技术摘要：CourseBlueprint

问题陈述

尽管生成式文本到视频系统已实现了高度的视觉流畅性，但它们往往无法编码有效教学所需的教学内容知识 (Pedagogical Content Knowledge, PCK)。目前的方法通常将教学视频视为通用的内容生成，依赖于即兴的提示词链（prompt chaining）来生成大纲和脚本。这导致生成的视频缺乏：

1. 具备前置知识感知的序列化： 概念出现的顺序可能具有随意性。
2. 学习者自适应深度： 无论学习者角色如何，解释往往保持静态。
3. 持续的认知参与度： 教学手段（如：钩子、类比、检索提示）是偶然出现的，而非系统性地进行。

此外，现有的检索增强生成 (RAG) 方法通常仅对文本进行落地，使得视觉层容易出现“漂移”现象，即尽管文本落地正确，生成的图像仍会偏离源材料。

方法论

作者提出了 CourseBlueprint，这是一个检索增强型流水线，它用类型化教学契约 (typed instructional contracts) 取代了自由形式的提示词链。该系统基于一个本科生物医学成像语料库（BMED 2300；包含 23 节课，1,116 张幻灯片）进行操作，通过处理特定主题和学习者角色，在单次前向传递中生成结构化的教学蓝图。

核心架构

该流水线由三个协调的组件组成：

1. 教学核心 (Pedagogy Core)： 将输入转换为经过验证的、类型化的中间表示。

   • 支架模块 (Scaffolding Module)： 构建具备前置知识感知能力的概念图。它提取概念，预测有向的前置关系边，并将节点分配到五个教学阶段（动机、前置知识复习、核心构建、应用、综合）。一种确定性的环路消除算法（贪婪移除置信度最低的边）确保该图是一个有向无环图 (DAG)。
   • 自适应风格控制器 (Adaptive Style Controller)： 根据学习者角色为每个概念分配风格规范（深度、词汇量、示例密度、抽象度、类比使用），并根据封闭枚举进行验证。
   • 参与度生成器 (Engagement Generator)： 按照严格的 钩子 $\rightarrow$ 检索 $\rightarrow$ 核心 $\rightarrow$ 类比 $\rightarrow$ 前向契约 流程生成旁白。每段旁白都有长度限制（150–220 字），并且必须包含特定的教学动作（例如：好奇心缺口、对先前概念的回应以及前向链接）。
   • 可选验证器 (Optional Verifier)： 一个原子断言提取与验证步骤，用于检查事实是否相对于检索到的源材料具有落地性（在主要实验中为了控制成本而禁用）。

2. 视听栈 (Audiovisual Stack)： 将蓝图渲染为视频。

   • 确定性幻灯片图像覆盖 (Deterministic Slide-Image Override)： 系统不再依赖脆弱的提示词标记来请求特定图像，而是使用幻灯片提示映射（slide-hints map）。如果检索匹配度超过阈值 ($\tau=0.78$)，渲染器将直接插入原始讲师的幻灯片图像，绕过文本到图像的生成。这确保了视觉落地性。
   • 合成 (Synthesis)： 文本转语音生成旁白，并将其与词级时序对齐，最后使用 MoviePy 与幻灯片进行合成。

3. 评估工具 (Evaluation Harness)： 结合重复的 LLM 评判评分（1–5 分制）与基于正则表达式的客观指标（类比计数、检索提示计数、Flesch 可读性）。

核心贡献

1. 类型化 PCK 流水线： 一个通过使用经过验证的中间表示（概念树、风格化树、丰富脚本、课程蓝图）将支架、自适应和参与度集成到单次前向传递中的系统。这使得教学计划具有可检查性，并支持受控的消融实验。
2. 确定性幻灯片图像覆盖机制： 一种通过基于检索置信度的直接语料库幻灯片插入，取代基于提示词标记的图像选择的机制，显著提高了视觉落地性。
3. 可重用的基准测试： 发布了 BMED 2300 语料库（1,116 个幻灯片-转录对）、FAISS 检索索引以及结合了 LLM 评判与客观指标的评估工具。
4. 关于参与度的实证证据： 证明了结构化参与是教学视频生成的“承重”组件，显著影响了自适应性和可读性指标。

结果

系统在五个语料库内的主题（例如：滤波反投影、MRI 弛豫）上进行了评估，使用的是单一本科生角色。研究将完整系统与禁用了参与度模块（替换为单句回退方案）的消融版本进行了对比。

主要发现：

• 参与度评分： 移除参与度契约导致 LLM 评判的参与度得分从 5.00 降至 1.20。
• 自适应评分： 自适应得分从 4.80 降至 3.40，表明参与度生成器对于实现自适应风格控制器的规范在最终旁白中的落地是必要的。
• 客观指标：
  • 类比： 从每段视频 20.0 个下降到 0.2 个。
  • 检索提示： 从每段视频 18.6 个下降到 0.0 个。
  • Flesch 可读性： 从 38.0 下降到 19.8。
  • 旁白长度： 从约 2,089 字减少到约 192 字。
• 视觉落地性： 在同一主题下，幻灯片图像覆盖机制将语料库幻灯片的恢复率从 0/9（使用基于标记的提示）提高到 9/10（使用确定性覆盖）。

重要性与主张

论文认为，教学必须被视为生成式视频系统中的一等约束条件。CourseBlueprint 的主要意义在于其证明了：

1. 结构化参与至关重要： 参与度不仅仅是一个表面特征；它是实现自适应性和可读性的机制，通过它，这些特性得以在最终产物中实现。
2. 类型化契约实现可审计性： 通过使用类型化中间表示取代提示词链，系统使支架、自适应和落地过程变得可审计且易于进行消融实验。
3. 视觉落地需要确定性： 依赖提示词标记进行视觉选择是脆弱的；基于检索置信度的确定性覆盖对于防止视觉偏离源材料是必要的。

作者总结道，虽然可以实现表面上的流畅性，但有效的教学视频生成取决于显式的、类型化的教学契约，这些契约能够强制执行教学结构。论文承认了局限性，包括使用单一模型家族进行评判（存在自我偏好风险）、缺乏人类学习者评估以及主题和角色的范围较窄，并将这些作为未来的直接扩展方向。