誰是我？歷史感知學生模擬配置檔案
arXiv - Computers and SocietyZhangqi Duan, Shuyan Huang, Alexander Scarlatos, Jaewook Lee, Simon Woodhead, Andrew Lan
提出歷史感知的學生模擬框架，利用學生學習歷史生成配置檔並用RL訓練，顯著提升LLM學生對話預測準確度
AI 幫你先抓重點
AI 重點 1
歷史感知配置檔能讓LLM更真實模擬個別學生行為。
滑鼠懸停看 AI 判斷理由
此洞察顯示傳統對話內部模擬忽略學生背景，導致模擬不具備個人化特徵；配置檔提供關鍵上下文，使模擬更貼近實際學習情境，對設計自動化導師工具至關重要。
AI 重點 2
強化學習同時調整配置檔與對話預測，提升整體效能。
滑鼠懸停看 AI 判斷理由
RL允許模型根據實際對話回饋動態調整策略，克服靜態訓練的局限；此方法可在多輪對話中持續優化，對於需要長期互動的教學系統具有實際應用價值。
核心研究發現
- 1
在實際數據集上，歷史條件學生模擬方法顯著優於基線模型，提升對話回合預測準確率。
- 2
將學生學習歷史摘要為配置檔能有效捕捉個別知識與行為模式，增強模擬真實度。
- 3
使用強化學習同時優化配置檔生成與對話預測，兩者協同提升整體模擬表現。
- 4
實驗證明歷史、配置檔與RL訓練三者相互依存，缺一不可。
對教育工作者的啟發
教育科技開發者可先收集學生歷史問答與對話資料，利用摘要模型生成個別配置檔；再以RL方式同時優化配置檔生成與對話預測，確保模擬回合與真實學生行為高度一致。課程設計師可根據模擬結果調整教學策略，提升個別化學習體驗；研究者則可探索不同歷史特徵對模擬效果的影響，進一步完善自動化導師系統。
原始文獻資訊
- 英文標題：
- Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues
- 作者：
- Zhangqi Duan, Shuyan Huang, Alexander Scarlatos, Jaewook Lee, Simon Woodhead, Andrew Lan
- 來源：
- arXiv - Computers and Society
- 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。