基于大语言模型的课程教学答疑系统设计

在混合式教学中，如何能对学生学习过程中的疑问进行及时回答对教师来说是一个比较头痛的问题。借助AI技术，开发能自动回复学生问题的教学辅助系统是一个非常重要手段。本文介绍一个能协助教师，帮助学生解决课程学习问题的会话系统ChatQA。该系统通过深度学习模型，能够与学生进行自然、连贯的对话，回答学生课程学习中的问题，有效缓解了教师的答疑负担。论文详细讨论了该系统的设计原理、Prompt优化方法等，并通过软件工程课程的问题进行了测试，显示了该方法的可用性，具有较好的自动答疑的效果。

在现代教育领域，学生常常面临着各种各样的问题和困惑。尤其是在课程学习过程中，学生往往会遇到一些难以理解的概念、深奥的理论或者复杂的问题。为了及时解决学生的疑惑，教师通常提供答疑服务，以便学生能够更好地理解和掌握知识。然而，无论是线上教育或者线下教育，目前在教学过程中它们都存在一个共同的问题，即不能及时处理学生存在的课后遗留问题。现在的教学模式普遍都是一对多的形式，然而学生自身水平存在差异，在接收知识点时接受程度不一样，并且由于时间、地点、资源等因素，教师在面对众多学生提出的问题时，很难实施个性化教学，不能及时给出回应，所以在教育事业中，及时进行课后答疑一直都是难点。

随着技术的发展，人们总希望能用最短的时间获得最简洁的答案，通过搜索引擎搜索问题时得到的大多是与问题相关的网页，仍需要花费大量时间筛选正确答案；当下大部分能实现课程答疑任务的软件大多是基于传统的搜索方式，得到的结果大部分时候是不尽如人意的；相比之下，深度学习技术实现的语言模型可以生成与问题相关的自然且连贯的对话，模拟人类的回答过程。

同时，大语言模型逐渐成为自然语言生成领域的基本解决方法，模型参数数量越来越多，无论是国外OpenAI 的GPT3，或是国内百度的Ernie3.5，清华的GLM3.5 等等，如今流行的大语言模型的参数量级已经在亿以上，大语言模型的微调越来越困难。本文尝试将“轻量化”的高效参数微调思想[1]应用于对话系统的应用中，通过大语言模型，实现一套基于深度学习NLP 算法的会话系统ChatQA，进而降低因为答疑而造成的老师和同学的时间花销，减少老师工作量。

2. 相关工作 大量研究表明，无论如何对文本输入的形式进行优化，搜索式课程答疑软件在实际应用中是很难行得通的。李春明[2]讨论过基于全文检索的技术和关键词匹配的方法构建答疑系统，但以这类方法实现的答疑系统的答案准确度和智能性都与现实中答疑要求的标准存在较大的差距。而后，李印鹏[3]借助早期NLP 技术，根据词形相似度、语句相似度、词序相似度三个指标来对学生输入的问题进行语句相似度的匹配，最后根据知识数据库搜索的方式完成答疑任务，但以此类方法构建的答疑系统仍然无法具备人类的思维能力，一旦知识库中缺少与问题匹配的相关内容，这种答疑系统无法对用户提出的疑问给出满意的答案。

近几年，学者和工程师们把目光转向了深度学习领域，开始讨论通过深度学习技术实现课程答疑任务的可行性。相较于传统的搜索式课程答疑软件，基于深度学习技术构建知识问答系统实现课程答疑任