本研究旨在构建一种在线语言学习工具，通过使用对话系统作为实践对话伙伴，为学习者提供对话体验。我们的系统可以根据用户的语言熟练程度进行自适应，并且提供自动语法错误反馈来帮助用户从他们的错误中学习。根据我们的初步用户反馈，我们的系统既实用又有趣。此外，我们还将为学习技术社区提供一个大规模的关于语言学习和语法更正的对话数据集。下一步，我们将使用强化学习算法来使我们的系统更加适应用户个人信息。

Jul, 2022

本文介绍了一个名为Build-a-Bot的开源工具，它可以帮助学生和教师创建基于自己课程材料的聊天机器人，从而学习人工智能的基础原理。该工具主要使用自然语言处理的技术，通过训练一个定制化的模型来回答问题，旨在教授学生数据收集、数据增强、意图识别和问题回答等技能，使得之前的黑盒式聊天机器人工具得以升级。该工具设计的特别适合中学生使用，未来的工作重心是将其提供给学校，并获取学生和教师的评估。

Dec, 2022

本文分析了几种生成式语言模型在语言学习时的应用，并发现当前方法在教学场景中存在有限性，需要更好的模型来解决这些问题。实验发现，目前的方法在受限的学习场景下表现出色，但在不受限制的场景中表现不佳。通过数据分析和用户研究，本文揭示了模型的推理错误，低效的平等辅导和语境不清等问题。

Jan, 2023

本文介绍了一种名为Conversational Learning with Analytical Step-by-Step Strategies (CLASS)的设计框架，为开发高性能的智能辅导系统(Intelligent Tutoring Systems)提供了支持，该框架旨在为ITS赋予像导师一样的逐步指导和使用自然语言进行对话的能力以有效吸引学习者。本设计框架采用了两个精心策划的合成数据集，一个是满足学生进行问题解决的策略的脚手架数据集，另一个是包含从先前数据集中学到的解决问题策略的模拟学生-导师对话数据集，两者相结合构成了具有不断完善提高能力的智能辅导系统。

May, 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

开发了结合了ChatGPT功能和英语教科书系统材料的Curriculum-Driven EduBot聊天机器人框架，通过提取教科书相关主题并使用大型语言模型生成相关对话，进一步使用生成的对话数据对开源LLM进行微调，以创建与用户课程相匹配的聊天机器人，用户研究表明，我们的聊天机器人在引导基于课程的对话和适应用户英语水平方面优于ChatGPT，将传统教科书方法与对话式AI相结合，提供学习者与课程相符合的互动工具，并提供用户定制的对话练习，从而促进有意义的学生-机器人对话，丰富课程教学框架下的整体学习体验。

Sep, 2023

自然语言交互式会话教学系统 (CTS) 通过提供与语言互动驱动的学习经历。他们已知能够促进较高水平的认知参与度，并在推理任务中有益于学习成果。然而，CTS 内容的撰写所需的时间和成本是普及采用的主要障碍。本文介绍了一种在两个方面利用最新的大语言模型 (LLM) 的新型 CTS：首先，系统从课文自动产生教学脚本；其次，通过两个基于 LLM 的智能体 (Ruffle&Riley)，系统自动化了脚本编排，这两个智能体分别扮演学生和教授的角色，以教学的方式进行学习。该系统允许进行遵循 ITS 典型的外/内循环结构的自由形式对话。在初步的两组在线用户研究 (N = 100) 中，将 Ruffle&Riley 与简单的问答机器人和阅读活动进行比较，并未发现在后测成绩上有显著差异。然而，在学习体验调查中，Ruffle&Riley 用户表达了更高的理解和记忆评分，并进一步感知获得的支持更有帮助、对话更连贯。我们的研究为新一代可扩展的 CTS 技术提供了见解。

Sep, 2023

我们提出了一个用于生成基于教科书的综合教师-学生互动的框架，通过借助合适的数据合成方法来训练教育聊天机器人，同时对数据的大小和质量进行平衡以解决幻觉和重复信息的问题。

Mar, 2024

利用大型语言模型的最新进展，本论文讨论和评估了一种新型的会话式辅导系统，通过两种方式利用人工智能辅助内容编写，并自动从课文中诱导出易于编辑的辅导脚本，通过两种基于大型语言模型的代理（Ruffle&Riley）作为学生和教授自动化脚本编排来进行学习。通过与简单的问答聊天机器人和阅读活动进行比较的两次在线用户研究（N = 200）评估了Ruffle&Riley在生物学课程中的支持能力。通过分析系统使用模式、前后测试成绩和用户体验调查，发现Ruffle&Riley用户报告了较高水平的投入、理解，并认为提供的支持是有帮助的。虽然Ruffle&Riley用户完成活动需要更多时间，但在短期学习收益方面并未发现显著差异。本系统架构和用户研究为未来会话式辅导系统的设计者提供了各种见解。我们进一步开源了我们的系统以支持关于基于大型语言模型的学习技术有效教学设计方面的持续研究。

Apr, 2024

本研究针对现有人工智能辅导聊天机器人的学生行为建模缺口，提出了在辅导-学生对话中进行知识追踪的首个尝试。通过使用大型语言模型的提示方法，我们能够识别对话中的知识组件并诊断学生的回应正确性，研究结果表明，新的LLMKT方法在对话中预测学生回应的正确性方面显著优于现有知识追踪方法。

Sep, 2024