人工智能作为导师和评论家利用技术实现个性化教育

高等教育对生成式人工智能的关注主要集中在其对评估的生存威胁上。然而，大型语言模型 (LLM) 也有建设性的应用。在伦敦国王学院的法学院，我们希望专注于学习潜力，特别是使用人工智能“作为导师”并提供反馈。我们以宾夕法尼亚大学沃顿商学院的Ethan R. Mollick和Lilach Mollick于2023 年发表的一篇论文作为起点，该论文列出了使用 LLM 工具进行学习的七种方法。

这一经验凸显了人工智能在教育领域的优势(如时间管理)和局限性(幻觉)，并给我们提供了一系列针对教师使用人工智能进行个性化学习的建议。

人工智能作为导师

我们开设了一门培训律师执业的研究生课程。在我们的商业法模块中，第一周的任务是了解最常见的商业文件：保密协议 (NDA) 的含义并起草该文件。

我们给学生们的指示是，使用任何带有“作为导师”提示的法学硕士课程来学习保密协议。然后，他们使用相同的法学硕士课程并运用自己的提示技巧为虚构客户起草保密协议。在课堂上，我们将他们的草稿文件与从执业律师使用的精选数据库中获取的标准先例保密协议进行了比较。

提示技巧

我们根据沃顿商学院的文章为学生提供了详细的提示，以协助完成任务。作为教学课程的一部分，我们与学生讨论了有效提示的核心技巧：

指导：一份明确的指示，告诉 LLM 应该采取什么行动或执行什么任务

约束：指定遵循指示时必须遵守的任何限制或条件(例如：“不要立即提供问题的答案，而是通过提出引导性问题帮助学生自己得出答案。”)

背景：提供教学的背景和原因，帮助法学硕士了解任务的相关性和重点(“您是一位乐观、鼓舞人心的导师，通过解释想法和向学生提问来帮助学生理解概念。”)。

更丰富的学习体验

总体而言，这是一次积极的练习。学生们非常重视真正的导师全体会议讨论，将他们的 LLM 草案与批判性比较器进行比较。我们能够在课堂上解决 LLM 草案中的幻觉问题(法律中的幻觉是一个大问题)，以及 LLM 草案与策划的 NDA 相比没有充分解决法律风险的地方。

但与导师讲授如何起草保密协议或设置问题练习相比，这种学习练习要丰富得多。学生们尝试了引导式提示，体验了起草第一份商业文件的内在满足感。他们在完成学科领域内的基础任务的同时，了解了法学硕士的优势和局限性。

人工智能反馈

学生总是要求在个人层面上对他们的书面作业进行更多反馈。限制因素是导师的时间。在我们的第一个实验中，我们研究了土地法模块形成性评估的反馈，这是一门必修课，内容繁多，有些学生觉得很有挑战性。

我们将土地法问题形成性问题、学生的答案和评分指导(由导师撰写)上传到 GPT-4。我们使用提示来询问学生的答案在哪些方面符合评分指导以及他们的答案在哪些方面可以改进。

GPT-4 给出的反馈与导师给学生的反馈非常相似。

然而，这种使用 LLM 进行反馈的方法并不合适，原因有二。首先，从教学角度来看，发布“示范答案”或详细的评分指导会带来非常现实的风险，即学生在未来的评估中重复这些答案，即使在完全不同的环境中也是如此。其次，我们希望避免那些可以使用基于订阅的模型的人与那些无法使用的人之间的数字鸿沟(承认免费的最新版本允许上传有限数量的文档)。

为了达到最佳教学效果，可以使用 LLM，但将模型答案“隐藏”。这需要使用 OpenAI API。API包含LLM，它会根据模型答案查询学生的答案，而学生无法访问该答案。我们正在与开发人员合作，以确保此界面在我们的学生平台内运行 - 这并不复杂。

使用人工智能进行个性化学习的建议

法学硕士应成为个性化学习的有效辅助手段。除了面对面授课，法学硕士还为学生提供了更广泛的学习机会，让他们能够以不同的方式进行学习。你应该：

考虑哪些课程适合使用法学硕士来完成所分配的任务，可以将其作为面对面教学课程的比较器

向学生提供详细的提示作为其材料的一部分，并在课堂上探讨具体的幻觉问题

利用开发人员资源，使用隐藏模型答案的 LLM API 设计反馈。研究表明，学生对人工智能生成的反馈和人工生成的反馈的偏好程度相当。