利用演算法生成多樣化人類式團隊合作與溝通的提示
arXiv - Human-Computer InteractionSiddharth Srikanth, Varun Bhatt, Boshen Zhang, Werner Hager, Charles Michael Lewis, Katia P. Sycara, Aaquib Tabrez, Stefanos Nikolaidis
本研究結合品質多樣性優化與大型語言模型，生成多樣化人類式團隊互動提示，並證實其真實性與多樣性。
AI 幫你先抓重點
AI 重點 1
利用品質多樣性優化自動生成多樣化提示，可在缺乏大規模實驗數據時快速模擬多元團隊互動。
滑鼠懸停看 AI 判斷理由
此方法突破傳統實驗成本與倫理限制，為教育設計師提供可擴展的多樣化互動素材，促進協作學習研究與實務落地。
AI 重點 2
生成的提示能產生與人類相似的溝通模式，驗證LLM在社會互動模擬中的可信度。
滑鼠懸停看 AI 判斷理由
這表明LLM不僅能執行任務，還能重現人類協作行為，對於設計真實情境模擬與評估協作策略具有重要參考價值。
核心研究發現
- 1
人類受試者在長期多步協作環境中表現出多樣化的協調與溝通模式，實驗證實其行為差異顯著。
- 2
結合品質多樣性優化與LLM提示，系統能迭代搜尋並生成多樣化團隊行為，覆蓋傳統RL方法難以達到的行為範疇。
- 3
後續用戶研究顯示，生成的團隊互動行為在主觀評價上與真實人類行為無顯著差異，證明其人類式真實性。
對教育工作者的啟發
教育工作者可利用本研究提出的QD+LLM提示生成框架，快速產生多樣化團隊互動情境，作為協作學習模擬素材；同時可調整提示參數，模擬不同溝通風格，評估學生在多元互動中的表現與學習成效。此方法減少實驗成本，提升課程設計靈活度，並可用於評估協作策略與學習成效的關聯。
原始文獻資訊
- 英文標題：
- Algorithmic Prompt Generation for Diverse Human-like Teaming and Communication with Large Language Models
- 作者：
- Siddharth Srikanth, Varun Bhatt, Boshen Zhang, Werner Hager, Charles Michael Lewis, Katia P. Sycara, Aaquib Tabrez, Stefanos Nikolaidis
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。