96种学习者画像！提示工程让AI助教实现个性化教学，无需重训模型
A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant
📖 AI 总结
该研究提出了一种基于提示工程的框架，用于在通用大语言模型驱动的AI教学助手（如Jill Watson）中实现个性化教学。该框架无需重新训练模型，而是通过六个学习者维度（自我评估、抽象偏好、冗长偏好、感知取向、信息处理风格和理解水平）构建96种学习者画像，并结合布鲁姆分类法评估提问的认知复杂度。实验采用NLP指标和五人参与的人类研究进行评估，结果显示不同个性化条件下响应风格和结构存在可感知差异，统计分析也识别出与响应变化相关的学习者属性。研究为提示工程驱动的个性化在AI教育代理中的自适应行为提供了初步证据，展示了一种可扩展、灵活且实时的混合微个性化方法。
🔑 关键词速览
| Prompt Engineering | 一种通过精心设计输入提示来引导大语言模型输出特定结果的技术，无需修改模型参数。 |
| RAG (Retrieval-Augmented Generation) | 检索增强生成，一种结合外部知识检索与语言生成的方法，提升模型回答的准确性和时效性。 |
| Bloom's Taxonomy | 布鲁姆分类法，一种教育目标分类体系，用于评估学习任务的认知复杂度层次。 |
| Learner Profiles | 学习者画像，基于多维特征对学习者进行分类描述，以支持个性化教学。 |
| LLM (Large Language Model) | 大型语言模型，如GPT系列，通过海量文本训练，能理解和生成自然语言。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅