Empowering Personalized Learning through a Conversation-based Tutoring System with Student Modeling

随着最近的大型语言模型（LLM）在各个领域的零样本和少样本推理能力越来越强，教育工作者对于在基于对话的辅导系统中利用这些LLM的兴趣日益增长。然而，构建一个基于对话的个性化辅导系统在准确评估学生并将评估策略性地融入到对话教学中方面存在相当大的挑战。在本文中，我们讨论了一个个性化辅导系统的设计考虑因素，其中包括以下两个关键组成部分：（1）具有诊断组件的学生建模，以及（2）利用LLM的基于对话的辅导师，其提示工程将学生评估结果和各种教学策略融合在一起。基于这些设计考虑因素，我们创建了一个以个性化为重点的概念证明辅导系统，并对20名参与者进行了测试。结果证实，我们的系统框架促进了个性化，特别强调了构成学生建模的要素。我们的系统的Web演示可在http://rlearning-its.com上获得。

本论文旨在设计一种个性化的基于对话的辅导系统，涉及学生建模和对话式辅导的两个关键组成部分。论文试图解决如何准确评估学生并在对话中战略性地将评估结果纳入教学的问题。

论文的关键思路是将大型语言模型（LLM）与学生建模和诊断组件相结合，通过prompt engineering将评估结果和各种教学策略纳入对话式辅导中，以实现个性化辅导。

论文设计了一个个性化辅导系统的框架，并进行了20个参与者的测试，结果表明该系统的学生建模方面实现了个性化。论文还提供了该系统的Web演示，并探讨了该系统的局限性和未来工作。

最近在这个领域中，也有一些关于对话式辅导系统的研究，如“Towards Conversational Recommender Systems”和“Personalized Conversational Agent for Mood and Well-being Intervention”。