0 引 言
2023 年 5 月，习近平总书记在中共中央政治局第五次集体学习时强调：“教育数字化是我国开辟教育发展新赛道和塑造教育发展新优势的重要突破口。进一步推进数字教育，为个性化学习、终身学习、扩大优质教育资源覆盖面和教育现代化提供有效支撑”[1]。教育数智化作为进一步推进数字教育的前沿探索之一，旨在运用最新的数字技术、智能技术推动教育数字化进程[2]。人工智能作为智能化的重要驱动力，催生了大批新技术、新产品、新模式和新业态[3]，GPT 类大模型的出现，更是加速了以数字内容为核心的数字教育资源生态变革。目前，各大在线课程平台上都为学生的自主学习提供了海量的图、文、音、视等多模态的在线教学资源（以下简称“多模态教学资源”），但同时这些资源分散性和异质性也给资源的建设及管理带来了巨大的挑战。如何利用 GPT 类大模型的智能优势，探究多模态教学资源的数智化建设范式已成为大趋势[4-6]。
1 多模态教学资源建设现状分析
当前，知识传播与获取方式已产生了根本变化，每个学生随时随地都能获取到海量的学习资源。以大规模在线课程（MOOC）为代表的众多在线课程平台设计整合了教案、课件、习题等以多种模态呈现的在线教学资源，极大地推动了教育资源数字化建设[7-8]。然而，作为目前数字教育的重要环节，多模态教学资源的建设仍存在着诸多问题：①现有多模态教学资源种类繁多，各类资源往往以不同模态的形式存在，很难有效统一处理及分析；②多模态教学资源往往缺乏细粒度分类，学生很难准确获取所需要的学习资源，教师则无法有效地管理和利用资源，极大地阻碍了信息化教学的进步；③学生学习需求的动态性、教师教学目的的多元性以及教学需求的多变性要求信息化教学过程中多模态教学资源的建设要具有自适应性且能实时动态更新。
从多模态教学资源建设发展历程来看，现有的建设模式主要有人工模式、人工+半智能模式以及全智能模式 3 种（见表 1）。人工模式主要依赖平台与教师进行手动的多模态资源建设与管理，不论是学生的学习反馈或是资源更新都需要人为进行分析，难以满足学生的个性化学习需求。人工+半智能模式通过引入了一些智能化算法，在一定程度实现了智能化的多模态资源建设与管理，但仍存在一些人为的限制。全智能模式则完全借助人工智能模型与算法，实现全周期的多模态资源建设与管理，不仅能提升教学资源的供给效率，还可以增强多模态资源内容的个性化水平。然而，面对繁杂的多模态教学资源，目前全智能模式仍处于起步阶段，探索 GPT 类大模型赋能的多模态教学资源数智化建设对于教育数字化转型有着重要意义。
2 GPT推动多模态教学资源建设
面对 ChatGPT 带来的生成式人工智能浪潮，可以预见，GPT 类大模型将对多模态教学资源的全智能建设产生巨大推力。GPT 背景下的多模态教学资源建设总目标如图 1 所示，应始终以学生为中心，不仅是为学生提供方便快捷的资源获取与管理，更应该对教学过程中的各类资源进行充分利用，发挥 GPT 类人工智能自主学习、分析推理的优势, 为学生个性化学习、能力培养与价值塑造提供指导。
2.1 多模态教学资源分析
随着在线教育的飞速发展，多媒体形式的教学资源逐渐涌现并成为了在线教学资源的主要构成，这些新增的教学资源往往以图、文、音、视等多种不同的模态呈现。对这些多模态教学资源进行智能处理、智能分析、智能推送，将有效提高数字教育资源的吸引力和可用性，为实现高质量教育资源建设提供有力支持。
在现有的在线教学资源建设过程中，往往只涉及对课程文本、习题以及学生学习记录进行分析，未充分利用在线平台中丰富的视频、语音、图像等多模态数据，而这些不同模态的数据中往往包含着丰富的课程知识，可以作为彼此的补充和扩展。例如，在课程视频中，教师往往会针对所讲授的概念制作相应 PPT 进行辅助介绍，其中既包含了该课程的主要知识概念，同时语音中的语调信息也能对教师所想传达的重要知识进行强调，这些不同来源的信息在经过有效整合后可以大大提升教学资源的广阔度、精确度、丰富度。可以说，通过引入 GPT 类人工智能方法对这些不同模态下的教学资源进行统一智能化利用和分析，为学生提供更为全面、详尽、多样化的高质量资源服务具有重要现实意义。
2.2 GPT赋能的多模态教学资源建设方案
为适应我国数字教育资源建设正从规模建设向质量提升转型，充分利用现有在线教学平台，研究 GPT 背景下的多模态教学资源数智化建设方法，促进学生的个性化学习、能力培养与价值塑造。从资源特点出发，结合现有开源 GPT 类大模型，建立多模态教学资源的具体方案如图 2 所示。
1）现有多模态资源的全自动整合。
随着数字技术的日益成熟以及相关政策的积极推进，当前各类课程往往会采用线上线下结合的混合教学模式，依托各在线课程平台，如中国大学 MOOC、雨课堂、学堂在线、智慧树、哔哩哔哩或学校教学平台等线上学习平台，开展线上授课、线上学习等教学活动。这些平台上广泛存在着大量课程为主导的多模态教学资源，但这些资源往往形态不一，处理起来十分麻烦，无法直接照搬，需要重新筛选和整合出符合当下课程内容与教学目标的教学资源。与传统的以文本或视频为主要形式的资源建设方法不同，GPT 赋能的资源建设旨在实现全智能全模态的资源收集、整合与分析。为了实现这一构想，可引入现有的 GPT 类开源大模型，构建多模态教学资源智能模型，以教学目标为导向，自动收集课程相关的多模态资源，并结合平台内学生学习记录、教师指导记录等，进行全流程自动化处理和分析，实现多模态教学资源库的高效建设。
2）细粒度标签体系的智能抽取与构建。
如何对海量教学资源分类展示和精确检索一直以来都是在线教学资源建设中的痛点问题。在面对海量杂乱无章的多模态教学资源时，学生往往无法根据当下的学习目标快速准确地查找到所需要的学习资源，教师则需要在备课过程中依据教学目标人工地对各类资源进行整理，制订出适用于课程的分类体系和学习建议。无论是对于教师还是学生而言，这种形式都是不够理想的。此外，从教师的角度出发，如何直观、清晰地了解学生的学习状态、对知识的理解程度，标签化都是一个很好的选择。随着当下 GPT 类大模型的快速发展，这些模型已经具有了较强的信息抽取能力以及归纳总结的能力，使得对各类多模态资源中的核心要点进行自动化抽取，智能生成涵盖关键内容的细粒度标签成为可能。此外，GPT 类大模型与传统的智能方法不同的是，其通过学习大量的先验数据从而具有了较强的分析推理能力。有效引入这些模型，不仅可以实现资源智能标签化，还可以根据标签间的潜在关联关系，自动生成一系列具有关联逻辑的标签体系，实现对各类资源精细化分类与管理，从而有效提高资源的利用率，推动资源共享。
3）需求驱动和目标导向的资源动态更新。
近年来，互联网上的各类教学资源总类繁多，且更新迅速，如何有效获取这些前沿资源并对现有资源库进行动态更新，对于多模态教学资源建设的长久发展十分关键。对于数字教育而言，学生的个性化发展需求、培养目标则是重中之重，因此有必要探索需求驱动和目标导向的多模态资源动态更新方法。为实现这一目标，可借助 GPT 类大模型自主学习的优势，首先对学生个性化发展需求以及培养目标进行建模，自动化分析得到所需要的资源类别及知识标签，随后以此作为关键词对互联网上关联资源进行自动化爬取，获得最前沿的多模态教学资源，并与现有资源库的资源进行自动比对，及时完善和扩充资源库，实现多模态教学资源的动态更新，从而将学生的个性化发展需求以及能力培养目标作为重要依据，动态地为学生提供更及时、更前沿、更优质的资源共享。
3 学生为中心的多模态教学资源数智化探索
为了真正地步入教育 4.0 时代，由向学生传授知识和技术转变为发展学生的心智能力，如何合理地采用 GPT 赋能的多模态教学资源建设相关方法，以学生的兴趣驱动、知识获取、能力提升、价值引领等为目的，进一步推动多模态教学资源的数智化，是所有教师在教学实践中值得思考的一个问题。针对此问题探索学生为中心的多模态教学资源数智化如图 3 所示。
以在中国大学 MOOC 开设的离散数学在线课程为例，该门课程涵盖多种模态的在线教学资源，包括诸如视频、课件、习题、书籍、教学大纲等，教师可以此作为该门课程的数据基础，再根据具体的课程教学计划，以学生为中心将学生的兴趣驱动、知识获取、能力提升、价值引领等作为教学总目标，结合所提出的若干 GPT 赋能的资源自动整合、资源标签化、资源动态更新等多模态教学资源建设方法对教学资源进行充分整合和利用，从而实现多模态教学资源的数智化。具体来说，为实现兴趣驱动，教师可以引领学生在课前通过线上自学，以提问式检索以及可视化的方式，基于所构建资源，让 GPT 类教育大模型为其提供个性化的学习建议、凝练后的学习路线、难度适当且具有趣味的多模态学习资源，使其预先对离散数学产生兴趣。例如学生可以在课前通过提问“谓词逻辑是什么？我应该怎么学习？”，从而获得离散数学中谓词逻辑的相关概念解释、具体样例，以及理解谓词逻辑所需要的基础知识和学习建议，实现学习的正反馈。为实现知识获取，教师可以采用线上线下混合教学方式，基于所构建资源，利用 GPT 类教育大模型多模态问答的形式，及时地辅助学生理解当下学习中的困惑之处，完善学生的知识体系。例如当学生在课堂学习过程中对某个题目中的谓词逻辑推理过程感到困惑不解，可以通过输入题目并提问“这里推理的依据是什么？”，从而立即获得相对应的解答，提高学习的效率。为实现能力提升，教师可以适当根据教学目标，基于所构资源，借助 GPT 类教育大模型策划多模态闯关式实践活动，循序渐进引导学生对解决方案进行思考。例如，教师可以针对离散数学中的每一章内容利用大模型自动生成图文并茂的闯关案例，使学生在完成案例的过程中提高发现问题、解决问题的能力，在实践中形成学习和利用离散数学知识的习惯。为实现价值引领，教师可以通过 GPT 类教育大模型收集当下社会中与离散数学相关的现实案例，动态更新离散数学资源库，以现实案例为背景，让学生充分了解社会需求。例如，教师可以以谓词逻辑为出发点，利用大模型获得现实生活中谓词逻辑的具体应用，以现实问题为背景对谓词逻辑进行讲解，从而引导学生正确地运用知识，将个人发展与社会需求结合，给予思想价值上的引领，树立正确的学习观、价值观。
通过上述以具体课程为背景的系统介绍，展示了多模态教学资源数智化对促进学生全面发展的巨大作用，在人工智能支撑下，优质数字教育资源跨越山海，推动教育更加公平、开放，最终充分满足学生、教师乃至社会深层次的需求，这是以往所有在线教学方法所无法实现的，正是 GPT 背景下学生为中心的多模态资源数智化使其成为了可能。
4 结 语
在计算机及人工智能技术快速发展背景下，多模态资源大数据和 GPT 类大模型的有效利用是实现教学资源数智化建设的重要途径，将推进学生的兴趣驱动、知识获取、能力提升、价值引领，为个性化学习、终身学习和实现“人人皆学、处处能学、时时可学”的学习型社会提供先进的技术支撑。
参考文献：
[1] 人民网. 习近平在中共中央政治局第五次集体学习时强调加快建设教育强国 为中华民族伟大复兴提供有力支撑[EB/OL]. (2023-05-30)[2023-07-04]. http://edu.people.com.cn/n1/2023/0530/c1053-40002229.html.
[2] 张志华, 孙嘉宝, 季凯.“变”与“不变”: 高等教育数智化转型的趋向、风险与路径[J].高校教育管理, 2022,16(6): 23-31.
[3] 张晨静, 袁红春, 梅海彬. 以人工智能为主线的计算机通识课程体系设计与实践[J]. 计算机教育, 2023(6): 156-161.
[4] 王静静, 叶鹰. 生成式AI及其GPT类技术应用对信息管理与传播的变革探析[EB/OL]. [2023-05-09]. http://kns.cnki.net/kcms/detail/11.2746.G2.20230508.1612.002.html.
[5] 包昊罡, 王轶晰. ChatGPT背景下的基础教育数字资源建设[J]. 中国基础教育, 2023(5): 39-42.
[6] 于浩, 张文兰. 基于ChatGPT技术的教育教学变革思考[J]. 继续教育研究, 2023(5): 33-39.
[7] 袁景凌, 巩晶,张霞, 等. 以学生为中心的MOOC+“在线课堂”组织与实践[J]. 计算机教育, 2020(8): 14-17.
[8] 范晓娅, 田琳琳, 于红, 等. 疫情背景下计算机编程课程在线教学模式探索[J]. 计算机教育, 2021(2): 53-56.
基金项目：湖北省高等学校省级教学改革研究项目（2022098）。
第一作者简介：袁景凌，女，武汉理工大学教授，研究方向为机器学习、绿色计算，yjl@whut.edu.cn。
引文格式：袁景凌, 张鑫, 钟忺, 等.GPT背景下的多模态在线教学资源数智化建设[J].计算机教育,2023(12):293-297.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
