學(xué)生的反饋和學(xué)習(xí)成果，調(diào)整創(chuàng)新性題目與傳統(tǒng)題目的比例。例如，如果數(shù)據(jù)顯示學(xué)生對某些創(chuàng)新性題目的掌握程度較高，可以適當增加這類題目的比例。

7. 教學(xué)實驗和研究

通過教學(xué)實驗和研究來評估AI生成題目的創(chuàng)新性和穩(wěn)定性。這可以幫助教育者更好地理解AI生成題目的實際效果，并據(jù)此調(diào)整教學(xué)策略和題目生成的方法。

五、后記

線上教育行業(yè)，存在大量類似“出題”這種體力勞動和腦力勞動雙密集的場景，也恰恰是大模型擅長的領(lǐng)域，充分利用大模型的AI能力，可以極大提高行業(yè)生產(chǎn)力，從而提高教學(xué)效果和學(xué)生的學(xué)習(xí)體驗。

當然大模型應(yīng)用也給產(chǎn)品經(jīng)理帶來了全新的跳戰(zhàn)，產(chǎn)品經(jīng)理需要學(xué)習(xí)大模型的技術(shù)原理，充分了解大模型的能力，才能更好地設(shè)計出有大模型加持的產(chǎn)品。