學習提示詞：透過自適應 LLM 提升高中生教學參與度
arXiv - Human-Computer InteractionPo-Chin Chang, Nicholas Hogan, Aske Plaat, Michiel T. van der Meer
開發出一種能根據教學對話特徵自動切換教學策略的自適應提示詞系統，有效提升教學效率並增加學習轉換率。
AI 幫你先抓重點
AI 重點 1
從靜態提示詞轉向動態、具備教學特徵感知能力的自適應系統。
滑鼠懸停看 AI 判斷理由
傳統 LLM 教學系統多依賴固定指令，難以應對不同學科與學生程度。透過提取教學特徵（如鷹架支持）來驅動提示詞切換，標誌著 AI 從單純的問答工具轉向具備教學法意識的智能導師。
AI 重點 2
隨機性（Stochasticity）在教學策略選擇中的正面價值。
滑鼠懸停看 AI 判斷理由
研究發現隨機採樣策略比追求局部最優的貪婪算法更能提升轉換率。這啟發我們在設計教育 AI 時，適度的策略多樣性與隨機性可能比單一的邏輯路徑更能激發學生的學習動機。
核心研究發現
- 1
模擬測試顯示，基於 14 種教學特徵的提示詞路由模型表現優於兩種靜態基準模型（0.694 vs. 0.647/0.64）。
- 2
A/B 測試證實模型能實現從分析型到鷹架式教學策略的轉換，並減少約 3 輪的對話互動，提升教學效率。
- 3
採用隨機採樣策略的路由模型在練習轉換率上表現最優，達到 28.1%，顯著高於貪婪路由模型的 19.1%。
對教育工作者的啟發
對於開發者而言，設計 AI 導師不應僅專注於回答正確性，更應整合「教學法特徵」（如鷹架支持、理解程度評估）作為系統決策的輸入。課程設計者可參考此模式，思考如何將教學策略（如從引導式提問轉向直接解釋）數位化，並透過數據驅動的方式，在對話過程中動態調整教學節奏，以減少無效互動並提升學習成效。
原始文獻資訊
- 英文標題：
- Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring
- 作者：
- Po-Chin Chang, Nicholas Hogan, Aske Plaat, Michiel T. van der Meer
- 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。