高等教育中负责任生成式人工智能适应的主题发现与分类
人工智能
2025-12-19 v1
摘要
随着生成式人工智能（GenAI）在提供个性化学习体验和实时反馈方面的能力日益增强，越来越多的学生开始将这些工具融入他们的学术工作流中。他们使用 GenAI 来澄清概念、解决复杂问题，在某些情况下还通过复制粘贴模型生成的内容来完成作业。虽然 GenAI 有潜力增强学习体验，但它也引发了关于错误信息、幻觉输出及其可能削弱批判性思维和解决问题能力的担忧。作为回应，许多大学、学院、系和教师已开始制定并采用指导 GenAI 在学习环境中负责任整合的政策。然而，这些政策在各机构和情境之间差异很大，其不断演变的性质常常使学生对期望和最佳实践感到不确定。为应对这一挑战，作者设计并实现了一个自动系统，用于发现和分类课程大纲和机构政策网站中找到的 AI 相关政策。该系统结合无监督主题建模技术来识别关键政策主题，并利用大语言模型（LLMs）对政策文本中的 GenAI 允许级别和其他要求进行分类。所开发的应用程序在主题发现方面达到了 0.73 的一致性得分。此外，基于 GPT-4.0 的政策类别分类在八个已识别主题上的精确度介于 0.92 到 0.97 之间，召回率介于 0.85 到 0.97 之间。通过提供结构化和可解释的政策信息，该工具促进了 GenAI 技术在教育中的安全、公平和教学对齐使用。此外，该系统可以集成到教育技术平台中，以帮助学生理解和遵守相关指南。
引用
@article{arxiv.2512.16036,
title = {Topic Discovery and Classification for Responsible Generative AI Adaptation in Higher Education},
author = {Diane Myung-kyung Woodbridge and Allyson Seba and Freddie Seba and Aydin Schwartz},
journal= {arXiv preprint arXiv:2512.16036},
year = {2025}
}