随着大语言模型（Large Language Models）的快速发展，人工智能在教育领域的应用逐渐从传统智能辅导系统向生成式教学助理系统演进。AI教师助教能够通过自然语言交互为学生提供即时答疑、学习反馈与个性化学习支持，从而有效缓解教师教学负担并提升学习体验。近年来，国内外研究者围绕大模型驱动的教学问答、学习反馈生成以及个性化教学支持等方面开展了大量探索，并提出了一系列AI教师助教系统与方法。

AI教师助教

TAsk AI Teaching Assistant^[1]：由Perez团队提出。背景研究表明，在高等教育课堂中，大量学生提问与课程答疑需求使教师与传统人工助教面临较高工作负担。该研究提出TAsk（Teaching Assistant with Knowledge constraints）教学助教系统，旨在利用大语言模型实现自动化课程问答支持。研究者将教学答疑问题建模为基于知识约束的生成任务，通过检索增强生成（RAG）机制，将课程资料构建为知识库并在生成阶段进行语义检索，从而减少模型幻觉并提升答案准确性。系统在真实研究生课程场景中进行测试，并从答案相关性、知识准确性和学生满意度等维度进行评估。实验结果表明，该系统生成答案质量接近人工助教水平，同时显著降低教师在课后答疑中的时间成本。

Generative AI Teaching Assistant for Medical Education^[2]：由Thesen团队提出。背景研究指出，在医学教育场景中，学生学习高度依赖专业教材与临床知识，通用大语言模型在该领域容易产生不准确或不可追溯的信息。为解决该问题，研究者构建生成式AI教学助教系统，并将医学教材、指南与课程资料构建为结构化知识库。系统通过检索增强生成机制对模型回答进行知识约束，并结合上下文提示实现个性化学习支持。研究通过真实医学课程实验，对系统回答准确率、学习支持效果与学生满意度进行评估。实验结果表明，知识检索机制显著降低模型幻觉现象，同时提升学生在复杂医学知识学习中的理解效率。

Generating In-Context Personalized Feedback for Intelligent Tutors^[3]：由Reddig团队提出。背景研究表明，传统智能辅导系统在生成学习反馈时通常依赖模板化规则，难以根据学生学习过程提供具有针对性的个性化指导。为提升反馈质量，研究者提出基于大语言模型的情境化反馈生成方法，将学生历史学习行为、当前作答状态与知识掌握水平整合为上下文信息输入模型，从而生成个性化学习反馈。研究将反馈质量评估为多维任务，包括内容准确性、针对性与鼓励性，并通过教师评分与学生实验数据进行验证。实验结果显示，大语言模型生成的反馈在语言丰富性与个性化程度方面明显优于传统模板方法，并在整体评价中接近人工教师反馈水平。

EducationQ^[4]：由Shi团队提出。背景研究指出，随着大语言模型逐渐应用于教育场景，其教学能力缺乏系统化评估方法。为解决该问题，研究者构建EducationQ多智能体教学评测框架，通过模拟真实课堂互动情境评估模型的教学能力。该框架设计teacher agent、student agent和evaluator agent三类智能体，通过多轮对话模拟教学讲解、学生提问与知识纠错过程。研究将教学能力评估为知识解释能力、对话引导能力与错误纠正能力等多个维度，并结合自动评价指标与人工评分进行实验分析。实验结果表明，该框架能够有效评估不同大模型在教学场景中的表现差异，并揭示模型在长对话教学与持续知识引导方面仍存在不足。

SP-TeachLLM^[5]：由Huang团队提出。背景研究表明，在编程教育中，不同学生在知识基础与问题解决能力方面存在显著差异，传统统一教学模式难以满足个体化学习需求。为此，研究者提出SP-TeachLLM个性化教学框架，通过大语言模型支持编程学习过程中的教学指导。该系统包含课程分解模块、教学策略生成模块与学习记忆增强模块，将编程知识划分为多个学习单元，并根据学生学习进度动态生成个性化学习路径。研究通过编程课程实验评估系统对学习效率、问题解决能力与学习体验的影响。实验结果表明，该框架能够显著提升学生学习效率并降低学习挫败感，体现了大语言模型在编程教育场景中的智能助教潜力。总体来看，现有研究表明大语言模型在教学问答支持、学习反馈生成以及个性化学习指导等方面展现出良好应用潜力。然而，当前AI教师助教系统仍面临知识准确性保障、教学能力评估以及复杂教学场景适应性等挑战。未来研究需要进一步结合教育认知理论与真实课堂数据，探索更加可靠和可解释的AI教学辅助方法，以推动智能教育系统在实际教学环境中的深入应用。

参考文献：

 [1]. Perez R M, Shimogawa M, Chang Y, et al. Large language models for education: An open-source paradigm for automated Q&A in the graduate classroom[J]. Computers and Education: Artificial Intelligence, 2026, 10: 100546.

 [2]. Thesen T, Park S H. A generative AI teaching assistant for personalized learning in medical education[J]. npj Digital Medicine, 2025, 8: 627.

 [3]. Reddig J M, Arora A, MacLellan C J. Generating in-context, personalized feedback for intelligent tutors with large language models[J]. International Journal of Artificial Intelligence in Education, 2025, 35: 3459–3500.

 [4]. Shi Y, Liang R, Xu Y. EducationQ: Evaluating LLMs’ teaching capabilities through multi-agent dialogue framework[C]//Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (ACL). 2025: 32799–32828.

 [5]. Huang S, Sun Y, Yu X. SP-TeachLLM: An LLM-Driven Framework for Personalized and Adaptive Programming Education[J]. Information, 2025, 16(12): 1045.

2026年5月11日

上海师范大学分析测试与超算中心