本文提出了一种基于视觉支撑和对话系统组件融合的对话状态编码器，并以猜谜游戏GuessWhat?!为测试基地。通过多任务学习和协作学习，得出本文方法比基准系统更准确且具备更好的语言技能。

Sep, 2018

本文提出递归心智模型 (Recursive Mental Model，RMM)，通过两个智能体的对话交互，其中一个询问问题，另一个给予回答，模拟类比人类对话，通过RMM可以更好地应对新的环境变化，为人机对话提供新思路。

May, 2020

本文探讨了如何测试最先进的生成模型（如Blender和GPT-3）是否是良好的人工智能老师，报告了首次尝试的结果，发现即使最好的对话代理程序（尤其是Blender）在对话吸收方面表现出色，但在几个教育维度上（尤其是有益性方面）与真正的教师相比明显更差。

May, 2022

本文提出了一种简单的提示策略 HELP ME THINK，鼓励 GPT3 通过提问来帮助非专家用户执行任务，并将用户的答案用于执行任务。在多项难以完成的任务中，我们展示了 HELP ME THINK 策略的有效性，并希望我们的工作能够鼓励开发利用大型语言模型的非传统方式。

Aug, 2022

通过赋予RL智能体询问“是 - 否”问题的能力以理解其环境从而在新的时间扩展环境中实现更好的泛化性能，该文研究了RL算法解决时间扩展任务的挑战并观察到在Mini-Grid环境下训练的强化学习智能体在不同环境下的显著泛化性能提高。

Sep, 2022

本文介绍一个基于 ChatGPT 的多角色、多步骤的二十问游戏挑战，研究发现在各种实验中，ChatGPT 可以在少于二十个问题（平均为 12 个问题）内猜出随机对象名称，并且在十六种不同的实验设置中正确率达到 94％。ChatGPT 在四种新颖的用例中扮演提问者、回答者、提问和回答双方角色，并最终尝试猜测适当的情感，并证明 ChatGPT 所表现出来的推理和问答技能可以用于复杂的蛋白质设计、神经科学元数据和儿童发展教育材料等领域。

Jan, 2023

本文介绍了Tutoring bot，这是一个基于大规模家教-学生对话数据训练的生成式聊天机器人，用于辅助英语学习。机器人通过多种教育指导和背景知识来模仿人类辅导员在语言教育中的行为，同时通过多任务学习方案来实时监测并捕捉教学情况和进展。

Feb, 2023

本研究基于ChatGPT模型实现了零-shot学习的教育聊天机器人，能够以多种不同的教育策略和对话风格进行个性化学习交互，此外还讨论了聊天历史记录和ChatGPT响应变异性带来的挑战，并提供了初步的解决方案以促进有效的教育聊天机器人的开发。

Jun, 2023

利用基于提示的技术生成描述性和推理性问题是一个具有挑战性和耗时的任务。本研究提出了一种新方法，利用基于提示的技术生成描述性和推理性问题。我们通过精选的NCERT教科书的丰富内容，创建了一个名为EduProbe的新的问题生成数据集。我们针对此数据集调查了几种基于提示的问题生成方法，并使用预训练的大型语言模型进行了微调。通过自动评估，我们发现T5（使用长提示）表现优于其他模型，但仍然低于人类基准。在人类评估标准下，TextDavinci-003通常在各种提示设置下表现更好。即使在人类评估标准下，问题生成模型也大多低于人类基准。

Dec, 2023

研究了LLMs，特别是GPT-3.5和GPT-4，如何根据主动学习原则为九年级数学提供量身定制的问题。结果显示，GPT-4能够生成准确、具有挑战性的问题，并且GPT-3.5在从GPT-4接受指导后在处理更复杂问题方面有了明显改善，从而突显了LLMs模拟和增强主动学习场景的潜力，为个性化教育中的人工智能提供了有前景的途径，需要在不同的教育环境中进一步探索。

Jun, 2024