近年來，國內與教育應用相關的大模型如雨后春筍般涌現，涉及備課規劃、作業生成、智能輔導、互動答疑、測試評價等多個教學場景。在這些教學場景中，大模型最常用的功能是生成教學所需的圖片、音視頻、教案、課件、作業、試題等，這些均屬于數字教育資源的范疇。
　　
　　我國數字教育資源建設歷經多年發展，在資源開發模式上已較為成熟，整體呈現出多方開發主體協同、多類用戶參與、多種共享手段互補的資源開發特色，但仍存在資源體量不夠大、資源開發效率不夠高等不足。大模型在數字教育資源建設領域中的引入和應用，有助于實現數字教育資源開發的批量化、海量化、高效化，為解決數字教育資源開發中的體量、效率等瓶頸問題提供新的思路和解決方案。
　　
　　1 大模型可大幅提高數字教育資源建設效率
　　
　　大模型依靠其文本理解和生成能力，能夠準確識別和理解用戶所提出的教育資源開發需求，自動生成與用戶需求相匹配的文本型資源，如教案、教學大綱、習題等。此外，大模型依靠其多模態處理能力，還可將文本、圖像、音頻、視頻等媒體元素進行融合，生成互動式教育資源，如歷史場景對話、語言學習配音、虛擬實驗操作等。同時隨著大模型在教育中的應用不斷延伸，依靠其上下文推理與交互能力，在與學生進行多輪對話過程中，能實時感知和監測學生的學習狀態和水平，并據此動態調整資源內容難度和資源呈現方式。
　　
　　可見，大模型可大幅提高資源開發效率、降低資源開發成本、提升資源精準服務水平。大模型在促進數字教育資源的快速生產，降低人力成本和時間成本的基礎上，依靠其先進的算法和強大的算力，可同時滿足面向不同學科、不同學段、不同用戶的資源生成需求，能有效解決我國教育體量龐大而數字教育資源供給相對不足的問題，助推數字教育資源的快速普及和推廣應用。
　　
　　此外，大模型能通過智能語義分析自動建立資源之間的關聯，形成多元化的資源群，構建復雜的知識圖譜。借助知識圖譜，一方面可使資源在彼此關聯基礎上形成結構化的知識體系，另一方面可實現資源的個性化分發和精準化推送，實現在數字教育資源層面的因材施教。
　　
　　2 大模型助力數字教育資源建設的實施路徑
　　
　　由大模型生成的數字教育資源在本質上是一種由資源開發者和大模型共同創作和生成的教育資源，即該類資源并不是由大模型獨立生成的，是資源開發者與大模型在彼此互動過程中以教學需求為牽引、以人機對話為手段所生成的數字教育資源。鑒于大模型生成數字教育資源過程中所具有的協同性、互動性、創造性、共生性等特點，在大模型助力數字教育資源建設的具體實施上應遵循三個原則、執行六步流程、做好四方核驗。
　　
　　三個原則即人機互促原則、人機互信原則和人機互補原則。要厘清資源開發者與大模型的各自職責范圍，既充分發揮資源開發者的意義建構和知識闡釋優勢，又大力彰顯大模型的信息加工和知識生成優勢，在人機相互促進中完成資源創作與生成。
　　
　　六步流程即確定需求、素材生成、素材審核、重組聚合、分發試用、反饋優化等六個資源開發流程。確定需求是資源開發的前端環節，即以需求調研為基礎，精準確定用戶對資源內容、表征形式、結構等方面的需求。素材生成是指資源開發者將資源需求轉化為精確提示詞，與大模型通過互動輸入的方式生成多模態數字教育資源素材。素材審核是指資源開發者與大模型以協同方式對生成的資源素材進行形式和內容篩查，剔除不符合要求的素材。重組聚合是指對大模型生成的資源素材進行聚合集成，使其形成功能齊全的資源有機體。分發試用是指將生成的資源進行小范圍分發，獲取用戶試用的第一手資料。反饋優化是指將師生用戶試用資源后的體驗和感受反饋至資源開發者和大模型，以達成數字教育資源的迭代開發和持續優化。
　　
　　四方核驗即由資源開發者、學科專家、資源使用者、AI檢測工具四方協同，對資源進行多維核驗，核驗通過的資源方可進入正式流通環節。其中，資源開發者主要從規范性、交互性、互操作性、可復用性等維度對資源的技術屬性進行把關；學科專家主要從科學性、準確性、權威性、完整性、相關性、時效性等維度對資源內容屬性進行審查；資源使用者主要從教學設計合理性、教學活動支持度、教學場景適配性、教學目標達成度等方面對資源的教學性能進行核查；AI檢測工具則主要對資源的訓練數據來源、語言質量、技術標準等進行自動篩查。
　　
　　3 控制和化解數字教育資源建設風險
　　
　　隨著大模型在教育教學中的應用日益廣泛，由大模型生成的數字教育資源正逐漸成為傳統數字教育資源的重要補充。但受制于數據、算法等方面的局限性，數字教育資源開發中應用大模型存在一定的風險，既包括技術及方法層面的風險，也包括內容及倫理層面的風險，如生成資源的版權歸屬存在爭議、生成資源的質量難以保證、用戶隱私信息容易泄露等。對這些可能存在的風險進行有效控制和化解，是大模型助力數字教育資源建設可持續性發展的關鍵所在。
　　
　　提升訓練數據質量，優化大模型算法。大模型生成數字教育資源過程中起點是數據，訓練數據決定了大模型的輸出質量。一方面，要整合來自不同領域和多種格式的大數據，保證數據源主題和內容的廣泛性。另一方面，要建立數據源白名單制度，使用經過官方認證的大數據作為訓練數據源，確保數據源的科學性和可靠性。同時，要根據資源開發需求建立學科領域微調模型，基于國內主流大模型架構，根據各學科特點對大模型算法進行微調，提升算法的準確性和適切性。
　　
　　加強對大模型背后“算法黑箱”的審查和管控。要對教育教學領域的大模型進行全面監管，包括事前、事中和事后全過程監管。事前監管主要指制定嚴格的標準和指南，事中監管主要指對大模型平臺運行過程進行實時監控，事后監管主要指對大模型平臺生成的內容進行質量抽檢和審查。同時，建議在大模型中添加用戶反饋系統模塊，設置用戶反饋算法，對用戶反饋情況進行篩選整合并作為訓練數據集的新構成。
　　
　　大力提升資源開發者的提示素養。大模型在生成資源時依賴于資源開發者輸入的提示詞，精心設計的提示詞可以引導大模型生成更科學準確的資源內容，從這一點上來講，資源開發者必須具備較強的提示素養。所謂提示素養，是指人與大模型進行有效互動的技能，包括對大模型的理解與認知、提示詞編寫技能以及對生成內容的評估技能等。要提升資源開發者的提示素養，必須設計科學完備的提示素養課程，開展形式多樣的提示素養提升培訓活動，使資源開發者系統掌握提示詞設計知識和技能；要將提示素養作為資源開發者的關鍵素養，納入到對資源開發者的評價考核體系中，設計階梯式提示素養認證框架，提升資源開發者與大模型的協同互動能力和資源共創水平。
　　
　　（作者系中南民族大學教育學院院長、教授，本文系教育部人文社會科學研究規劃基金項目“高校思政課數字化轉型的動力機制、障礙因素與行動路徑研究”［24YJA710043］成果）