从学习者-LLM 教育对话中矿掘有效教学策略
人工智能
2025-11-07 v4 机器学习
多智能体系统
摘要
对话在教育场景中起着关键作用，但现有的大语言模型 (LLM) 教育应用评估方法主要关注技术性能或学习结果，往往忽视对学习者-LLM 互动的关注。为缩小这一差距，本 AIED Doctoral Consortium 论文提出了一种持续进行的研究，采用对话分析方法从学习者-LLM 对话中识别有效的教学策略。该方法包括对话数据收集、对话行为 (DA) 标注、DA 模式挖掘和预测模型构建。概述初步见解，作为未来研究的第一步。该工作强调，通过关注对话动态和教学策略，对基于 LLM 的教育应用进行评估的必要性。
引用
@article{arxiv.2510.17697,
title = {A Principle of Targeted Intervention for Multi-Agent Reinforcement Learning},
author = {Anjie Liu and Jianhong Wang and Samuel Kaski and Jun Wang and Mengyue Yang},
journal= {arXiv preprint arXiv:2510.17697},
year = {2025}
}
备注
Published in NeurIPS 2025