面向 LLM 教学智能体的自适应脚手架理论
计算与语言
2026-03-24 v2
摘要
大型语言模型（LLMs）为创建能够通过有意义对话支持学生学习的教学智能体提供了新机会。然而，当前用于课堂中的 LLM 系统往往缺乏早期智能辅导系统所具有的坚实理论基础。为弥合这一差距，我们提出了一种框架，结合证据中心设计（Evidence-Centered Design）、社会认知理论（Social Cognitive Theory）和可证明学习区（Zone of Proximal Development），用于 LLM 基于教学智能体的自适应脚手架。我们以 Inquizzitor 为示例实现该框架，这是一个集成人类-AI 混合智能、提供基于认知科学原则反馈的 LLM 基于表单评估智能体。我们的发现表明，Inquizzitor 提供的评估和交互符合核心学习理论，能够为学生提供有效指导且受到学生青睐。该研究表明了以理论驱动方式集成 LLM 在教育领域的潜力，突显了这些系统能够提供自适应且原则导向的教学指令的能力。
引用
@article{arxiv.2508.01503,
title = {A Theory of Adaptive Scaffolding for LLM-Based Pedagogical Agents},
author = {Clayton Cohn and Surya Rayala and Namrata Srivastava and Joyce Horn Fonteles and Shruti Jain and Xinying Luo and Divya Mereddy and Naveeduddin Mohammed and Gautam Biswas},
journal= {arXiv preprint arXiv:2508.01503},
year = {2026}
}
备注
Published in the proceedings of AAAI 2026 (main technical track)