大模型及其应用系列第八篇——大模型在教育行业的应用案例

自动评阅主要分为四大核心流程：首要步骤是试卷的电子化转换即将纸质试卷扫描为电子图像 ，并实现客观题的自动评分 。 其次是主观题数据的预处理 ，其核心环节是对文本的识别与转换 。 而后是主观题的评分环节， 其核心在于生成评分模型后实现主观题评分 ，不同利害场景对评阅精度的要求各异 。 最后一步则是对所有评阅数据进行汇总与数据分析 。 受技术所限， 当前中英作文领域的自动评阅较为成熟 ，文 、理科大题均只能覆盖较低年级， 未来有望通过技术提升及模型优化 进一步拓宽覆盖年级 、科目与题型 。其中智能口语测评系统也已参与多省市的英语听说考试批改，从而解决传统语言类考试人工评分组织难度大、 测评结果受主观影响大等问题。

从2020年起，体育测评项目更加灵活多样，篮球 、足球等项目逐渐被纳入选考范围，且过程性评价开始受到重视，如上篮动作是否标准。传统的人工和传感测评方案无法实现完整 、高效且公平的实现测评。通过对人体骨骼进行关键点采集，实现识别和动作判断的AI视觉方案逐步被采用。

格灵深瞳是一家行业领先的人工智能上市公司，致力于在智慧校园体育领域打造一个研 、学 、练 、赛 、评 、考 一体化的教育生态系统。 涵盖教研 、 教学 、 训练 、 测评 、 考试等多种场景旨在提供一个教育全流程 、贯穿学生成长全周期 、覆盖100 余项项目的智能体育教育平台 。 

自2024 年起 北京市体育中考从8选3变为22选4，新增的14项运动项目包括足球 、篮球 、排球 、健身长拳 、健身南拳等过程评价与姿态分析类项目，该类项目要求精确的动作捕捉和基于数据的分析评估，AI 视觉技术则可以全面满足各项需求 。 格灵深瞳体育训考系统于2024年成功落地北京市多区体育中考， 覆盖近10个考场总计数万名考生 。单日考试人数超过2500人，平均考试时间较使用前缩短了三分之一，裁判人数减少60%，准确度大大提升。

精准教学主要指在行为采集、学情分析 、知识图谱等技术的支持下，通过跟踪 、记录和分析学生学习过程数据，为教师教学设计、 教学决策等环节提供科学依据的一种教学形式 。数据主要产生并流转于课前、课中和课后三个环节 。课前环节中，教师可以基于历史学情数据对成熟教学资源进行班级个性化调整，高效形成班本课程 ；课中环节中，在智慧白板等智能硬件的加持下，教师可以快速获取为后续教学优化所需的数据 ；课后环节中，教师结合现阶段知识重点与班级学生分层、薄弱点，精准下发个性化专题作业，并在作业回收后借助 OCR 技术实现作业智能评分与数据归纳，动态更新学生学情数据 。

华中师范大学“小雅”平台是学校自主研发的云端一体化智能教育SPOC平台，构建了以课程知识图谱、智能问答、智能推荐等模块组成的混合教与学环境，形成了数据驱动的备、教、学、测、评、督、管服务体系，实现了教学理论具象化、教学设计标准化、教学行为数据化、教师评价精准化，全面促进大数据、人工智能等新兴技术与高等教育教学的深度融合。本案例入选了教育部首批 “人工智能 + 高等教育” 应用场景典型案例。

学而思九章大模型可实现拍照答疑与智能辅导，学生通过九章答疑 App 拍照上传数学难题，“小思老师” 不会直接给出答案，而是先分析题目考察的知识点和形式，引导孩子一步步思考如何解决问题。例如面对数学应用题，“小思老师“ 会先询问学生对题目的理解，再逐步引导思考方向，帮助学生建立解题思路。“小智老师” 则针对学生的具体困惑，迅速给出详细的分步骤解析。这种方式能让学生明白解题的原理和思考过程，避免直接抄袭答案，培养思考能力。个性化学习体验：九章答疑采用苏格拉底式提问法，通过连续的问题引导学生深入思考，实现知识的 “内化”。过程诊断模型能够即时监测学生的学习进度，每次讲解结束后，系统会自动总结所学内容，并基于学生的对话内容推荐相关题目，以拓展知识点。此外，九章答疑还内嵌心理辅导大模型，为学生提供情感陪伴和心理疏导，缓解学习压力，提高学习动力和效果。目前，该应用已在河南数据集团、北京宏志中学等多个平台和中小学应用试点。

襄阳市樊城区长征路小学借助 AI 技术助力教学全流程。在集智备课中，AI 整合优质教学资源生成动态教案，自动生成分层习题库，减轻教师重复性劳动。在课堂上，AI 生成的动画让学生身临其境，作文讲评时能即刻生成批注建议，数学课堂上 AI 系统实时分析答题数据并推送分层练习，课后学情分析平台自动生成报告，帮助教师调整教学策略，学生课堂参与度提升了 35％，教师备课效率翻倍。