• <xmp id="om0om">
  • <table id="om0om"><noscript id="om0om"></noscript></table>
  • 對話式人工智能

    概念驅動的 AI 教學助手引導學生獲得更深入的見解

    在當今的教育環境中,生成式 AI 工具既帶來了福音,也帶來了挑戰。雖然這些工具提供了前所未有的信息獲取途徑,但也引發了對學術誠信的新擔憂。越來越多的學生依靠 AI 直接回答家庭作業問題,而這通常以犧牲培養批判性思維技能和掌握核心概念為代價。

    大學和教育工作者面臨著越來越多的兩難境地:如何利用 AI 的強大功能作為教學工具,同時確保它補充而不是縮短學習過程。關鍵在于開發引導學生進行理解的系統,而不是簡單地傳遞答案。

    除了學術誠信問題外,許多大學還在努力解決助教 (TA) 短缺問題。在克萊姆森大學和全國各地的機構中,計算機科學和其他 STEM 領域的注冊人數增長超過了助教支持的速度。在某些課程中,學生與助教的比率為 20:1。在中期和項目截止日期等繁忙時期,這種不平衡通常會導致學生無法及時獲得所需的幫助。

    為了應對這一挑戰,我們的 Clemson Capstone 團隊著手使用 NVIDIA AI Blueprint 構建一個虛擬教學助手 (VTA) ,用于檢索增強生成 ( RAG ) ,并由 NVIDIA NeMo Retriever NVIDIA NIM 微服務提供支持。我們的目標是開發可擴展、隨時可用的學習助手,通過指導學生完成概念和解決問題來鼓勵他們學習,而不是簡單地提供答案。

    我們的解決方案:一個概念為中心的虛擬教學助手

    我們的團隊與 NVIDIA 合作開發了一款基于 NVIDIA RAG Blueprint 的 AI 賦能教學助手,旨在解釋基本概念、指導學生完成問題解決流程,并最終促進更深入的理解。

    我們的方法的獨特之處在于集成了三個關鍵組件:

    1. NVIDIA RAG Blueprint:提供快速的檢索增強型生成,僅提取最相關的課程片段,將每個解釋固定在可驗證的來源中,并自動格式化引用。 此主干網絡可讓助手保持基于事實的同時保持對話。
    2. NVIDIA NeMo Guardrails :添加道德護欄,可攔截“Just give me the solution”查詢,并將其轉換為支架導向。自定義操作可對意圖進行分類、重新編寫提示并執行引文檢查,確保 AI 鼓勵學習并遵守學術誠信政策。
    3. 課程數據管理 API :借助 RAG 知識庫橋接 Canvas,同步模塊、截止日期、測驗和上傳文件。在此實時環境中,助手針對每個學生正在學習的確切材料定制示例、提醒和提示,使回復針對特定課程而非泛化。
    An architecture diagram for the NVIDIA AI Blueprint for RAG.
    圖 1。Canvas 集成虛擬教學助手藍圖

    技術實施

    我們的 AI-powered TA 系統利用 NVIDIA 的多個 Docker 容器和 Canvas 平臺 UI。

    基于 NVIDIA AI Blueprint for RAG 構建

    我們的實現以適用于 RAG 的 NVIDIA AI Blueprint 為基礎。此架構使我們的教學助理能夠:

    • 根據上下文處理和理解學生查詢。
    • 檢索相關課程材料和資源。
    • 生成側重于 Conceptual Understanding 而非直接回答的回復。
    • 維護交互中的對話式環境。

    NeMo Guardrails:確保將合乎道德的 AI 用于教育

    隨著大語言模型 (LLM) 的日益普及,對引文驗證的需求變得更加迫切。RAG 方法的最新進展有助于減少生成內容中的幻覺。但是,如果沒有額外的驗證方法,在建立可信度方面仍然存在重大挑戰。

    我們系統的一個關鍵改進是集成了 NeMo Guardrails ,它:

    • 分析學生的問題,以確定他們是尋求概念理解還是直接答案。
    • 將直接作業問題查詢重定向到概念性解釋。
    • 提供支架式指導,引導學員自行尋找答案。

    NeMo Guardrails 中的 Custom actions

    動作是小型 Python 函數,NeMo Guardrails 可以在對話的特定點調用這些函數,以檢查、修改或替換模型的回復。每個操作都可以看到完整的聊天上下文,并且可以調用 API、過濾文本或生成新消息,然后再將控制權交還給工作流程。這使得我們能夠在 RAG 流程上執行以 VTA 層學習為中心的提示和硬引用檢查,無需重新訓練基礎模型,即可獲得經過驗證、可信的 LLM 答案。

    我們添加了三個此類操作:

    1. Quiz_response:檢測測驗式問題并重寫提示,以便助手解釋核心概念,提供簡短示例,并以指導性問題結束。
    2. Homework_brainstorm:將作業查詢轉換為結構化的一系列提示,將任務分解為多個步驟,同時保留最終答案。
    3. Code_debug:向學員講解調試策略,指出可能的錯誤點并提出測試建議,而無需直接修復代碼。這些操作共同防止直接回答泄露,確保所有回答始終以包含內聯引用的頂級檢索課程材料為基礎,并促進主動學習和理解。

    這些只是可能性的幾個示例,因為該系統具有高度可配置性,并且最終用戶可以對其進行擴展,以支持任何教學或組織需求。

    課程數據管理器 API

    我們開發了自定義課程數據管理 API,通過安全訪問令牌與 Canvas 集成。此集成支持:

    • 了解課程內容、作業截止日期和上下文 。通過自動同步最新的模塊、文件和截止日期,助手可以引用當前主題并提醒學生注意 Canvas 即將推出的里程碑。
    • 根據特定課程材料提供個性化回復 。由于檢索到的每個項目都與課程元數據一起編入索引,因此助手會根據每個學生正在使用的確切讀數、講座或 rubrics 定制解釋、提示和引文,從而創建針對特定課程而非通用的指導。

    用戶界面和體驗

    我們的虛擬教學助手提供直觀的界面,鼓勵以學習為重點的互動:

    • 對話式界面支持后續問題 并保留輪流聊天記錄,因此學生可以在不丟失上下文的情況下改進或挖掘更深入的內容。
    • 明確指示何時提供概念指導。這一點通過細微的標簽和顏色提示來突出顯示,表明助手正在指導而不是提供解決方案。
    • 用于獲取課程信息的界面 。專用面板可將虛擬教學助理連接到課堂材料和文件,以便其按需導入正確的上下文。
    The VTA advanced setting screen for chat and integration.
    圖 2。帶有 Canvas 集成、設置和課程內容界面的自定義 VTA 前端
    The in-app chat interface with various call-to-action buttons.
    圖 3。自定義 VTA 前端聊天界面

    對教育的影響

    我們的 AI 教學助手的實施為教育機構帶來了一些關鍵優勢:

    • 增強學習 :該助手通過指導學生了解基本原理而不是提供解決方案,加強對概念的掌握,鼓勵元認知,并提示學習者闡明自己的推理。這種積極的過程反映了一對一的輔導課程,增強了長期保留和解決問題的信心。
    • 學術誠信:阻礙直接回答提取、需要來源支持的解釋以及記錄可疑請求的護欄有助于阻止尋求捷徑和抄襲。講師可以相信,AI 支持符合課程目標和評估策略,而不是破壞這些目標和策略。
    • 可擴展支持 :該助手全天候提供個性化的上下文感知型幫助,這對于注冊人數較多的人工助教來說是不切實際的。隨著使用量的擴大,每位學生仍會收到根據其課程材料量身定制的及時反饋,從而使教師能夠專注于價值更高的教學活動。
    視頻 1。課程抓取演示和 VTA 與護欄的配合

    未來發展

    雖然我們目前的實施為以概念為中心的學習提供了強大的支持,但我們也發現了一些未來改進的途徑。克萊姆森將與該大學的中央 IT 團隊合作,在整個校園內開展試點,為普通學生提供訪問權限。在技術方面,可以強化護欄,以防止為獲取完整解決方案而做出越來越微妙的嘗試,確保導師始終以學習為中心。我們將添加隨附的分析儀表板來報告系統故障,包括常見的誤解、未回答的問題和引用差距,以便講師可以完善課程材料。我們將開發非代碼擴展程序 hook,使其他機構能夠輕松定制 Blueprint,并將其與 Canvas 帳戶或其他學習管理平臺集成。

    總結

    我們開發的 VTA 展示了如果實施得當,AI 如何增強而不是破壞教育目標。我們的系統專注于概念解釋而不是提供答案,有助于保持學習過程的完整性,同時仍然為學生提供寶貴的支持。

    隨著教育機構繼續在學術環境中應對 AI 的復雜性,我們的解決方案為負責任的實施提供了藍圖,在支持技術進步的同時維護教育價值觀。

    展望未來,其他學校可以通過交換課程內容、根據當地政策微調 guardrails 以及打包特定學科的知識包來擴展這一藍圖。由于代碼庫是模塊化的,并已與 Canvas 集成,因此各機構可以快速試用該助手,并通過藍圖的發布,使其適應其他 LMS 平臺,添加自定義 analytics,并與社區分享新功能,從而打造由 AI 驅動的學習工具組成的協作生態系統。

    要訪問我們的代碼庫并運行我們的應用,請訪問 GitHub

    致謝

    該項目是 2025 年春季克萊姆森大學 Capstone 計劃的一部分,得到了克萊姆森計算學院和 Department of Computer Science 的支持。Dori 的命名和創意靈感來自于 2024 年秋季 Capstone 團隊:Chloe Crozier、Ethan Anderson、Justin Silva 和 Teja Guruvelli。特別感謝 Professor Carrie Russell 以及我們的教職人員和同行的寶貴指導和評論。

    0

    標簽

    人人超碰97caoporen国产