Jun, 2023

利用大型语言模型为人类导师提供解释性反馈

PDF
TL;DR研究表明，学习者参与制作解释以支持他们的推理过程，对学习有积极影响。本文介绍了两种方法，可供教师在在线课程中提供实时反馈，并介绍了采用大型语言模型促进的命名实体识别的增强方法的进展。
explanationsreal-time feedbackbinary classificationnamed entity recognitiondata augmentation
发现论文，激发创造
  • 利用大型语言模型评估导师应对学生数学错误的表现

    该研究调查两个生成模型在评估真实教师在应对学生数学错误方面的表现能力，发现 GPT-3.5-Turbo 和 GPT-4 都能够熟练评估与学生犯错有关的标准，但在识别学生错误的情况下存在局限性。未来的研究将致力于通过评估更多对话数据集和评估学习转化来提升泛化能力，进一步分析教师在真实场景中应对学生数学错误的表现。

    Jan, 2024

  • 利用大型语言模型探索自我强化提升学习者生成的多项选择题解释

    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

  • 利用大型语言模型进行多级反馈生成以赋予新手同行辅导员能力

    利用大规模语言模型为初级精神治疗督导员提供多层次背景知识和文本反馈，以此提升大量使用同伴咨询的人群心理健康支持，通过与领域专家的定性和定量评估，确保高风险情境下潜在有害和低质量反馈的最小化。

    Mar, 2024

  • 通过强化学习提高自动生成反馈的有效性

    基于大语言模型的自动生成反馈在智能辅导系统和在线学习平台中具有潜力来提高许多学生的学习效果，本文针对自动生成和评估反馈的问题，提出了数学反馈评估标准和反馈生成框架，通过强化学习优化反馈的正确性和一致性，并通过案例研究定性分析了生成和评估系统。

    Mar, 2024

  • 场景和方法用于情境化的自然语言解释

    利用大型语言模型，针对不同用户情境生成自然语言解释，并通过定量评估展示适应程度。我们收集了一个基准数据集，包括 100 个解释对象，每个对象都与针对三个不同受众类型（如教育工作者、学生和专业人员）的解释配对，使我们能够评估解释在特定信息需求和背景下让这些多样化群体（如学生、教师和家长）满意的程度。通过预训练语言模型，在不同大小的预训练语言模型上，我们考察了三类提示方法：基于规则的提示，元提示和上下文学习提示。我们发现：1）语言模型可以生成与目标情境更准确对齐的提示产生的解释；2）通过提示 “您是一个乐于助人的助手…” 来明确建模 “助手” 角色不是定位自然语言解释任务的必要技术；3）只有上下文学习提示能够帮助语言模型学习演示模板，但无法提高它们的推理性能。该基准数据集及我们的分析有助于未来生成情境化自然语言解释的研究。

    Jun, 2024

  • 基于大型语言模型的教育调查反馈分析

    本研究评估了大型语言模型（LLMs）GPT-4 和 GPT-3.5 在教育反馈调查中提供洞察力的潜力，并应用自然语言处理的方法，通过多标签分类、提取、主题分析和情感分析等任务来实现教育中常见的目标，从而展示了 LLMs 在洞察力提取方面的巨大潜力。

    Sep, 2023

  • 构建可靠流畅的大型语言模型：在问答系统中引入反馈学习循环

    为了解决大型语言模型在引文、正确性和流畅度方面存在的问题，本研究通过构建数据集、引入自动化反馈机制和反馈学习循环，成功提高了 ChatGPT 的引文和流畅度指标，并保持高水平的正确性。

    Sep, 2023

  • 探索大型语言模型生成形成性编程反馈的潜力

    探索大型语言模型在计算机教育和学习中的潜力，通过分析其对带有程序代码的输入生成的反馈进行研究，以此为目标来帮助学生解决编程任务并识别不同类型的反馈。结果表明，大型语言模型在一些入门编程任务和学生错误方面表现出了合理的性能，但教育者应提供指导，因为其提供的反馈可能对初学者包含误导性信息。

    Aug, 2023

  • 运用大型语言模型进行代数错误分类

    本研究通过使用预训练的大型语言模型，提出了一种灵活的错误分类方法，可以对更多的学生回答的数学问题进行分类，并分析了该方法的常见分类错误和自动错误分类的局限性。

    May, 2023

  • 使用语言反馈进行语言模型训练

    通过从自然语言反馈中学习，本文提出了一种三步学习算法来通过对其输出的反馈来优化预训练语言模型，以获得人类水平的摘要能力。

    Apr, 2022