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

通过微调人类-人类教学数据的最先进语言模型，结合使用 避免面子威胁 的分类器，对避风生成模型进行了改进，进而实现了在噪声环境中的避风生成，并且通过对两种方法的错误分析，揭示了系统在对话中试图实现社交和任务导向目标所面临的挑战。

Jun, 2023

应用机器学习技术预测同行辅导互动中的避讳现象，研究发现嵌入层捕捉上一次互动的语义信息可以显著提高模型性能，眼神交流对避讳预测有显著影响。

Jul, 2023

通过使用自我增强的大型语言模型框架，本研究提出了一种在学生辅助下生成和评估解释的方法，以改善学生生成多项选择题解释的质量，进一步丰富学生资源共享体验，并提升大型语言模型在教育应用中的能力。

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

利用聊天机器人作为对话中介和有限生成解释的来源的基于LLM的聊天机器人支持学生理解学习路径建议。

Jan, 2024

通过主题分析，我们发现在儿童合作学习中，同伴对话对提高儿童合作交流的质量具有显著影响。将大型语言模型（LLM）代理引入这一场景，探索其作为同伴的新角色，并评估其作为团队主持人和参与者的影响。我们邀请两组参与者参加合作学习研讨会，在其中讨论并提出了设计问题的概念解决方案。通过对同伴对话的转录进行主题分析，我们发现尽管同伴代理作为团队主持人能够有效管理讨论，但有时他们的指导会被忽视。作为参与者，他们促进了儿童的创造性思维，但未能提供一致及时的反馈。这些发现凸显了同伴代理在两个角色中的潜在设计改进和考虑需要。

Mar, 2024

本研究探讨了教学对话与学生的近距离知识如何相互作用，从而解释和预测学生的学习成果。研究结果表明，鼓励严谨思考的教学对话促进了学生在数学学习中的成就，而导师对学生的数学思想和贡献的重述对低程度的智能辅导系统掌握的学生起到了预测作用。

May, 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