根據診斷策略調整支架：理論驅動的LLM代理
arXiv - Human-Computer InteractionFatma Betul Gures, Tanya Nazaretsky, Tanja Kaser
提出以知識學習指導框架為基礎的LLM代理，根據學習者診斷策略動態調整支架，提升學習成效。
AI 幫你先抓重點
AI 重點 1
LLM代理可根據診斷策略動態調整支架，突破單一支架限制。
滑鼠懸停看 AI 判斷理由
此洞察顯示適應性支架能更精準對應學習者的認知需求，可能大幅提升學習成效，改變傳統單一支架的設計思維。
AI 重點 2
KLI框架作為設計指導，將知識類型與教學機制對齊，提升教學設計的理論基礎。
滑鼠懸停看 AI 判斷理由
強調理論驅動的設計能確保支架與學習目標一致，幫助實務工作者避免以偏概全，提升教學介入的有效性。
核心研究發現
- 1
實驗顯示結構化與問題化支架皆能促進學習，但學習者互動模式顯著不同。
- 2
不同診斷策略對知識類型需求不同，因而適合不同支架形式。
- 3
以知識學習指導(KLI)框架為基礎，設計混合LLM代理，根據實踐策略動態調整支架。
- 4
研究假設此設計可提升學習成效，未來需驗證其效益。
對教育工作者的啟發
實務工作者可先用KLI框架評估學習者所採用的診斷策略，進而設計能即時調整支架的LLM代理。將結構化與問題化支架分別映射至策略需求，並透過學習分析追蹤互動模式，快速辨識支架適配度。實驗證明，動態調整支架可提升學習成效，故建議在課程設計中嵌入策略檢測與自適應支架模組，並定期評估其對知識建構與元認知發展的影響。
原始文獻資訊
- 英文標題：
- Tailoring Scaffolding to Diagnostic Strategies: Theory-Informed LLM-Based Agents
- 作者：
- Fatma Betul Gures, Tanya Nazaretsky, Tanja Kaser
- 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。