基于 GPT-3 的教学代理用于训练儿童的好奇提问技能
计算与语言
2023-07-04 v6 人机交互
摘要
为训练儿童提出由好奇心驱动的问题的能力，先前研究探索了设计特定练习，依赖提供语义和语言线索来帮助构建此类问题。尽管显示出教学效率，该方法仍受限于需手工生成所述线索，这一过程可能成本极高。在此背景下，我们提议利用自然语言处理（NLP）领域的进展，并研究使用大语言模型（LLM）自动化生成好奇提问（QA）训练教学内容的有效性。我们研究使用“基于提示”的方法生成所述内容，即向 LLM 以自然文本解释任务。我们通过人类专家标注及与手工生成内容的比较评估输出。结果确实表明了该内容的相关性与有用性。我们还在小学开展了实地研究（75 名 9-10 岁儿童），评估儿童接受该训练时的 QA 表现。我们比较了三类内容：1）提出导向预设问题的“封闭”线索的手工生成内容；2）提出同类线索的 GPT-3 生成内容；3）提出导向多个可能问题的“开放”线索的 GPT-3 生成内容。我们看到两种“封闭”训练间相似的 QA 表现（显示了使用 GPT-3 方法的可扩展性），以及“开放”训练参与者的更好表现。这些结果表明使用 LLM 支持儿童生成更多好奇问题的效率，采用自然语言提示方法，便于教师及其他非 AI 技术专家用户使用。此外，结果还显示开放式内容可能更适合训练好奇提问技能。
引用
@article{arxiv.2211.14228,
title = {GPT-3-driven pedagogical agents for training children's curious question-asking skills},
author = {Rania Abdelghani and Yen-Hsiang Wang and Xingdi Yuan and Tong Wang and Pauline Lucas and Hélène Sauzéon and Pierre-Yves Oudeyer},
journal= {arXiv preprint arXiv:2211.14228},
year = {2023}
}