大模型教育生成同质化：多样性提示难改教学同质化

摘要：一项针对数学题目与论文反馈生成的研究发现，前沿和开放权重大模型的输出均明显少于人类作者：直接提示结果的词汇相似度高78%，语义相似度高51%。两种多样性提示与后训练虽能增加表面变化，却未拓展教学活动与修改策略的覆盖范围。研究据此指出，模型会继承并放大规范化教学惯例，突破生成同质化不能只依赖提示工程，还需要更丰富的教学数据、教师创造力与专业判断。

---

核心发现：模型输出在教育任务中出现明显同质化

这项研究比较了前沿模型、开放权重模型与人类编写内容在两类教育生成任务上的多样性：数学题目生成，以及论文反馈生成。评估不只看文本表面差异，还分别考察词汇、语义和教学领域特征，以区分“措辞变化更多”与“教学方式真正更丰富”。

在直接提示条件下，模型输出相对人类参考内容的词汇相似度高78%，语义相似度高51%。这意味着模型虽然能生成语法正确、形式多样的答案，但其中心化程度明显更高，往往反复落在少数安全且规范的教学模板上。

评测设计：从表面差异走向教学行为

研究将数学题目拆解到学生被要求执行的数学活动，将论文反馈拆解到学生被要求完成的修改工作及反馈采用的修辞策略。这样的设计比单纯计算句子差异更接近教育场景：两段文字即使措辞不同，如果都只要求学生套用同一种解题步骤或按同一种方式修改论文，仍属于教学层面的同质化。

Self-BLEU用于衡量生成样本之间的词汇重叠，嵌入相似度用于观察语义聚集现象，领域指标则检查不同教学活动和反馈策略是否真正被覆盖。三层指标结合，可以避免把同义词替换误判为真正的教学多样性。

多样性提示与后训练为何仍不够

研究评估了直接提示、两种多样性提示方法以及后训练。总体上，这些方法可以提高输出的表面变化，却没有显著扩大教学活动库：数学题仍集中于常见认知操作，论文反馈也未充分覆盖多样化修改任务和修辞策略。

从生成机制看，这符合LLM的典型模式坍缩表现。模型倾向输出训练分布中概率较高、频率较高且教师更容易接受的答案。多样性提示可能改变句式、语气或局部措辞，却未必改变决定题目结构与反馈目标的高层语义规划。如果后训练奖励仍以正确性、清晰度或“像标准答案”为中心，模型甚至可能把少量表面噪声包装得更丰富，却继续收敛到少数规范范式。

工程权衡：更丰富的输出不等于更好的教学

对教育产品而言，Self-BLEU下降或嵌入分散度上升并不自动意味着学习效果改善。测试集若主要来自同一教材体系、年级或教师群体，人类参考分布本身就会偏向规范化表达；模型在这样的集合上可能看起来与教师高度一致，却无法适应不同课程文化、弱势学生需求或非标准解法。

更合理的后训练目标应同时覆盖：

• 任务多样性：不同题目是否要求推理、构造、解释、迁移、验证等不同活动；
• 反馈多样性：是否包含内容修订、论证重构、证据补充、结构调整等不同路径；
• 语言表达多样性：句式与措辞是否避免集中于高频模板；
• 教学有效性：变化是否真正促进学生理解，而非只提高自动指标。

后训练还会引入数据标注、偏好排序和人工审查成本。若训练数据本身遵循单一课程规范，偏好模型可能把“规范”误当成“优质”，进一步放大原有偏差。因此，数据策展和教师参与并非评测后的装饰性工作，而是训练信号本身。

开发者与学校落地建议

1. 建立分层多样性看板：分别报告词汇、语义和教学活动覆盖率，避免用一个多样性分数概括全部质量。
2. 对模型输出做模式聚类：在部署前按题意、认知操作、反馈目标和修辞策略聚类，检查模型是否长期集中于少数模板。
3. 保留教师专业判断：模型可以起草题目和反馈，但教师应决定目标活动、难度梯度、文化适配及是否真正提供多种有效路径。
4. 构造异质训练集：纳入不同课程传统、学生群体和专家教师的数据，避免用单一“标准答案”文化代表教育质量。
5. 增加课堂结果评测：把生成多样性连接到学生完成率、修订质量、迁移能力和学习投入，而不只看模型与参考答案的相似度。

研究边界

摘要未披露全部模型清单、数据规模、教师样本量、领域指标的标注一致性以及统计显著性，因此78%和51%的结果应视为该研究设置下的核心观察，而非对所有模型的普适常数。人类参考材料也可能受教材与评分规范影响；进一步复现需要公开任务集合、提示模板、模型版本、后训练配置及完整的领域标注方案。

结论

大模型正在把既有教育规范复制得更快、更稳定，却没有自动创造新的教学活动。提示工程可以改变输出表面，后训练可以调整概率分布，但如果训练目标和数据仍然只奖励“标准答案”，模型大概率只会生成更多同一种正确模板。

---

消息来源：ArXiv NLP/LLM (cs.CL) (2026-11-13)

—— 完 ——

主题标签： #LLM多样性 关注 #教育生成 关注 #模式坍缩 关注 #提示工程 关注 #后训练 关注