SLOW：面向 AI 辅导的战略逻辑推理开放式工作空间

虽然大型语言模型（LLM）在教育对话中展现出惊人的流畅性，但大多数生成式辅导系统主要通过直观的单次生成来实现。这种快速思维方式阻碍了专门的推理工作空间，迫使多个诊断和战略信号被混合处理。结果是，学习者的认知诊断、情感感知和教学决策紧密耦合，限制了该辅导系统进行深思熟虑教学适应的能力。我们提出了 SLOW，一个理论驱动的辅导框架，支持在透明决策工作空间内进行深思熟虑的学习者状态推理。灵感来自人类辅导中的双过程模型，SLOW 显式地将学习者状态推理与教学行动选择分离。该框架整合了来自学习者语言的因果证据解析、基于模糊认知诊断的反事实稳定性分析，以及前瞻性情感推理，以预测教学选择可能对学习者情感轨迹的影响。这些信号被共同考虑，以指导教育上和情感上一致的辅导策略。使用混合人类-AI 判定进行评估，结果显示该方法在个性化、情感敏感性和清晰度方面均实现显著提升。消融研究进一步确认了每个模块的必要性，展示了 SLOW 如何通过可视化决策过程实现可解释且可靠的智能辅导。本工作推进了 LLM 基于自适应教学的可解释性和教育有效性。