AI教学法：人工智能代理的对话式社会学习

大型语言模型（LLM）在处理大规模离线数据集方面已显示出惊人的能力。然而，它们常常面临在线获取和整合复杂知识的挑战。传统的AI训练范式，主要基于监督学习或强化学习，类似于“皮格顿”式的独立探索模型。这类方法通常依赖大规模数据集和稀疏反馈信号，限制了模型从交互中高效学习的能力。drawing inspiration from Vygotsky's sociocultural theory, 本研究探索了社会介导的学习范式以解决这些限制。我们引入了一个称为“AI社交训练营”的动态环境,人工智能学习代理与具有知识的AI教师代理进行二人诊 pedagogical dialogues。这些互动强调外部、结构化的对话作为知识获取的核心机制,与仅依赖内部推断或模式识别的方法形成对比。我们的研究聚焦于不同的教学策略如何影响AI学习过程中的本体论获取。在实证研究中，我们发现，这种对话式方法——特别是结合自上而下解释与学习者发起提问的混合方向互动——显著提高了LLM获取和应用新知识的能力,超越了单向指令方法和直接访问结构化知识(通常存在于训练数据集中的格式)。这些发现表明,将教学和心理学见解整合到AI和机器人训练中,可以显著改善训练后知识的获取和响应质量。这种方法为现有策略(如提示工程)提供了一条互补路径。