GenAL: генеративный агент для адаптивного обучения

GenAL: Generative Agent for Adaptive Learning
Junyu Lu, Qi Liu, Haotian Zhang, Rui Lv, Weibo Gao, Linbo Zhu
2025-04-11

адаптивное обучениегенеративные агентыбольшие языковые моделипрофилирование обучающихсярекомендация траекторий обучения
Адаптивное обучение, также называемое адаптивным преподаванием, основывается на рекомендациях по формированию образовательной траектории, в рамках которых последовательно предлагаются персонализированные учебные материалы, такие как лекции и упражнения, с учетом уникальных потребностей каждого обучающегося. Несмотря на значительный объем исследований в этой области, в предыдущих подходах последовательности взаимодействий между обучающимися и учебными материалами преимущественно моделировались с использованием простой индексации, что приводило к трем проблемам: (1) информация как об обучающихся, так и об учебных материалах используется недостаточно. Например, такие модели не способны задействовать семантическую информацию, содержащуюся в текстовом содержании материалов; (2) модели необходимо отдельно переобучать на различных наборах данных, что затрудняет адаптацию к постоянно расширяющемуся пулу материалов в онлайн-образовании; (3) существующая парадигма рекомендаций, основанная на обученных фреймворках с подкреплением, демонстрирует нестабильное качество рекомендаций при разреженных журналах обучения. Для решения этих проблем мы предлагаем обобщенный генеративный агент для адаптивного обучения (Generative Agent for Adaptive Learning, GenAL), который объединяет образовательные инструменты с семантическим пониманием больших языковых моделей (LLM), обеспечивая эффективные и обобщаемые рекомендации образовательных траекторий при различных распределениях данных. В частности, наша система состоит из двух компонентов: агента глобального мышления (Global Thinking Agent), который обновляет профиль обучающегося и анализирует результаты рекомендаций на основе исторических данных об обучении, и агента локального преподавания (Local Teaching Agent), который рекомендует материалы с использованием априорных педагогических знаний. Благодаря развитому семантическому пониманию LLM наша система не опирается на индексацию материалов, а извлекает релевантную информацию из их текстового содержания. Мы оценили предложенный подход на трех наборах данных из реального мира; результаты экспериментов показывают, что GenAL не только стабильно превосходит все базовые методы, но и обладает высокой способностью к обобщению.
1
Отказ от индексации материалов позволяет GenAL адаптироваться к постоянно расширяющемуся пулу материалов без отдельного переобучения для разных наборов данных.
2
Эксперименты на трех наборах данных из реального мира показывают, что GenAL стабильно превосходит все базовые методы и обладает высокой обобщающей способностью.
3
GenAL объединяет образовательные инструменты с большими языковыми моделями для построения персонализированных и обобщаемых траекторий обучения в различных распределениях данных.
4
Агент глобального мышления обновляет профиль учащегося и анализирует результаты рекомендаций на основе исторических записей обучения.
5
Агент локального преподавания рекомендует учебные материалы, используя педагогические знания и семантическую информацию из текста материалов вместо их индексации.

рекомендация адаптивных траекторий обучения, включающая обучающихся и образовательные материалы

персонализированная, семантически обогащённая и обобщаемая рекомендация образовательных траекторий для различных распределений данных, включая обновление профиля обучающегося и адаптацию рекомендаций

Publication Details
Publication Date
2025-04-11
Journal
Publisher
ISSN
Cited by
25
Access Type
Author Information
Authors
Junyu Lu
Qi Liu
Haotian Zhang
Rui Lv
Weibo Gao
Linbo Zhu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%