探究教学型教师与学生 LLM 智能体：遗传自适应与检索增强生成在学习风格中的结合
人工智能
2025-05-27 v1
摘要
有效的教学需要调整教学策略以适应学生多样化的认知与行为特征，这是教育和教师培训中长期存在的挑战。尽管大语言模型（LLMs）作为模拟此类复杂教学环境的工具具有广阔前景，但当前的模拟框架在两个关键方面存在局限：（1）它们通常将学生简化为静态知识画像；且（2）缺乏对能够根据学生反馈演化策略的教师进行建模的自适应机制。为填补这些空白，**我们引入了一个新颖的模拟框架，将基于 LLM 的异构学生智能体与自优化教师智能体相集成**。教师智能体的教学策略通过遗传算法动态演化，使其能够基于多样化学习者的整体表现发现并优化有效的教学策略。此外，**我们提出了 Persona-RAG**，这是一个检索增强生成模块，使学生智能体能够检索针对其个人学习风格定制的知识。Persona-RAG 在保持标准 RAG 基线检索准确率的同时增强了个性化，这是对真实教育场景进行建模的关键因素。通过大量实验，我们展示了我们的框架在与不同学生群体交互时如何支持独特且可解释的教学模式的出现。我们的结果凸显了 LLM 驱动的模拟在为自适应教学实践提供信息方面的潜力，并为在受控、数据驱动的环境中培训人类教育者提供了一个试验台。
引用
@article{arxiv.2505.19173,
title = {Investigating Pedagogical Teacher and Student LLM Agents: Genetic Adaptation Meets Retrieval Augmented Generation Across Learning Style},
author = {Debdeep Sanyal and Agniva Maiti and Umakanta Maharana and Dhruv Kumar and Ankur Mali and C. Lee Giles and Murari Mandal},
journal= {arXiv preprint arXiv:2505.19173},
year = {2025}
}
备注
38 Pages