Personality-aware Student Simulation for Conversational Intelligent Tutoring Systems

智能辅导系统（ITS）可以提供个性化和自主学习体验。大型语言模型（LLMs）的出现进一步促进了人机交互的改善，并促进了在各个学科中开发对话式ITS，如数学和语言学习。在对话式教学中，识别和适应个体特征可以显著增强学生的参与度和学习效率。然而，在训练和评估对话式ITS时，表征和模拟学生的个性仍然具有挑战性。在这项工作中，我们提出了一个框架，通过精细和整合认知和非认知方面来构建不同学生群体的个人资料，并利用LLMs进行语言学习场景中基于个性的学生模拟。我们进一步增强了框架的多方面验证，并从教师和学生的角度进行了广泛的分析。我们的实验结果表明，最先进的LLMs可以根据给定的语言能力和个性特征产生不同的学生反应，并触发教师的自适应搭建策略。

本论文旨在构建一个框架，通过整合认知和非认知因素，为不同学生群体建立个人资料，并利用大型语言模型进行个性化学生模拟，以提高语言学习效率。

通过整合认知和非认知因素，为不同学生群体建立个人资料，并利用大型语言模型进行个性化学生模拟，以提高语言学习效率。

论文提出的框架可以通过大型语言模型产生多样化的学生回应，并触发教师的适应性辅助策略。实验结果表明，该框架可以提高语言学习效率。

最近的相关研究包括基于人工智能的个性化学习和对话系统，以及利用大型语言模型进行学生模拟的研究。