基於大型語言模型的教育模擬：評估 ADHD 人格隨時間穩定性
arXiv - Human-Computer InteractionJana Gonnermann-M\"uller, Jennifer Haase, Nicolas Leins, Thomas Kosch, Sebastian Pokutta
研究顯示，使用 LLM 模擬學生時，僅在非腳本對話中 ADHD 高中低等級人格表現不穩定，腳本化對話可消除漂移，證實 LLM 可作為穩定的教育模擬工具。
AI 幫你先抓重點
AI 重點 1
腳本化對話設計是維持 LLM 模擬學生行為穩定的關鍵。
滑鼠懸停看 AI 判斷理由
腳本化能消除非腳本對話中出現的行為漂移，確保模擬結果可重複且可信，對教師培訓與自適應教學系統尤為重要。
AI 重點 2
高強度 ADHD 人格的自我報告特徵穩定性證明 LLM 可模擬高負荷學習者的內在特質。
滑鼠懸停看 AI 判斷理由
此發現顯示 LLM 能夠捕捉並保持複雜內在特徵，為設計針對高需求學生的個別化教學提供理論與實務依據。
核心研究發現
- 1
高強度 ADHD 人格的自我報告特徵在 4,968 次對話中保持穩定。
- 2
在非腳本對話中，高、中等 ADHD 人格的觀察行為表現出漂移，低等則穩定。
- 3
加入腳本化任務提示後，所有 ADHD 人格的行為漂移完全消失，實現穩定表現。
對教育工作者的啟發
本研究指出，若要在教育模擬中保持學生行為的穩定性，必須採用腳本化對話設計並加入明確的任務提示。對於高強度 ADHD 人格，LLM 能夠穩定再現其自我報告特徵，這對於設計針對高負荷學習者的自適應教學或評量工具具有重要參考價值。實務工作者可先在小規模對話中測試不同提示設計的穩定性，再擴大至大規模模擬；同時，教師培訓模組可利用腳本化對話來模擬各類 ADHD 學生，提升教師對多樣化學習需求的理解與應對能力。
原始文獻資訊
- 英文標題：
- LLM-Based Educational Simulation: Evaluating Temporal Student Persona Stability Across ADHD Profiles
- 作者：
- Jana Gonnermann-M\"uller, Jennifer Haase, Nicolas Leins, Thomas Kosch, Sebastian Pokutta
- 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。