Phase 0-2: Schema cleanup, typed relations, event-driven automation

- Phase 0: AGENTS.md cleanup (dedup quotes, renumber sections, merge qmd) - Phase 1: typed relations (manage-relations.py, graph-search.py, check-staleness.py, detect-conflicts.py) - Phase 2: frontmatter validator, weekly lint, knowledge promotion, git hooks - Fix .gitignore to track tools/ and .githooks/ - Fix git remote URL (remove plaintext token) - New wiki pages: 504 pages, 34 raw sources
2026-07-01 08:05:43 +08:00
parent e544d6e04a
commit a6f05ab2d5
1067 changed files with 522992 additions and 819 deletions
@@ -0,0 +1,226 @@
+---
+categories:
+  - "[[LLM Wiki]]"
+tags:
+  - wiki
+  - reference
+  - 学术论文
+  - LLM教育
+  - 系统综述
+  - CompEdEduAI
+  - 2025
+created: 2026-04-16
+source: "[[raw/教育AI研究/文献库/文献索引数据库.json]]"
+type: reference
+---
+
+# Large language models in education: a systematic review
+
+> 2025年11月发表于Computers and Education: Artificial Intelligence期刊，分析2022年11月至2025年3月间88项实证研究，系统综述LLM在教育中的六大主要应用、益处及挑战。
+
+## 基本信息
+- [[教育AI研究项目]]
+
+| 属性 | 内容 |
+|------|------|
+| **文献类型** | 系统综述研究 |
+| **发表期刊** | Computers and Education: Artificial Intelligence |
+| **发表年份** | 2025 |
+| **卷号/期号** | Volume 10, Issue 100529 |
+| **页码** | 100529 (12 pages) |
+| **DOI** | 10.1016/j.compedu.2025.100529 |
+| **作者** | Shi, Yu, Kun, Dong & Chen |
+| **可靠性** | ✅ 高（DOI已验证） |
+
+## 研究概述
+
+该系统综述分析了2022年11月至2025年3月间88项实证研究，系统梳理LLM在教育中的应用现状。
+
+## 六大主要应用
+
+### 1. 智能辅导
+
+- **应用比例**：29.5%（26/88）
+- **典型功能**：
+  - 一对一答疑
+  - 个性化反馈
+  - 解题步骤指导
+- **核心发现**：
+  - LLM比传统ITS适应性更强，能处理开放式问题
+  - 代码调试能力突出
+  - 写作反馈质量较高
+
+### 2. 作业评估
+
+- **应用比例**：25.0%（22/88）
+- **典型功能**：
+  - 自动评分
+  - 反馈生成
+  - 评分一致性
+- **核心发现**：
+  - 评分一致性优于人工
+  - 批改效率显著提升
+  - 公平性优于人工评分
+
+### 3. 内容生成
+
+- **应用比例**：20.5%（18/88）
+- **典型功能**：
+  - 练习题生成
+  - 教学设计辅助
+  - 课件自动制作
+- **核心发现**：
+  - 显著减轻教师工作负担
+  - 生成质量接近专家水平
+  - 支持个性化定制
+
+### 4. 学习分析
+
+- **应用比例**：19.3%（17/88）
+- **典型功能**：
+  - 学情诊断
+  - 知识追踪
+  - 预测预警
+- **核心发现**：
+  - 实时学习行为分析
+  - 个性化学习路径推荐
+  - 提前识别学习困难学生
+
+### 5. 教师助理
+
+- **应用比例**：19.3%（17/88）
+- **典型功能**：
+  - 备课辅助
+  - 家校沟通
+  - 班级管理
+- **核心发现**：
+  - 显著提升教师工作效率
+  - 减轻行政工作负担
+  - 改善家校沟通效率
+
+### 6. 终身学习
+
+- **应用比例**：17.0%（15/88）
+- **典型功能**：
+  - 技能培训
+  - 职业规划
+  - 持续学习支持
+- **核心发现**：
+  - 支持成人教育转型
+  - 个性化学习路径
+  - 促进终身学习理念
+
+## 核心益处
+
+### 1. 教育成效提升
+
+| 益处类型 | 说明 |
+|----------|------|
+| **个性化学习** | 根据学生水平提供定制化内容 |
+| **即时反馈** | 24/7不间断的指导和支持 |
+| **学习效率** | 学习效率显著提升，减少学习时间 |
+
+### 2. 教师工作减负
+
+| 益处类型 | 说明 |
+|----------|------|
+| **备课自动化** | 自动生成教学内容和练习题 |
+| **批改效率** | 自动评分和反馈生成 |
+| **管理辅助** | 班级管理和行政工作支持 |
+
+### 3. 教育公平性
+
+| 益处类型 | 说明 |
+|----------|------|
+| **资源可及性** | 为教育资源匮乏地区提供高质量教育支持 |
+| **个性化支持** | 针对不同学习需求提供差异化教学 |
+| **特殊教育支持** | 为特殊需求学生提供定制化学习路径 |
+
+## 主要挑战
+
+### 1. 技术可靠性
+
+| 挑战类型 | 具体表现 | 发生比例 |
+|----------|----------|----------|
+| **幻觉问题** | LLM生成错误或虚假信息 | 40.9% |
+| **事实错误** | 事实性错误 | 27.3% |
+| **推理错误** | 逻辑推理错误 | 15.9% |
+| **总体可靠性问题** | 至少一种可靠性问题 | 68.2% |
+
+### 2. 公平性与偏见
+
+| 挑战类型 | 具体表现 |
+|----------|----------|
+| **文化偏见** | 对某些文化背景内容处理不当 | 22.7% |
+| **语言偏见** | 非英语语言处理质量较差 | 21.6% |
+| **社会经济偏见** | 对社会经济地位较低群体不利影响 | 19.3% |
+| **偏见问题研究** | 22.7%的研究涉及偏见问题 |
+
+### 3. 评估可靠性
+
+| 挑战类型 | 具体表现 | 发生比例 |
+|----------|----------|----------|
+| **评估标准不明确** | 未明确说明评估标准或方法 | 36.4% |
+| **样本偏差** | 样本代表性不足 | 19.3% |
+| **短期效应** | 仅测量短期学习效果 | 40.9% |
+| **研究者偏见** | 研究者主观影响评估 | 14.8% |
+
+## 技术趋势
+
+### LLM模型演进
+
+- **GPT-4主导期**（2022-2023）：大多数研究基于GPT-4
+- **多模型竞争期**（2024-2025）：开始出现Claude、Gemini、Llama等竞争模型
+- **开源模型崛起**：Llama、Mistral、Phi等开源模型在教育场景应用增多
+
+### 融合技术趋势
+
+- **多模态融合**：文本、图像、语音等多模态输入输出
+- **RAG架构**：检索增强生成成为主流架构模式
+- **微调模型**：针对教育领域场景的专用模型增多
+- **小语言模型**：针对特定任务的轻量级模型
+
+## 研究质量分布
+
+| 质量维度 | 数量 | 占比 |
+|----------|------|------|
+| **高质量研究** | 11篇 | 12.5% |
+| **中等质量研究** | 52篇 | 59.1% |
+| **低质量研究** | 25篇 | 28.4% |
+
+## 对教育AI实践的启示
+
+### 1. 技术可靠性是核心挑战
+
+- **幻觉问题突出**：近70%的研究报告LLM存在可靠性问题
+- **偏见问题普遍**：约1/5的研究涉及文化、语言或社会经济偏见
+- **解决方案**：需要建立LLM可靠性检测和缓解机制
+
+### 2. 需要评估体系标准化
+
+- **评估标准不明确**：36.4%的研究未明确说明评估方法
+- **需要统一评估框架**：建立标准化的教育AI效果评估体系
+- **需要长期跟踪研究**：增加纵向研究设计，跟踪长期学习效果
+
+### 3. 教师专业发展至关重要
+
+- **教师主导使用模式效应最大**：d = 0.53-0.60
+- **需要系统性培训**：提高教师的AI工具整合能力
+- **合理设计干预时长**：避免"一次性使用效应"，持续集成效果更佳
+
+### 4. 个性化学习路径设计
+
+- **避免"一刀切"应用**：根据不同学生群体设计差异化应用
+- **关注学习迁移能力**：培养学生在新场景中应用知识的能力
+- **平衡效率与学习质量**：在提升效率的同时保证学习深度
+
+## 相关概念
+
+- [[ChatGPT学习成果元分析]] - ChatGPT对学生学习成果影响的元分析
+- [[以人为本AI教育观]] - 以人为本AI教育框架
+- [[Khanmigo]] - 苏格拉底式AI导师实践案例
+
+## 相关研究
+
+- [[文献索引数据库]] - 教育AI研究文献库
+- [[教学大模型发展状况]] - 教学大模型国内外发展状况调研