Chunlin 的论文科普

AI助教该听谁的？当教学逻辑从大模型里被「拆」出来

高等教育

很多老师都试过用大模型做课程答疑助手：把课件丢进去，学生问什么，AI搜一下就答。刚上线时挺惊艳，但用着用着问题就来了——学生问”比较A和B”，AI只翻出A的定义，答非所问还振振有词；问”这个概念和之前学的有什么关系”，AI扯了一堆不相关的细节，就是不碰核心联系。问题到底出在哪？

答案可能比你想的更根本：我们让大模型干了它不该干的事——教学决策。2026年最新的一项研究提出了一个反直觉的思路：把教学逻辑从大模型里彻底拆出来，让确定性规则管”讲什么、怎么讲”，大模型只当一个”润色员”，负责把话讲通顺 [1]。这套方案不仅更可靠，甚至连商业GPU和付费API都不用。

一个普遍的困惑：为什么AI助教总答不到点子上？

先回到一线老师最熟悉的场景：你把一整门课的课件、讲义、习题解答喂给一个基于检索增强生成（Retrieval-Augmented Generation，RAG，也就是”先搜再答”的大模型架构）的助教，以为学生问什么都能从课件里找答案。

刚开始效果确实不错——学生问”什么是维度建模”，AI能准确给出定义；问”第三范式是什么”，也能答得八九不离十。早期2024年的研究也证实，配置得当的RAG助教在高中物理和大学数学课程里，回答准确率能超过64% [6]。

但很快你就会发现不对劲：学生问”星型模型和雪花模型有什么区别”，AI可能只讲了星型模型的定义，完全没提雪花模型；问”为什么这个例子里要用缓慢变化维”，AI扯了半天缓慢变化维的分类，就是不回答”为什么”。

为什么会这样？因为RAG的核心逻辑是语义相似度——把学生的问题变成一个向量，去课件库里找向量最接近的段落。但教学里的很多问题，根本不是”找一段意思相近的话”就能解决的。“比较A和B”需要的是同时找到A和B两个概念的内容，再按对比的结构组织起来；“解释为什么X”需要的是找到因果关系的论证段落，而不是X的定义。

换句话说，语义检索不等于教学匹配。学生的问题里藏着两层信息：一是”问的是哪个/哪些概念”，二是”用什么教学方式来回答”——是下定义、举例子、做比较，还是解释原理？RAG把这两层混在一起，用一个相似度分数去碰，自然经常碰错。

把教学逻辑从LLM里拆出来：一套「确定性编排」的新架构

那怎么解决这个问题？2026年发表的 A didactical-driven teacher assistant for a dimensional modeling course 给出了一个干脆的方案：教学决策和文本生成彻底分家 [1]。

你可以把这套系统想象成一个报社的工作流程：编辑（确定性规则模块）决定今天报道什么选题、用什么体裁、采访哪些信源、文章结构怎么排；记者（大语言模型，Large Language Model，LLM，即基于海量文本训练的生成式人工智能模型）只负责把编辑定好的素材和结构写成通顺的文章，不能自己加料，也不能改选题。

换个更贴近教学的比方：以前的AI助教是一个”全能代课老师”，既懂教学又会说话，但经常乱讲；现在的系统是”资深教研主任+实习老师”的组合——教研主任（确定性规则）经验丰富，说一不二，决定讲什么、怎么讲，但不直接开口；实习老师（LLM）口才好，按主任给的稿子念，偶尔帮着润色一下措辞，但不能改内容。

当然，实际情况比这个比喻更复杂——系统里LLM还会在规则拿不准的时候帮忙做有限的消歧，但核心教学决策权完全在规则手里。

这套系统的具体工作流程分六步：

  1. 意图检测：判断学生是要定义、解释、举例、比较还是识别概念，共5类教学意图；
  2. 概念检测：从问题里找出涉及的课程概念，对应到一个43个概念的轻量知识图谱；
  3. 受限检索：根据检测到的意图和概念，按元数据（概念ID+内容块类型）去课件库找对应的内容，而不是用语义相似度；
  4. 教学法解析：每种意图对应一套固定的教学路径，比如”比较”类意图就要同时调出两个概念的定义、异同点，按对比结构组织；
  5. 提示构建：把选好的内容块、教学结构指令、系统模板组装成给LLM的提示词；
  6. LLM生成：大模型只负责按结构重写内容，不得新增任何信息 [1]。

这么做真的比纯语义检索好吗？研究人员用195道真实学生问题做了测试，结果非常说明问题：

标准语义检索（也就是现在大多数RAG助教的做法）在真实语料的188个可评估”意图-概念对”中，前15个结果里能命中教学所需内容的比例只有62.6%。分意图看更夸张：定义类问题表现最好，有89.1%；但比较类问题只有可怜的14.3%——也就是说，学生问10次”比较A和B”，有8次半检索出来的内容根本不对 [1]。

这不是模型不够大，也不是嵌入算法不够好，而是结构性的失败：比较类问题涉及两个概念之间的关系，单个查询向量根本抓不住这种结构。你用”星型模型和雪花模型的区别”去搜，向量更接近”星型模型”还是”雪花模型”？都不是，它最接近的可能是某段恰好同时提到两个词的段落，但那段话未必是讲区别的 [1]。

那确定性编排的表现又如何？研究人员把它和几款免费大模型做了对比，结果很有意思：

一句话总结：确定性规则”宁可不答也不答错”，免费LLM”什么都敢答但经常错”。在教学场景下，错误的答案比不答危害大得多——学生被误导了可能还不知道。而且这套系统不需要商业GPU，也不需要付费API，成本几乎可以忽略 [1]。

不止是「谁来答」：AI助教的组织方式也在影响学习效果

说到这里，你可能已经意识到：AI助教的设计，核心从来不是”用不用大模型”，而是教学逻辑由谁掌控、怎么组织。这个判断不只适用于单助手的架构，连”用几个AI助手”这种看似无关紧要的选择，都会深刻影响学习效果。

2026年另一项研究 Human Thinking under Plural LLM Assistance 做了两个很有启发性的实验，证明了LLM辅助的组织方式本身就是一个关键的设计变量 [2]。

第一个实验是数学解题：研究人员把参与者分成四组——不用AI、只用一个导师型AI、只用一个会犯错的同伴型AI、同时用导师+两个同伴型AI。关键设计是，先让大家用AI学解题，然后做1分钟分心任务，最后不用AI做同类型的新题，测的是真正学会了多少，而不是即时抄答案的表现。

结果你猜怎么着？导师+同伴的组合效果最好，无辅助测试正确率达到65%，比只用导师的59%还高，比不用AI的42%高出一大截 [2]。

为什么会这样？因为两个会犯错的AI同伴——一个常算错数，一个常理解错概念——会逼你去分辨谁对谁错、错在哪。这个”找错”的过程，反而比直接听正确答案更能加深理解。就像班里有个同学总在课堂上提错问题，你跟着一起思考为什么错，反而比光听老师讲记得更牢。

第二个实验是开放写作：三组人分别不用AI、用一个通用AI助手、用两个分工不同的专业AI助手（比如一个管逻辑，一个管反例）。结果发现，两种AI辅助都能提升作文质量，但用单个通用助手的组，大家写出来的观点明显更趋同——不同人的作文要点相似度比不用AI的组显著更高；而用双角色助手的组，观点多样性和不用AI的组几乎没差别 [2]。

也就是说，一个AI帮你写，大家写得都一样；两个AI帮你写，想法又多元了。因为单个通用助手容易把大家往”标准答案”的方向带，而两个有不同视角的AI，反而会激发更多不同的想法。

这两个实验和前面的”确定性编排”研究，说的其实是同一件事：AI助教的灵魂是教学逻辑，不是生成能力。你用一个AI还是两个，用大模型还是规则，核心都是”教学怎么安排”，而不是”话怎么说”。

从RAG到教学驱动：智能助教这两年走了哪几步？

把视野拉远一点，你会发现智能助教这两年的发展，其实就是一条”逐渐把教学逻辑从LLM里往外拆”的路径。

2024年是RAG助教元年。大家最兴奋的是”终于能让AI讲我的课了”——把课件喂给RAG，AI就能基于课程内容回答问题，不再胡说八道。当时的研究显示，配置好的RAG助教在高中物理和大学数学课里准确率能到64%以上，大家觉得这已经很不错了 [6]。

2025年，大家开始不满足于”能答”，而是追求”答得好、会推理、能评估”。一方面，有人用参数高效微调（Low-Rank Adaptation，LoRA，一种只训练模型少量参数的微调技术）和引导奖励偏好优化（Guided Reward Preference Optimization，GRPO，一种用于增强链式思维推理的优化方法），把开源大模型改造成更懂教育的专用助手，提升回答的推理透明度和解释质量 [7]；另一方面，也有人开始研究怎么评估AI助教的教学技能——比如能不能识别学生的错误、会不会给出有效引导——而不只是看答案对不对 [8]。

但不管是RAG还是微调，本质上还是把教学能力”炼”进大模型里——你要么给它更多上下文，要么给它更多训练数据，希望它能”学会”教学。

到了2026年，思路开始反转：既然教学逻辑这么重要，为什么不直接把它拿出来，明明白白写成规则？ 这就是我们前面讲的”教学驱动”架构——教学决策和文本生成彻底解耦，LLM只当语言执行者 [1]。

这个转向也和领域内的综述判断一致。2026年一篇涵盖131项研究的数学教育综述明确提出：LLM最合理的定位，是作为智能辅导系统（Intelligent Tutoring System，ITS，即由领域模型、学生模型、教学模型等组成的结构化教学系统）里的”经过验证的生成组件”，而不是”自主的教学权威” [3]。另一篇关于自适应学习平台的综述也指出，经典的智能辅导系统架构本来就包含领域、学生、教学、界面四个独立模型，生成式AI只是增强了这些系统的动态内容生成和对话能力，并没有取代它们的核心结构 [5]。

换句话说，我们绕了一圈，又回到了智能辅导系统几十年前就确立的基本框架——只是现在有了LLM，“说话”这件事不用再手写模板了。

走得通但还没走远：这套方案的边界与待解问题

讲到这里，你可能已经在心里盘算：“这套方案能不能用到我的课上？“先别急，我们得诚实地说说它的边界。

首先，适用范围非常有限。这项研究是在法语的大学维度建模课程上做的，知识图谱只有43个概念，课程材料是单一教师编写的结构化Markdown [1]。如果你的课是英语的、是理工科的（比如有大量定理推导、算法、代码）、知识体系更庞杂，能不能直接搬过去？目前还不知道。

其次，覆盖率是个大问题。确定性规则只能回答32%的真实学生问题，剩下的怎么办？总不能让学生问三句，有两句都得到”抱歉，这个问题我回答不了”吧？研究人员自己也承认，尤其是占比最高的”解释”类问题，召回率特别低 [1]。怎么在不牺牲精度的前提下提高覆盖率，是这套方案最核心的开放问题。

第三，迁移成本不低。要把这套系统用到另一门课上，你得重新构建领域知识图谱、结构化课程材料、校准意图检测的词典规则——这些都得靠教学专家来做，没法自动化 [1]。如果每门课都要花这么大功夫，性价比就值得商榷了。

第四，还没验证真正的学习效果。目前的评估只到”意图+概念对”的检测正确率，也就是教学决策对不对，但最终的回答有没有教学效果、学生觉得有没有用、能不能真正提升学习成绩，这些都还没测 [1]。毕竟，教学决策正确只是必要条件，不是充分条件。

最后，也是最根本的：这套方案的核心假设——教学逻辑可以被完全形式化成确定性规则——在多大范围内成立？ 对于知识体系清晰、问题类型明确的入门课，可能确实可以；但对于更开放、更思辨的课程，比如哲学、文学、社会科学，教学逻辑本身就不是确定的，那确定性规则还管用吗？

这些问题都没有答案。但有一点是确定的：把LLM当成独立的教学权威，这条路已经被反复证明走不通 [3]。不管是RAG的答非所问，还是纯大模型助教的幻觉，本质上都是把教学决策权交给了一个黑箱。而”把教学逻辑拆出来”的思路，至少让我们重新拿回了主动权——教什么、怎么教，应该由懂教学的人说了算，而不是由模型的参数说了算。

如果你只记住一件事

好的AI助教，首先是好的教学设计，其次才是好的语言模型——把教学决策从大模型的黑箱里拆出来，让懂教学的规则或人掌控”教什么、怎么教”，LLM只负责把话说通顺，才是更可靠的方向。

参考文献

  1. A didactical-driven teacher assistant for a dimensional modeling course（arXiv、2026、全文精读）
  2. Human Thinking under Plural LLM Assistance: Mathematical Problem Solving and Open-Ended Writing（arXiv、2026、全文精读）
  3. Understanding the role of large language models in supporting mathematics education（Research and Practice in Technology Enhanced Learning、2026、仅摘要）
  4. Enhancing Learning Efficiency using GPT-Based AI Platforms（2026、仅摘要）
  5. Artificial Intelligence in Education: A Comprehensive Analysis of Adaptive Learning Platforms and Personalized Tutoring（SSRN、2026、仅摘要）
  6. Chatting Over Course Material : The Role of Retrieval Augmented Generation Systems in Enhancing Academic Chatbots.（KTH Publication Database DiVA (KTH Royal Institute of Technology)、2024、仅摘要）
  7. Enhancing educational AI educhat with fine-tuned open-source language models : comparative study of parameter-efficient fine-tuning techniques and chain-of-thought reasoning（Trepo - Institutional Repository of Tampere University、2025、仅摘要）
  8. LexiLogic at BEA 2025 Shared Task: Fine-tuning Transformer Language Models for the Pedagogical Skill Evaluation of LLM-based tutors（2025、仅摘要）