ExPerT：透過語義與按鍵行為線索實現 LLM 的個人化領域專業度適應框架
arXiv - Human-Computer InteractionYeji Park, Jiwon Tark, Taesik Gong
提出 ExPerT 框架，結合語義與按鍵行為動態來推斷用戶專業度，並據此調整 LLM 回應的複雜度。
AI 幫你先抓重點
AI 重點 1
從「靜態檔案」轉向「動態行為」的個人化範式轉移
滑鼠懸停看 AI 判斷理由
傳統個人化依賴固定的用戶設定，但學習者的專業程度會隨問題內容改變。引入按鍵行為（Keystroke Dynamics）作為非語言線索，能捕捉到文字無法表達的認知特徵，這為理解學習者即時狀態提供了新維度。
AI 重點 2
多模態線索（語義 + 行為）在認知狀態推斷中的協同作用
滑鼠懸停看 AI 判斷理由
單純分析文字可能誤判專業度，但結合輸入行為的節奏與模式，能更精準地識別用戶是在進行深度思考還是簡單查詢，這對於開發具備高度適應性的 AI 輔助教學系統至關重要。
核心研究發現
- 1
ExPerT 框架能顯著降低專業度推斷誤差，與最強基準模型相比，平均絕對誤差（MAE）從 1.162 降至 0.398，誤差減少了 65.7%。
- 2
在包含 40 名參與者與 1270 個查詢的用戶研究中，ExPerT 將回應滿意度從 3.71 提升至 4.36（5 分制）。
- 3
該系統能根據推斷出的專業程度，動態調整 LLM 回應的詳細程度、專業術語使用量及概念複雜度。
對教育工作者的啟發
對於設計 AI 導師（AI Tutor）的開發者而言，這項研究提供了重要啟發：AI 不應僅根據用戶填寫的個人資料來決定教學難度，而應觀察用戶與介面的「互動行為」。在設計數位學習環境時，可以整合按鍵速度、停頓時間等行為數據，作為評估學習者認知負荷或專業程度的隱性指標，進而實現真正的「適應性教學」（Adaptive Instruction），確保 AI 提供給學生的解釋既不會過於淺顯導致無聊，也不會過於深奧導致挫折。
原始文獻資訊
- 英文標題：
- ExPerT: Personalizing LLM Responses to Users' Domain Expertise via Query-Wise Semantic and Keystroke Behavioral Cues
- 作者：
- Yeji Park, Jiwon Tark, Taesik Gong
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。