利用大型语言模型进行机器人辅助的形态学结构学习——针对语言易感儿童
摘要
具有语言易感性的幼儿站——例如发展性语言障碍或与移民相关的语言挑战——往往需要支持来加强其表达语言技能。基于隐式学习原则，言语-语言治疗师 (SLT) 通常将目标形态学结构（例如第三人称 -s）嵌入日常互动或基于游戏的学习活动中。教育工作者被建议也如此做。这一方法需要精确的语言知识和实时生产各种形态学形式（例如 "Daddy wears these when he drives to work"）。在 TalBot 项目中，我们的多学科团队开发了一个应用程序，其中 Furhat 对话机器人与儿童进行 "Alias" 单词检索游戏，以提高语言技能。我们的应用程序当前使用大型语言模型 (LLM) 来管理游戏、对话、情感反应和轮次。我们的下一步是进一步利用 LLM 的能力，使机器人能够在游戏中生成和递送特定的形态学目标。我们假设机器人在此任务上可能超过人类。这种方法的新颖之处在于，机器人最终可作为儿童和专业人士的模型和导师，而且使用 LLM 在此上下文中的能力将支持具有语言易感性儿童的基本沟通需求。我们的长期目标是创建一个能够教授各种语言中形态学结构的 robust LLM 基于机器人辅助语言学习干预。
引用
@article{arxiv.2509.22287,
title = {Leveraging Large Language Models for Robot-Assisted Learning of Morphological Structures in Preschool Children with Language Vulnerabilities},
author = {Stina Sundstedt and Mattias Wingren and Susanne Hägglund and Daniel Ventus},
journal= {arXiv preprint arXiv:2509.22287},
year = {2025}
}
备注
12 pages, 2 figures, Preprint of: Sundstedt, S., Wingren, M., H\"agglund, S. & Ventus, D. (2025). Leveraging Large Language Models for Robot-Assisted Learning of Morphological Structures in Preschool Children with Language Vulnerabilities. In: Stephanidis, C., Antona, M., Ntoa, S. & Salvendy, G. (eds.), Communications in Computer and Information Science, vol. 2523, pp. 415-425. Springer