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

人工智能教育（AIED）领域专注于技术、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。大型语言模型（LLMs）的日益突出导致在教育环境中开发可扩展的解决方案，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，强调它们所使用的理论框架以及相应设计在实证评估中的有效性，提出了谨慎和关爱的AIED研究，并建议将这些基于证据的原则应用于LLM反馈生成的设计、实验和评估阶段。本文的主要贡献包括：倡导在生成式AI时应用更加谨慎、基于理论的反馈生成方法；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。

本论文旨在探讨如何在基于大型语言模型的智能辅导系统中更加谨慎、有理论依据地生成反馈信息，以支持学生的学习需求。

本文提出了一种理论和证据为基础的反馈设计方法，旨在提高智能辅导系统中大型语言模型生成的反馈信息的有效性。

本文通过回顾智能辅导系统中反馈生成的相关研究，提出了一种基于理论和证据的反馈设计方法，并给出了实用建议。该方法可帮助研究人员更好地利用大型语言模型生成反馈信息，并提高其有效性。本文还探讨了如何在实验设计和评估阶段应用这些基于证据的原则。

最近的相关研究包括“Intelligent Tutoring Systems: Evolving Technologies and Pedagogies”和“Designing Educational Technology to Support Reflection”。