概念驱动的 AI 教学助手引导学生获得更深入的见解

在当今的教育环境中，生成式 AI 工具既带来了福音，也带来了挑战。虽然这些工具提供了前所未有的信息获取途径，但也引发了对学术诚信的新担忧。越来越多的学生依靠 AI 直接回答家庭作业问题，而这通常以牺牲培养批判性思维技能和掌握核心概念为代价。

大学和教育工作者面临着越来越多的两难境地：如何利用 AI 的强大功能作为教学工具，同时确保它补充而不是缩短学习过程。关键在于开发引导学生进行理解的系统，而不是简单地传递答案。

除了学术诚信问题外，许多大学还在努力解决助教 (TA) 短缺问题。在克莱姆森大学和全国各地的机构中，计算机科学和其他 STEM 领域的注册人数增长超过了助教支持的速度。在某些课程中，学生与助教的比率为 20：1。在中期和项目截止日期等繁忙时期，这种不平衡通常会导致学生无法及时获得所需的帮助。

为了应对这一挑战，我们的 Clemson Capstone 团队着手使用 NVIDIA AI Blueprint 构建一个虚拟教学助手 (VTA) ，用于检索增强生成 ( RAG ) ，并由 NVIDIA NeMo Retriever 和 NVIDIA NIM 微服务提供支持。我们的目标是开发可扩展、随时可用的学习助手，通过指导学生完成概念和解决问题来鼓励他们学习，而不是简单地提供答案。

我们的解决方案：一个概念为中心的虚拟教学助手

我们的团队与 NVIDIA 合作开发了一款基于 NVIDIA RAG Blueprint 的 AI 赋能教学助手，旨在解释基本概念、指导学生完成问题解决流程，并最终促进更深入的理解。

我们的方法的独特之处在于集成了三个关键组件：

1. NVIDIA RAG Blueprint：提供快速的检索增强型生成，仅提取最相关的课程片段，将每个解释固定在可验证的来源中，并自动格式化引用。 此主干网络可让助手保持基于事实的同时保持对话。
2. NVIDIA NeMo Guardrails ：添加道德护栏，可拦截“Just give me the solution”查询，并将其转换为支架导向。自定义操作可对意图进行分类、重新编写提示并执行引文检查，确保 AI 鼓励学习并遵守学术诚信政策。
3. 课程数据管理 API ：借助 RAG 知识库桥接 Canvas，同步模块、截止日期、测验和上传文件。在此实时环境中，助手针对每个学生正在学习的确切材料定制示例、提醒和提示，使回复针对特定课程而非泛化。

技术实施

我们的 AI-powered TA 系统利用 NVIDIA 的多个 Docker 容器和 Canvas 平台 UI。

基于 NVIDIA AI Blueprint for RAG 构建

我们的实现以适用于 RAG 的 NVIDIA AI Blueprint 为基础。此架构使我们的教学助理能够：

• 根据上下文处理和理解学生查询。
• 检索相关课程材料和资源。
• 生成侧重于 Conceptual Understanding 而非直接回答的回复。
• 维护交互中的对话式环境。

NeMo Guardrails：确保将合乎道德的 AI 用于教育

随着大语言模型 (LLM) 的日益普及，对引文验证的需求变得更加迫切。RAG 方法的最新进展有助于减少生成内容中的幻觉。但是，如果没有额外的验证方法，在建立可信度方面仍然存在重大挑战。

我们系统的一个关键改进是集成了 NeMo Guardrails ，它：

• 分析学生的问题，以确定他们是寻求概念理解还是直接答案。
• 将直接作业问题查询重定向到概念性解释。
• 提供支架式指导，引导学员自行寻找答案。

NeMo Guardrails 中的 Custom actions

动作是小型 Python 函数，NeMo Guardrails 可以在对话的特定点调用这些函数，以检查、修改或替换模型的回复。每个操作都可以看到完整的聊天上下文，并且可以调用 API、过滤文本或生成新消息，然后再将控制权交还给工作流程。这使得我们能够在 RAG 流程上执行以 VTA 层学习为中心的提示和硬引用检查，无需重新训练基础模型，即可获得经过验证、可信的 LLM 答案。

我们添加了三个此类操作：

1. Quiz_response：检测测验式问题并重写提示，以便助手解释核心概念，提供简短示例，并以指导性问题结束。
2. Homework_brainstorm：将作业查询转换为结构化的一系列提示，将任务分解为多个步骤，同时保留最终答案。
3. Code_debug：向学员讲解调试策略，指出可能的错误点并提出测试建议，而无需直接修复代码。这些操作共同防止直接回答泄露，确保所有回答始终以包含内联引用的顶级检索课程材料为基础，并促进主动学习和理解。

这些只是可能性的几个示例，因为该系统具有高度可配置性，并且最终用户可以对其进行扩展，以支持任何教学或组织需求。

课程数据管理器 API

我们开发了自定义课程数据管理 API，通过安全访问令牌与 Canvas 集成。此集成支持：

• 了解课程内容、作业截止日期和上下文 。通过自动同步最新的模块、文件和截止日期，助手可以引用当前主题并提醒学生注意 Canvas 即将推出的里程碑。
• 根据特定课程材料提供个性化回复 。由于检索到的每个项目都与课程元数据一起编入索引，因此助手会根据每个学生正在使用的确切读数、讲座或 rubrics 定制解释、提示和引文，从而创建针对特定课程而非通用的指导。

用户界面和体验

我们的虚拟教学助手提供直观的界面，鼓励以学习为重点的互动：

• 对话式界面支持后续问题 并保留轮流聊天记录，因此学生可以在不丢失上下文的情况下改进或挖掘更深入的内容。
• 明确指示何时提供概念指导。这一点通过细微的标签和颜色提示来突出显示，表明助手正在指导而不是提供解决方案。
• 用于获取课程信息的界面 。专用面板可将虚拟教学助理连接到课堂材料和文件，以便其按需导入正确的上下文。

对教育的影响

我们的 AI 教学助手的实施为教育机构带来了一些关键优势：

• 增强学习 ：该助手通过指导学生了解基本原理而不是提供解决方案，加强对概念的掌握，鼓励元认知，并提示学习者阐明自己的推理。这种积极的过程反映了一对一的辅导课程，增强了长期保留和解决问题的信心。
• 学术诚信：阻碍直接回答提取、需要来源支持的解释以及记录可疑请求的护栏有助于阻止寻求捷径和抄袭。讲师可以相信，AI 支持符合课程目标和评估策略，而不是破坏这些目标和策略。
• 可扩展支持 ：该助手全天候提供个性化的上下文感知型帮助，这对于注册人数较多的人工助教来说是不切实际的。随着使用量的扩大，每位学生仍会收到根据其课程材料量身定制的及时反馈，从而使教师能够专注于价值更高的教学活动。

未来发展

虽然我们目前的实施为以概念为中心的学习提供了强大的支持，但我们也发现了一些未来改进的途径。克莱姆森将与该大学的中央 IT 团队合作，在整个校园内开展试点，为普通学生提供访问权限。在技术方面，可以强化护栏，以防止为获取完整解决方案而做出越来越微妙的尝试，确保导师始终以学习为中心。我们将添加随附的分析仪表板来报告系统故障，包括常见的误解、未回答的问题和引用差距，以便讲师可以完善课程材料。我们将开发非代码扩展程序 hook，使其他机构能够轻松定制 Blueprint，并将其与 Canvas 帐户或其他学习管理平台集成。

总结

我们开发的 VTA 展示了如果实施得当，AI 如何增强而不是破坏教育目标。我们的系统专注于概念解释而不是提供答案，有助于保持学习过程的完整性，同时仍然为学生提供宝贵的支持。

随着教育机构继续在学术环境中应对 AI 的复杂性，我们的解决方案为负责任的实施提供了蓝图，在支持技术进步的同时维护教育价值观。

展望未来，其他学校可以通过交换课程内容、根据当地政策微调 guardrails 以及打包特定学科的知识包来扩展这一蓝图。由于代码库是模块化的，并已与 Canvas 集成，因此各机构可以快速试用该助手，并通过蓝图的发布，使其适应其他 LMS 平台，添加自定义 analytics，并与社区分享新功能，从而打造由 AI 驱动的学习工具组成的协作生态系统。

要访问我们的代码库并运行我们的应用，请访问 GitHub 。

致谢

该项目是 2025 年春季克莱姆森大学 Capstone 计划的一部分，得到了克莱姆森计算学院和 Department of Computer Science 的支持。Dori 的命名和创意灵感来自于 2024 年秋季 Capstone 团队：Chloe Crozier、Ethan Anderson、Justin Silva 和 Teja Guruvelli。特别感谢 Professor Carrie Russell 以及我们的教职人员和同行的宝贵指导和评论。