Enhancing LLM-Based Feedback: Insights from Intelligent Tutoring Systems and the Learning Sciences

人工智能教育（AIED）领域关注技术、教育和心理学的交叉点，强调以同情和理解支持学习者的需求。大语言模型（LLM）的日益重要使得在教育场景下出现了可扩展的解决方案，包括在智能辅导系统中生成不同类型的反馈。然而，利用这些模型的方法通常涉及直接制定提示以获取特定信息，缺乏坚实的提示构建理论基础和对其对学习影响的实证评估。本文通过回顾ITS中反馈生成的先前研究，强调其使用的理论框架和相应设计的实证评估效力，提出了应用这些基于证据的原则到基于LLM的反馈生成的设计、实验和评估阶段的机会，倡导谨慎和关怀的AIED研究。本文的主要贡献包括：在生成式AI时代提倡应用更为谨慎、理论基础更为坚实的方法进行反馈生成；以及针对LLM驱动的ITS的理论和基于证据的反馈设计的实用建议。

这篇论文试图通过研究智能教学系统中的反馈生成，探索如何在大语言模型的背景下设计更加理论和证据基础的反馈生成方法。

论文提出了一种更加谨慎和理论基础的反馈生成方法，旨在提高智能教学系统的效果。

论文回顾了先前在ITS中反馈生成的研究，并提出了一些理论和证据基础的反馈设计建议。同时，论文还介绍了如何将这些原则应用于大语言模型的反馈生成中，并提供了一些实用的建议。论文的实验设计和数据集并未提及。

最近在智能教育领域中，还有一些相关的研究，如“Towards a Framework for Intelligent Tutoring System Development”，“The Effect of Adaptive Feedback on Students’ Learning with an Intelligent Tutoring System”，“Designing and Evaluating Tutoring Feedback Strategies for Digital Learning Environments”。