该研究提出了一种新的生成代理框架 EduAgent，结合认知先验知识来引导大型语言模型首先推理各种行为之间的相关性，然后进行模拟，实现对真实学生和虚拟学生学习行为的模仿、预测和生成。
Mar, 2024
利用大型语言模型在开放式学习环境中进行学生建模，引入了一种新的框架，LLM-SS，该框架利用 LLMs 来合成学生的行为，并使用领域专业知识对 LLMs 进行微调，以提高对领域背景和学生行为的理解，实验证明在学生尝试合成基准中与基线方法相比有显著改进，并且使用经过微调的 Llama2-70B 模型的方法与使用最先进的 GPT-4 模型相当。
Oct, 2023
提出了一个使用大型语言模型的多智能体课堂模拟框架 SimClass，在用户参与下实现传统教学模式的模拟，通过实验证明了多个代理之间的协作能够增强用户的学习体验，并希望这项工作能够推动大型语言模型在虚拟教学中的应用。
Jun, 2024
构建学生群体的个人资料以及使用大型语言模型进行具有个性化意识的学生模拟
Apr, 2024
本研究探讨了大语言模型（LLMs）生成学习资源的潜力，结果显示其生成的资源质量等同于同学们生成的资源，并可能成为特定背景下的补充教材。
Jun, 2023
使用大型语言模型构建的用户搜索行为模拟器在查询生成方面优于现有方法，并在预测用户点击和停止行为方面可与传统方法媲美。这些结果不仅验证了使用大型语言模型进行用户模拟的有效性，还为更强大和通用的用户模拟器的开发提供了启示。
应用大型语言模型（LLMs）在各种任务和社会模拟中取得了显著进展，但它们在任务导向的社会背景中的协调能力尚未得到充分探索。为了弥合这一差距，我们引入了协作生成代理，为基于 LLMs 的代理赋予一致的行为模式和解决任务的能力。我们将这些代理置于一个模拟的招聘会环境中进行案例研究，以审查它们的协调能力。我们提出了一个新颖的框架，赋予协作生成代理人类般的推理能力和专业技能。我们的评估结果表明，这些代理显示出有希望的性能。然而，我们也发现了限制，阻碍了它们在更复杂的协调任务中的效果。我们的工作对于 LLMs 在任务导向的社会模拟中的作用和发展提供了有价值的见解。
大语言模型（LLMs）的一个优点是它们的情境化能力 —— 根据学生的输入（如解决方案策略或前期讨论）提供不同的回应，以更好地让学生参与其中。我们提出了一个概念验证的 LLM 应用的设计和评估，以为学生提供动态和情境化的反馈。具体来说，我们在一个大学级别的云计算课程的在线编程练习机器人中加入了 ChatGPT，它在数据库设计的协作查询优化任务中为学生提供情境化的反思触发点。我们展示了 LLMs 可以用于生成高度情境化的反思触发器，这些触发器结合了上下文中正在进行的协作讨论的详细信息。我们详细讨论了触发器设计空间的探索以及其与学习目标的对应关系，以及在一项涉及 34 名学生的试点研究中对学生学习的影响。
采用半结构化数据与大型语言模型（LLMs）相结合，本研究引入了一种医学教育变革框架，以自动化生成医学模拟场景。该创新显著缩短了场景开发所需的时间和资源，实现了更广泛的模拟类型，提高了参与度和知识获取，突显了人工智能在推动教育成果和患者护理标准方面的关键作用。
人工智能和大型语言模型在计算机教育中的应用及其引发的伦理问题的综合调查和分析。