断言增强的少样本学习：指导大语言模型生成教育性解释的教学技术
计算与语言
2024-01-23 v3
摘要
人类教育者具备一种内在能力，能够预测并寻求学生的教育性解释，这驱使他们能在学生无法独立阐述这些解释时提出发人深省的问题。我们旨在利用大语言模型的少样本学习能力，为智能教学系统赋予这种能力。我们的工作提出了一种新颖的提示技术——断言增强的少样本学习，以促进生成准确、注重细节的教育性解释。我们的核心假设是，在教育领域，少样本演示是生成高质量解释的必要但非充分条件。我们进行了一项有12名在职教师参与的研究，将我们的方法与传统的少样本学习进行了比较。结果表明，经教师评估，断言增强的少样本学习将解释准确率提高了15%，并产生了更高质量的解释。我们还进行了一项定性消融研究，以分析断言的影响，从而为教育者在其感兴趣的领域生成解释提供易于使用的提示指南。
引用
@article{arxiv.2312.03122,
title = {Assertion Enhanced Few-Shot Learning: Instructive Technique for Large Language Models to Generate Educational Explanations},
author = {Tasmia Shahriar and Kelly Ramos and Noboru Matsuda},
journal= {arXiv preprint arXiv:2312.03122},
year = {2024}
}