Tutor CoPilot：面向规模化实时专家赋能的人机协作方法
摘要
生成式AI，特别是语言模型（LMs），有望在具有社会影响的数据驱动领域中实现变革，尤其是在专家资源有限的领域。例如，在教育领域，培训具备专家指导的新手教师对于提高教学效果至关重要，但成本高昂，制约了大规模提升教育质量。该挑战不成比例地影响来自资源不足地区的学生，这些学生从高质量教育中获益最大。我们引入Tutor CoPilot，这是一种新型的人机协作方法，利用专家思维模型，为教师提供类似专家的指导。本研究是首个在实际辅导中进行的人机系统随机对照试验，涉及900名教师和1800名来自历史资源不足社区的K-12学生。遵循预先登记的分析计划，我们发现使用Tutor CoPilot的教师所指导的学生更有可能掌握知识（p<0.01）。值得注意的是，教学水平较低的教师所指导的学生受益最大，掌握率提升了9个百分点。我们发现Tutor CoPilot仅需每位教师年费20美元。我们分析了55万条以上消息，通过分类器识别教学策略，发现使用Tutor CoPilot的教师更倾向于采用高质量策略来促进学生理解（例如提出引导性问题），也更不倾向于直接给出答案。教师访谈强调，Tutor CoPilot的指导帮助教师响应学生需求，但也指出Tutor CoPilot存在问题，如生成的建议不符合年级水平。总体而言，本研究表明人机系统如何在实际场景中规模化专家赋能，弥合技能差距，创造一个高质量教育可及于所有学生的未来。
引用
@article{arxiv.2410.03017,
title = {Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise},
author = {Rose E. Wang and Ana T. Ribeiro and Carly D. Robinson and Susanna Loeb and Dora Demszky},
journal= {arXiv preprint arXiv:2410.03017},
year = {2025}
}
备注
Our pre-registration for this randomized controlled trial can be found here: https://osf.io/8d6ha. Demonstration code and video tutorials on how to develop your own Tutor CoPilot at this link: https://github.com/rosewang2008/tutor-copilot/. * The last two authors provided equal advising