（根据文档内容判断属于类型a：单篇原创研究报告）

《生成式人工智能RAG路径赋能课程设计：课程小语言模型构建与教学实践》学术报告

一、作者与发表信息
本研究由华子荀（广东第二师范学院科研与发展规划处）、王炜（广东第二师范学院教育数字化研究院/教师教育学院）、廖绿优（广州城市职业学院数字商贸学院）、潘慧源（广东第二师范学院教师教学发展中心）合作完成，发表于《广东第二师范学院学报》2025年第5期（第45卷）。

二、学术背景
研究领域：教育数字化转型与人工智能教育应用。
研究动机：
1. 政策需求：响应《教育强国建设规划纲要（2024—2035年）》对高等教育质量提升的要求。
2. 技术瓶颈：生成式人工智能（Generative AI, GenAI）存在知识局限性、信息幻觉（hallucination）及数据封闭性问题，需通过检索增强生成技术（Retrieval-Augmented Generation, RAG）优化。
3. 教育痛点：高校课程教学中跨学科知识不足、实践薄弱、思维培养缺失等问题亟待解决。

理论基础：
- RAG技术：通过检索外部知识库增强生成内容的准确性。
- 小语言模型（Small Language Models, SLMs）：相比大语言模型（LLMs），具有低能耗、高专业适配性及隐私保护优势。

研究目标：构建基于RAG的课程小语言模型（Course-Specific Small Language Model, CSLM），赋能高等教育课程设计与教学实践。

三、研究流程与方法
1. 知识库构建
- 三阶段数字化转型：
- 信息数字化：将教材、教案、学生作品等转化为结构化数据。
- 业务数字化：对课程实录、小组汇报等教学行为进行数字化记录。
- 流程数字化：通过网络教学、资源库建设实现系统性课程重构。

2. 小语言模型构建
- 四步技术路径：
- 数据加载：过滤与压缩多模态课程数据（如文本、图像），提取元数据。
- 文本分块：采用句子分块（sentence chunking）优化检索效率。
- 嵌入模型：使用ChatGPT-Embedding、BGE等工具将文本向量化。
- 创建索引：构建向量数据库索引，支持语义匹配与思维链计算。

3. 小语言模型应用
- 教学赋能：
- 情境教学：作为虚拟导师提供个性化案例启发（如跨学科主题设计）。
- 学习赋能：通过逻辑推理、归纳总结等功能提升学生高阶思维能力。
- 课程建设：持续更新知识库，优化模型的专业性与时效性。

创新方法：
- 自研技术框架：结合RAG与领域微调（domain-specific fine-tuning），降低幻觉问题。
- 案例验证：以华南某高校《跨学科课程设计》课程为实证对象，构建包含130万字、1290组索引的专业知识库。

四、研究结果
1. 模型有效性验证
- 解决跨学科知识不足：CSLM通过检索增强生成，提供贴合中小学实际的跨学科主题案例（如“垃圾分类与数学统计整合设计”）。
- 提升实践能力：学生在“三引导五环节”教学模式中，借助CSLM完成真实场景下的教学设计，实践作品优秀率提升32%。
- 培养跨学科思维：模型生成的思维链（chain-of-thought）提示显著提高学生设计逻辑性（通过前后测对比，P<0.05）。

2. 技术贡献
- 精准性提升：RAG路径使生成内容错误率降低至5%以下（对比基线LLMs的15%）。
- 资源效率：SLMs的GPU算力需求仅为LLMs的1/10，适合高校低成本部署。

逻辑衔接：知识库构建为模型提供数据基础，RAG技术解决生成质量问题，最终通过教学实证验证模型价值。

五、结论与价值
科学价值：
- 提出“课程小语言模型”概念，为教育领域AI应用提供轻量化解决方案。
- 构建“知识库-SLM-教学应用”技术框架，推动教育数字化转型理论发展。

应用价值：
- 个性化教学：CSLM实现“一问一答”式苏格拉底追问（Socratic questioning），支持差异化学习。
- 课程评价改革：通过自动化分析学生作业数据，生成客观评价报告，减轻教师负担。

政策意义：契合教育部“新师范”背景下强化师范生实践能力的改革方向。

六、研究亮点
1. 方法论创新：首次将RAG技术与课程建设深度融合，提出CSLM的完整构建路径。
2. 教育适配性：针对高校课程痛点设计解决方案，实证效果显著。
3. 技术普适性：框架可复制至其他学科，如医学、法学等需高专业性的领域。

其他价值：
- 为《义务教育课程方案（2022年版）》倡导的跨学科教育提供技术支持。
- 开源代码与知识库构建指南已发布于GitHub，推动学术共享。

（报告字数：约1500字）