ChatGPT在高等教育领域的应用、风险及应对.pdf

（）年 第 卷 第 期 收稿日期：基金项目：北京市教育科学“十四五”规划课题优先关注项目“北京市双一流高校教师队伍建设研究”（）作者简介：崔宇红，研究馆员，博士，图书馆副馆长，主要从事高等教育、科技创新评价研究；通信作者：白帆，博士研究生，主要从事高等教育研究。本文引用格式：崔宇红，白帆，张蕊芯 在高等教育领域的应用、风险及应对 重庆理工大学学报（社会科学），（）：，（），（）：（）新一代人工智能技术应用及影响 在高等教育领域的应用、风险及应对崔宇红，白帆，张蕊芯（北京理工大学 人文与社会科学学院；图书馆，北京 ）摘要：人工智能是推动高等教育变革的重要战略支撑，作为这场变革的催化剂拥有巨大的应用潜力。首先分析 的核心技术优势；接着以学习生命周期为框架，从教学内容优化、教学过程辅导辅助、教学方法优化、学术论文写作以及教与学效果评价 个方面，回顾总结人工智能支持的学术教学和学习服务，展望 在高等教育的 种应用场景；最后指出，的应用存在技术可靠性、学术诚信、偏见与歧视、数据隐私与安全、法律与知识产权等方面的风险挑战，教师、学生、高等教育机构以及政府部门应密切关注该领域的发展趋势，并做出适时调整，以推动高等教育的高质量发展。关键词：；人工智能；高等教育；应用场景；应用风险中图分类号：；文献标识码：文章编号：（）一、引言在 世纪的高等教育领域，人工智能和自适应学习技术的融合应用正在引发颠覆性变革。自 年起，美国高等教育信息化协会（）连续 年发布 地平线报告：教与学版，均将人工智能列为未来影响高等教育发展的趋势和核心技术。在党的二十大报告中，人工智能被认为是“推进教育数字化，建设全民终身学习的学习型社会、学习型大国”的重要战略支撑。此外，年 月在北京召开的世界数字教育大会以“数字变革与教育未来”为主题，也强调了人工智能在高等教育数字化转型中的重要作用。与此同时，代表人工智能最新突破的 技术，则有可能成为这场变革的催化剂，引领人工智能教育应用走向成熟，重塑未来高等教育的形态。是美国人工智能研究实验室 于 年 月 日发布的智能对话代理程序，亮相仅一周后就已经有 万用户注册，截至 年 月，其月活跃用户已经达到 亿，成为历史上增长最快的消费者应用程序。受到国外主流媒体的广泛报道，其中，、彭博社、连线、福布斯和 纽约时报 等的报道涵盖了 的基本信息、功能、应用场景和对未来的潜在影响；麻省理工商业评论 将 列入 年度阅读量最高的话题；年 月 日，登上了微博热搜榜，话题涉及“多家学术期刊禁止将 列为合著者”“美国 的大学生都是用 做作业”“百度类 产品名为 ”等。可以说，已经成为全球范围内备受关注的现象级科技事件。教育科研界从不同视角探讨了 在高等教育应用中的复杂影响。科学 杂志探讨了 的作者身份问题并相应调整了出版策略 ，自然 杂志的编辑认为 可能会损害科学的透明性 。来自不同专业学科，例如计算机科学、数学、化学、语言学和医学等的学者，对 在高等教育中的实践进行了探索。计算机科学领域的研究表明，可以生成多样易懂的代码解释，帮助学生更好地理解代码和掌握编程技巧，自动化代码审查和文档生成有助于提高编码的质量和可读性，辅助教师更有效地指导学生 。在化学教育中，微调后的大型语言模型可以帮助教师评估学生答案的质量 。在语言教学中具有很大的潜力，它可以提供个性化的交互和指导，缓解学习者的焦虑情绪，提高学习效果和学习兴趣 。在医学教育领域的应用最为广泛，包括自动评分、教学辅助、信息获取、生成案例场景等以及在临床管理和决策过程中发挥作用。研究人员使用 开发基于自适应学习的系统，根据学生的个人需求和学习风格，为其提供量身定制的医学教育资料和学习反馈。在临床诊断中，与临床数据相结合，创建了一个自动化的决策支持系统，预测患者的疾病风险、评估诊断结果的可信度，并提供个性化的治疗建议 。同时，研究人员评估了 在美国医学执照考试（）中的表现，发现 在预测考试成绩方面的表现达到或接近考试通过的分数阈值，具有很高的准确性和稳定性 。在高等教育领域的应用仍处于起步期，具有巨大的发展潜力，在进一步探索技术发展的同时，也需要解决诸多伦理、隐私、安全以及法律方面的风险问题，拓展进入公众认知和政府议程。本文在回顾总结高等教育领域人工智能应用研究的基础上，重点探讨 在未来高等教育中的应用场景和风险挑战，以确保 技术在高等教育的转型过程中获得安全、可靠和有效的应用。二、核心技术概述 指使用 （）模型架构的聊天机器人应用程序。作为一种广泛应用于自然语言处理领域的预训练模型，引领了大型语言模型的新时代。相较于 和 的类似预训练模型，在智能客服、智能问答、机器翻译、文本摘要等领域的表现更加自然流畅。这主要归功于其采取的核心技术，即在大规模数据上训练模型，基于 模型架构以及对特定任务使用预训练微调策略进行优化。（一）大型语言模型大型语言模型（，）是指参数规模巨大、预训练的深度神经网络模型。年月发布的 模型是迄今为止最大的语言模型，涵盖 万亿个参数，使用来自多种来源的海量语料库进行预训练，包括互联网、电子图书、维基百科、论坛、新闻文章、博客、多媒体文本等 。通过学习大规模的语料库来理解语言结构、语法、语义、逻辑等方面的知识，从而完成生成自然语言文本、回答问题、翻译、对话等任务。作为一种大型语言模型，展示了惊人的文本生成能力和广泛的通用性，能够完成多种自然语言任务。研究发现，尽管在某些领域，例如金融和心理学，人类专家的回答准确率明显高于 ，但在其他领域如法律和技术方面，的表现接近甚至超越人类专家。为了探究 在医学领域中的表现，研究者收集了来自两个医学问答网站的人类专家回答和 回答，并进行了比较。研崔宇红，等：在高等教育领域的应用、风险及应对究发现，在临床医学领域的回答准确率低于人类专家，但在医学研究和基础医学方面，的表现与人类专家相当。此外，在提供具体建议和特定细节方面表现优于人类专家 。（二）模型 模型是由谷歌在 年提出的一种基于注意力机制的深度神经网络模型，并进一步在机器翻译的效果上得到了显著提升 。自注意力机制可以比喻为人类阅读一段文字的过程，人类在阅读时也会对每个词汇给予不同的注意力权重，将其与上下文进行联系，从而理解全文的含义。在传统的神经网络模型中，每个神经元的输入都是前一层所有神经元的输出，因此无法充分利用输入序列中各个元素之间的关系。而 模型引入了自注意力机制，通过给予不同位置的元素不同的注意力权重，使得模型可以根据序列中元素之间的相关性来加权组合信息。的 结构的核心创新点在于提出了多头自注意力机制（），即在不同的“头”中分别计算注意力权重，以获得更多细粒度的关注信息。这种机制使模型可以更好地捕捉不同元素之间的关系，并且可以并行计算多个头的注意力权重，加速了模型的训练和推理过程。这使 在处理长序列和建模长期依赖关系方面更加有效，并且在自然语言处理等领域取得了很好的表现。（三）预训练微调策略 的预训练微调机制包括预训练、微调和 这 个阶段。具体来说，预训练阶段采用 架构，在大规模数据集上进行无监督的预训练，以训练出通用的语言表示。预训练过程采用了自回归语言建模任务，即让模型根据前面的文本预测下一个词的概率分布，并最大化预测正确词的概率。微调阶段通常采用有监督的学习方法，即使用标注好的数据集进行训练，以调整模型在特定任务上的权重，以便更好地完成任务。微调的具体方法包括单个任务微调、多任务联合微调、迁移学习等。在微调阶段后进一步进行 ，即进一步调整模型在目标任务上的性能。的方法通常包括超参数调整、数据增强、知识蒸馏等 。这种预训练微调的策略已经被证明是一种高效的方式，能够在各种自然语言处理任务上取得很好的性能。三、在高等教育领域的应用场景这里以学习生命周期的概念为框架，涵盖了教学内容优化、教学过程辅导辅助、教学方法优化、学术论文写作以及教学和学习效果评价等 个阶段，并从学习者和教师两个维度提供了 种人工智能支持的学术教学和学习服务，并基于此展望 在高等教育背景下的应用场景。（一）教学内容优化 教学目标确立教学目标是关于教学将使学生发生何种变化的明确表述，是指在教学活动中所期待得到的学生的学习结果。教学目标的确立是开展一切教学活动的前提和基础。人工智能技术可以结合教育目的及学生情况确定当前课程的教学目标，近年来，已有多项工作使用了人工智能技术来协助确立教学目标。例如：利用机器学习算法来确定可能对学生毕业率造成不利影响的因素 ，或采用结果导向教育（）的方法，确定学位课程预期的结果，从而确定教学目标 。教学内容设计教学内容设计是教学活动的重要前置因素。在教学内容设计方面得到了广泛的应用。教 ：师可以输入学科领域的相关信息，如历史事件、科学原理等，便可以输出自然、流畅的文本，这些文本可以用于课程大纲的编写，其中包含对每个主题的简短描述，在此基础上还可以提供相关知识的扩展和重新组合以及教学辅助工具的开发。在学生学习方面，可以通过学生的学习历史记录和兴趣爱好，为每个学生生成适合其学习风格和学科领域的学习材料和作业，从而提升学习效果和增强学习动力。此外，人工智能也可在标准化考试中发挥作用，如设置多套试卷以避免剽窃问题或设计一系列难度递增的作业或考试。深度学习技术可以用于特征提取或难度估计，例如利用注意力机制模拟阅读问题中每个句子的难度测试。教学材料自动问题生成教学材料自动问题生成（，）可以帮助改进学生的学习和理解，评估材料的信息，并帮助教师添加补充材料。主要由两个方面组成：内容选择和问题构建。内容选择通常使用不同的统计特征来完成 。问题构建传统上采用基于规则的方法 和基于循环神经网络（）的方法对数学表达式和主题词进行编码，以自动生成问题 。现有研究集中在使用一系列方法提高话题相关性、表达相关性、语言连贯性以及生成问题的完整性和有效性 。对于一般知识测试，有学者提出了一个自动生成问题和答案的框架可用于教学材料的创作，如阅读理解任务 。语言模型还可以产生问题和提示，鼓励不同知识和能力水平的人参与，并引发批判性思维和问题解决。此外，它们还可以用于生成有针对性和个性化的练习题和测验，生成防止剽窃的标准化考试题目，这有助于确保学生掌握材料。（二）教学过程辅导辅助 交互式辅导辅助工具基于“积极互动促进学习”的理论，早期的交互式辅导辅助框架通过口头或动作交流的方式，让学生与教师或教学实体互动，并获得反馈或指示。随着时间的推移，交互式辅导系统逐渐采用深度学习算法，结合各种数据（如文本、语音等），推断学生实时状态并定制互动方式，提供精确的反馈和进一步指导。最新的交互式辅助工具通过使用资源密集型算法和复杂的组合，不断发展和提高定制化教育的水平。个性化辅导辅助工具个性化教育对学生学习成果具有积极的影响。因此，个性化学习系统和辅导辅助工具被广泛应用于教育领域。在课程内容方面，个性化可以通过课程内容排序、提示和附加资源的显示等方式实现。创造性学习的个性化路径可以通过训练决策树并根据学生背景信息推断出来。深度强化学习在教学排序问题上的应用也越来越普遍。此外，还有一些基于信息检索和自然语言处理技术的框架，可以连接学生过去的讨论，定制学习内容，以及促进学生之间的协作。为了减少信息过载并提高学习体验，基于深度学习的课程推荐系统（）已被提出，该系统利用学生行为和课程相关数据来训练基于神经网络的推荐系统 。情感感知辅导辅助工具研究建议在设计辅导系统时应将学习者的情感和行为状态纳入考虑，以提高教学的有效性 。传感器数据可以用于跟踪学生微小的身体运动（例如目光、面部表情和姿势），从而推断学生的情感和行为状态。研究者使用交互数据构建了情感检测模型，以检测学生的情感状态。研究者比较了在军事训练中传递激励提示时使用传感器和交互数据的效果 。研究者进一步探讨了情感感知智能教学辅助工具的不同用例和研究进展。这些工具可以丰富用户体验、更好地管理和评估学习材料、提供评估提示与导航指令等 。崔宇红，等：在高等教育领域的应用、风险及应对 学习风格感知辅导辅助工具在教学过程中，了解学生的学习风格可以提高教学效果。传统的自我管理问卷被用于推断个人学习风格，最近基于机器学习的方法使用多种数据源作为输入内容，如完成的调查表、交互数据和学生的行为数据等，然后使用前馈神经网络进行分类 。等大型语言模型可用于个性化教学内容的匹配和资源提供，从而支持教师的教学过程。通过面向教师的 系统，教师可以自动化评估学生的答案并提供适应性反馈，从而减轻教师的工作量。自动评分系统（）是常见的人工智能评估系统之一，和其他大型语言模型不仅支持学生评价和反馈，还可用于生成练习和提供解决方案 。（三）教学方法优化 广泛应用于教育领域后改变了传统的教师传授为主导的单一教学模式，有利于创新教学方法。在高等教育中，借助适当的教学策略，可用于促进学习者之间的协作和团队合作。具体而言，能以学生为中心的学习策略为基准，设计各式各样的小组游戏，为学生提供不同场景下解决问题和实现目标的手段，从而提升学生在学习中的参与度和互动效果。在协作写作活动中，可通过提供风格和编辑建议以及其他集成的协作写作特征来提供帮助。对于国际学生或需要远程辅导的学生，带来的学术和经济潜力在跨地理位置服务、教学和时差方面更加深远。同时，可以与语音文字转换系统结合使用，以帮助残疾学习者（如视力障碍的学生），以保证所有学生的完全参与。此外，将 用作教学代理来激发学生好奇心和提高提问技能也是一种有效的方法，通过与 的互动，学生可以得到更深入、更广泛的知识，从而提高他们的学习动力和学习效果 。（四）学术论文写作 自动论文写作在教育领域中，人工智能技术可通过自动化评估与反馈的机器学习系统，提升学生写作技能 。研究者以 为案例，在不需要专业知识的情况下，以逻辑组织文本并添加字幕，指导 撰写了一篇题为 人工智能教育 的论文。结果表明，生成的论文连贯、准确、丰富且系统 。对于同一问题，不同语言模式的提问，的回答格式相同，具备良好的逻辑衔接和信息涵盖能力。此外，与人类相比，人工智能写作能力强，能够高效找到信息并编写专业文本，从而减轻人类智能工作负荷，有可能改变劳动力市场需求。因此，研究者建议调整高等教育的学习目标、学习活动和评估实践，培养学生合理使用人工智能的能力，同时注重发展人工智能无法替代的创造力和批判思维。学术诚信检测人工智能用于学生学习结果评估和监测的另一个方面是通过发现剽窃和其他形式的学术不当行为，确保维护学术诚信。在关于文本中学术剽窃检测的综述论文里（例如论文、报告、研究论文等）根据模糊程度的升序对剽窃形式进行分类，从逐字和近似逐字复制到翻译、释义、保留创意的剽窃和代写 。同样，剽窃检测方法已经被开发用于日益复杂的剽窃类型，并广泛采用自然语言处理和机器学习技术。例如：词汇检测方法使用 或向量空间模型来创建文档表示，随后对文档表示进行阈值化或聚类以识别可疑文档。最近，深度学习模型（如卷积和递归神经网络架构的不同变体）也已被用于剽窃检测 。（五）教与学效果评价 学生学习效果评价人工智能在学生学习结果的评价和监控中扮演着重要角色，其中知识追踪、评价和反馈是主要应用。知识追踪通过对学生的知识发展进行建模，预测他们正确回答下一个问题的能力，帮助学生确定需要努力的领域，教育者也可以根据预测结果提供有针对性的练习和学习建议 。深度知识追踪（）是一 ：种使用递归神经网络架构动态建模学生潜在知识状态以预测未来表现的模型 。自动评估是另一个重要问题，自动论文评分和自动短文答案评分等系统已经被广泛应用，这些系统通过深度神经网络自动提取特征并进行评分，根据论文质量的不同维度（如组织结构、论文清晰度、论点强度等）提供细致的评分，同时提供形成性反馈以及最终分数。这样的系统可以消除评估中的年级间差异，减轻教师负担，同时提供实时反馈帮助学生加快学习进度，因此具有更广泛的教学用途。教师教学效果评价教学素质评估是评价教学成效和保证学习目标实现的重要手段，研究结果可通过相应培训和支持提升教师教学技能，对教师的聘任、任期决策和专业成长有重要作用。传统的评估模式涉及学生评价、教师互评、自评和专家评价，但需要消耗大量的劳动力。机器学习和深度学习算法可通过学生对教师表现的评论进行情感分析，以展示学生对教师的态度和学习过程的满意程度 。此外，这些情绪和情绪效价分数可用于预测学生对教师的推荐分数，以确定影响学生评价的关键因素 。人工智能还可根据其他学习数据点来评估教学策略，如使用基于符号回归的方法评估作业结构和协作类型对学生成绩的影响，帮助教师进行自我评价。在高等教育中，教师可以利用以 为代表的大型语言模型，监控学生学习进程，通过突出讨论作业的潜在优点和缺陷，半自动地对论文、研究报告和其他写作作业进行评分，节省时间用于向学生提供个性化反馈。此外，大型语言模型还可被用于检查剽窃，有助于防止作弊。最后，大型语言模型可帮助教师自我评价，反思自己的教学策略，识别学生存在哪些困难，更准确地评估学生的学习发展和挑战。这些针对性的教学模式有助于学生获得优异成绩，并提供进一步发展的机会。四、对高等教育领域的挑战和风险在强调 等技术发展的同时，我们应该清醒地认识到此类技术的可靠性仍存在局限，由于人工智能技术在教育中的应用涉及诸多风险，包括学术诚信风险、偏见与歧视伦理风险、数据隐私与安全风险、法律与知识产权风险等，还需要加强对这些问题的研究和探讨。（一）技术局限和挑战 等大型语言模型在自然语言处理和计算机视觉等任务中表现出色，但其复杂的结构和训练过程导致其可解释性较差，模型训练过程缺乏透明度，很难解释模型在具体任务中的决策过程。此外，还存在对抗性攻击、隐私泄露和安全性漏洞等技术风险。模型在高等教育领域的应用也存在局限性，实验研究发现，在高等教育领域的应用过程中存在 类错误，包括推理错误、事实错误、数学错误、编码错误、偏见等 。因此，在高等教育中应将 作为一种辅助工具来使用，教师应该更多地依赖自己的专业知识，而不是将其视为教学过程的唯一依靠。同时，教师应该引导学生了解这些模型的局限性，以便他们能够更好地利用它们，并在需要时采取必要的预防措施。（二）学术诚信风险 等大型语言模型在高等教育中的应用引发了学术诚信、剽窃、学生作业真实性和原创性等方面的挑战和担忧。尤其是在论文写作方面，学生可以利用 等机器人生成并提交非自己完成的论文，绕过大多数剽窃检测器。针对此类问题，美国纽约的教育部门已经开始禁止使用 设备，斯坦福大学的研究小组提出了一种名为“”的新方法，旨在成为打击高等教育中机器生成文本的首批工具之一。正在研究如何在生成的文本中嵌入水印，以减少文本滥用和剽窃的风险。这些势必导致文本生成器和文本生成检测工具之间的竞赛更加激烈。此外，在高等教育中的应用可崔宇红，等：在高等教育领域的应用、风险及应对能会产生关于论文作者的真实性和可信度的疑虑，引发学术界的出版、再版、聘用和晋升等伦理问题，需要相关方面采取措施解决。（三）偏见与歧视风险大型语言模型中存在的偏见是指所生成的语言输出中存在系统性的不准确或刻板印象，它受到训练数据的影响，反映了该数据中存在的社会和文化偏见。这些偏见会对语言模型产生负面影响，如使刻板印象永久存在、造成误解或传播有害和错误的信息。特别是对于偏向某些人群的数据构建的模型，可能会产生对特定人群不公平或歧视的结果（例如：少数族裔群体或本地文化知识可能会被忽略）。在高等教育领域中，大型语言模型的偏见可能会影响教育过程和结果。因此，人们正在努力减少语言模型中的偏见，尽管 也采取了一些措施来避免偏见，但要彻底审查监管数据并避免模型中的歧视性行为是一项具有挑战性的任务，还可能存在内在的风险。（四）隐私与安全风险人工智能教育研究的法律和伦理指导方面存在不足，主要原因是大多数人工智能教育的研究人员集中在技术先进的地区，而目前大多数人工智能教育的平台和应用程序由私营部门拥有，其开发和运营缺乏透明度和有效监管 。这导致教学人员对这些平台访问的数据、存储数据的隐私和安全性以及部署模型的可解释性越来越担忧。在高等教育应用中，教师和学生普遍担心使用 等大型语言模型可能对他们的隐私和数据安全造成威胁，包括对数据泄露、未经授权访问学生数据以及将学生数据用于教育以外的目的的担忧。（五）法律与知识产权风险 的法律和知识产权风险是一个备受关注的问题，目前该领域还存在许多法律空白地带。生成的内容属于谁、是否能够赋予其作者身份，是目前面临的重要问题。根据 中华人民共和国著作权法，人工智能不被视为著作权的“作者”，因此 无法依据现有法律被直接赋予作者身份。同时，根据 的使用条款，尽管用户享有输入内容的所有权利、所有权和利益，但由于机器学习的特性，输出的内容在不同用户间并不具有唯一性，这种输出内容的转让需要排除呈现给其他 用户的结果，这导致输出内容著作权的不确定性会加剧 。五、讨论和启示借助 等大型语言模型，人工智能正在对高等教育领域产生越来越大的影响，人工智能是否会带来“知识工作结束的开始”和“大规模失业的前兆”等重大社会变革仍未可知。站在时代变革的起点，教师、学生、高等教育机构以及政策主管部门都应密切关注该领域的发展趋势，适时调整学习、教学和评估方法，以推动高等教育的高质量发展并适应当前时代的需要。（一）高校教师：转变评估方式，培养批判性思维高校教师应减少和规避学生过度依赖 等大型文本工具完成课程作业或考试的风险。为此，教师需要转变评估方式，避免公式化考试和作业，强调知识的广度和深度，设计一些如图像、视频、课堂讨论等 不擅长的写作分析任务。此外，教师还可以要求学生在写作中整合个人经历和观点，分析不适合提示的较长文本以及那些还未被收录的最新热点事件 。然而，这种方法的局限性在于不适合有效评价或仅是短期解决方案。长期来看，教师应该将 等人工智能工具纳入教学中，培养学生的创造性和批判性思维能力，并引导学生理解人工智能的优缺点。：（二）高校学生：树立伦理意识，掌握新兴技术工具高等教育阶段的学生使用 等新兴技术的熟练程度相较教师更高，因此大学生更应该具备以下能力：第一，熟悉学术诚信规范和不端行为后果；第二，具备数字素养，掌握利用人工智能工具提高学术能力的方法；第三，在使用人工智能工具时应视其为提高写作技能和产生新想法的方式，避免简单复制粘贴；第四，警惕不合标准的信息源、错误和虚假信息；第五，广泛阅读以提高批判性和创造性思维；第六，学习使用人工智能语言工具编写和调试代码，并练习使用人工智能工具来解决现实世界的问题。（三）高等教育机构：积极应对新技术，保证合理使用相较于学生和教师对新技术的接纳度，高等教育机构的反应显得迟缓，各高等教育机构始终在禁止使用和将其纳入课程的极端态度之间摇摆。从长远看，高等教育机构不应该将其视为简单的危机或挑战，而是应该看到其中的可能性，积极应对新技术，并专注于如何保持学术诚信，同时将人工智能作为创新资源，与以学生为中心的教学模式建立良好的信任关系，在机器学习中超越其局限性获得成功。为此，应推广数字扫盲教育，鼓励并支持相关研究，制定必要的课程，加强教职员工的培训，以及为学生提供学术诚信方面的讲座或课程。同时，更新学术诚信政策和荣誉守则，制定明确、易于理解的指导方针，以保证人工智能工具的合理使用。（四）政府部门：强化政策导向，协调技术发展和社会责任的关系为了促进 等大型语言模型在教育领域的应用，政策制定者应该进行前瞻思考，并有效应对教育和技术中的新挑战、新发展和更大的道德问题。首先，政府可以通过制定相关政策和法规来规范人工智能教育工具的开发和使用，并加强监管；其次，政府可以加大对人工智能教育的投入力度，鼓励企业和机构开发和应用人工智能教育工具，同时建立相应的监管机制，将模型的研发和应用与人类监控、指导和批判性思维结合起来，实现科技发展和社会责任的平衡；最后，政府还可以通过宣传和培训来提高人工智能教育的普及度，引导学生和教师正确使用人工智能教育工具，保障人工智能教育的质量和安全性。参考文献：，（）：；，（）：，：，：，（）：，：（），（）：，（）：，：，（）：，：崔宇红，等：在高等教育领域的应用、风险及应对 ，（）：，：，（）：，：，（），：，：，：，：，：，：，：，：，：（）：，（）：，：，：，：，（）：，：，：，：?，?，（）：，：，：（），（）：，（）：，（）：，：，（）：，（）：，（）：，：，（）：，（）：（）：，（）：，（）：李伟华 生成内容属于谁，存在何种法律风险？上海企业，（）：，：？，（）：，（；，）：（），：；（责任编辑况勇）崔宇红，等：在高等教育领域的应用、风险及应对