在通用人工智能教学助理中开发可扩展、灵活和实时混合微观个性化的快速工程方法

arXiv:2609.03402v1 公告类型：新 摘要：由大语言模型 (LLM) 提供支持的人工智能 (AI) 助教提供可扩展的教育支持，但通常提供有限的个性化。这项研究提出了一个基于即时工程的框架，用于跨学科和课程个性化基于 LLM/RAG 的通用 AI 助教，例如 Jill Watson。该框架使用六个特定于学习者的维度来调整响应：自我评估、抽象偏好、冗长偏好、知觉取向、信息处理风格和理解水平，产生 96 个不同的学习者概况。此外，还使用布鲁姆分类法对学生查询进行分析，以估计交互级别的认知复杂性。学习者属性和认知评估被编码在结构化提示中，这些提示可以调节法学硕士，而无需模型重新训练。该框架通过使用 NLP 指标的实验和五名参与者的人体研究进行评估。结果显示，不同个性化条件下的反应风格和结构存在明显差异，统计分析确定了与可测量的反应变化相关的学习者属性。这些发现提供了初步证据，表明基于提示的个性化可以支持法学硕士支持的教育代理的适应性行为。