检索增强生成（Retrieval-Augmented Generation, RAG）正在成为教育问答系统的重要技术路径。相较于仅依赖大模型参数记忆的问答方式，RAG通过先检索教材、课件、课堂转录、题库解析等外部知识，再结合生成模型组织答案，能够在一定程度上缓解幻觉、静态知识滞后和课程内容更新不及时等问题。研究表明，RAG已广泛进入多种教育场景，相关研究重点集中在检索优化、多模态资源利用、知识更新和教学适配等方面[1]。
RAG在教学问答中的应用
MisEdu-RAG[2]：由Guo等提出，主要面向新手数学教师对学生错误概念的识别与干预支持。该方法将教学法知识组织为概念超图，将真实学生错题案例组织为实例超图，并通过两阶段检索联通“教学原则”与“相似错例”，从而为回答生成提供更具结构性的证据。研究显示，MisEdu-RAG在MisstepMath基准上较基线模型实现了10.95%的token-F1提升，并在五维响应质量评估中最高提升15.3%，说明在教育问答场景中，单纯段落召回往往不足，结构化、多来源证据联动更能支撑高质量回答。
BLADE[3]：由Jayaweera和Dorr提出，强调教育问答系统不应只是“给出答案”，而应引导学生重新回到课程资源中学习。该系统基于课程内容构建RAG框架，通过更强调教学相关性的检索方式，优先返回有助于概念理解的材料，而不是直接输出最终解答。作者的课程实践研究表明，BLADE能够帮助学生更好地导航课程资源，并在概念学习表现上优于单纯提供资源清单的方式。这说明RAG在教育中的价值，不只是提高回答准确率，更在于促进主动学习和证据支持型学习。
From Slides to Chatbots[4]：由Dinh等提出，聚焦大学课程中大量存在的PPT课件与课堂转录资料。研究比较了RAG与持续预训练（CPT）两种将课程知识接入大模型的路径，结果表明，在大学课程材料规模相对有限的条件下，RAG整体上更有效、也更高效。进一步地，作者提出多模态RAG，将检索到的幻灯片以图像形式而非纯文本形式输入生成模型，结果优于文本化方案。这说明在教学问答中，课件不能被简单视作普通文本，而应被视为包含公式、图表、版式与视觉线索的多模态知识载体。
KnowShiftQA[5]：由Zheng等提出，关注教育问答中的“知识漂移”问题，即教材内容发生更新后，模型内部参数知识与教材事实不再一致。作者构建了KnowShiftQA数据集，覆盖5个学科、3005个问题，用以模拟教材知识更新情境。实验结果显示，当教材知识与模型既有知识发生偏差时，多数RAG系统都会出现显著性能下降；尤其在需要同时整合教材上下文知识与模型参数知识的题目上，当前系统仍面临较大挑战。该研究提示我们，教育RAG系统不能只看静态准确率，更要关注其在教材修订、课程更新情境下的鲁棒性。
ELERAG[6]：由Granata等提出，面向教育平台中的专业术语歧义问题，对传统RAG进行了实体链接增强。该系统引入基于Wikidata的实体链接模块，并结合多种重排序策略，把“语义相似”与“实体一致”两类信号联合起来，以提升教育问答的事实准确性。研究表明，在学术领域数据集上，基于倒数排序融合（RRF）的混合方法显著优于基线与Cross-Encoder方案，而Cross-Encoder在通用数据集上表现更好。这说明教育问答场景往往具有更强的术语约束和领域特征，因而需要更有针对性的检索与排序设计。
Professor Leodar[7]：由Thway等提出，是一个面向本科工程教育的定制化RAG聊天机器人。该系统部署于南洋理工大学，为学生提供本地化表达、课程语境相关和全天候的问答支持。研究采用混合方法评估其对学习、参与和备考的影响，结果显示97.1%的参与者给出了积极反馈。该研究说明，教育RAG系统的评估不能只停留在离线问答基准上，还应关注其在真实课堂环境中的接受度、参与度促进作用以及对学习过程的嵌入能力。
总体来看，目前围绕RAG教学问答的研究正在从“把知识库接入模型”逐步走向“围绕教学目标优化检索与生成”。一方面，知识源从普通文本扩展到教材、课件、课堂转录、学生错例和教学法知识；另一方面，系统目标也从“答得对”进一步转向“答得有依据、能引导学习、能适应课程更新”。未来，RAG在教育场景中的进一步落地，可能更加依赖多模态课程资源索引、知识漂移应对机制、术语感知重排序以及基于真实课堂的持续评估。
参考文献：
[1]. Swacha J, Gracel M. Retrieval-augmented generation (RAG) chatbots for education: A survey of applications[J]. Applied Sciences, 2025, 15(8): 4234.
[2]. Guo Z, Xue R, Lu Y, et al. MisEdu-RAG: A Misconception-Aware Dual-Hypergraph RAG for Novice Math Teachers[J/OL]. arXiv preprint arXiv:2604.04036, 2026.
[3]. Jayaweera C, Dorr B J. BLADE: Better Language Answers through Dialogue and Explanations[J/OL]. arXiv preprint arXiv:2604.03236, 2026.
[4]. Dinh T A, Schumacher P N, Niehues J. From Slides to Chatbots: Enhancing Large Language Models with University Course Materials[J/OL]. arXiv preprint arXiv:2510.22272, 2025.
[5]. Zheng T, Li W, Bai J, et al. KnowShiftQA: How robust are RAG systems when textbook knowledge shifts in K-12 education?[C]//Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). 2025: 183–195.
[6]. Granata F, Poggi F, Mongiovì M. Enhancing Retrieval-Augmented Generation with Entity Linking for Educational Platforms[J/OL]. arXiv preprint arXiv:2512.05967, 2025.Thway M, Recatala-Gomez J, Lim F S, et al. Battling Botpoop Using GenAI for Higher Education: A Study of a Retrieval-Augmented Generation Chatbot’s Impact on Learning[J/OL]. arXiv preprint arXiv:2406.07796, 2024.
