通过进行关于指导儿童描述图像进行语言学习的案例研究，我们构建了以四种基础学习理论为基础的不同类型的脚手架辅导系统，使用一个七维度的评估标准来评估脚手架过程，实验结果表明，大型语言模型（LLMs）展示了在不同学生群体中遵循教学指导和自主学习的巨大潜力，并且我们将评估框架从手动方法扩展到自动化方法，为各种对话辅导系统的基准奠定了基础。

Apr, 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

通过使用监督性提示训练（Supervisory Prompt Training）方法，我们提出了一种新颖的方法，可以自动地生成高效的提示，从而提高大型语言模型（LLMs）的性能和减少幻觉，为传统的模型微调提供了一种高效且可扩展的替代方案。

Mar, 2024

应用大型语言模型，如 GPT-4，预测智能辅导系统中成人识字课程的学习表现。研究表明，GPT-4 与传统机器学习方法在预测学习表现方面具有竞争力，而 GPT-4 与 XGBoost 的结合在性能上优于本地机器执行。此外，研究发现 GPT-4 与网格搜索相比具有可比性表现，并且将大型语言模型与传统机器学习模型整合可提高预测准确性，个性化成人识字教育。

Mar, 2024

通过构建一对一的人机英语辅导交互数据集（BIPED）并使用两步预测模型，我们实现了两种使用 GPT-4 和 SOLAR-KO 的 CITS 模型，并通过实验证明这些模型不仅可以模仿人类教师的风格，还可以运用多样且情境适宜的教学策略。

Jun, 2024

SPT 模型能够通过选择性提示调整语言模型以实现个性化对话，大幅提高响应的多样性，并改善其他关键性能指标，从而在促进吸引人和个性化对话生成方面显示出高效性。

Jun, 2024

通过创新的状态提示设计，本论文介绍了一种改进的方法，利用含有代码独白的数据集来提高智能辅导系统的计算准确性和可靠性。

Sep, 2023

通过创建数据集并使用不同的语言模型进行基准测试，我们介绍了一个多轮 Socratic 建议的手动数据集，旨在帮助初学者程序员修复简单计算问题的错误解决方案，以及自动化 Socratic 对话代理的调试能力评估。

Oct, 2023

利用大型语言模型（LLMs）加速研究理论计算机科学和数学中最重要的开放性问题之一 P 与 NP 问题的一项工作，提出了一种名为苏格拉底推理的广义框架，通过 LLMs 促进复杂问题解决的深度思考。实验证明 GPT-4 在 97 次对话中通过苛刻的推理得出结论 “P≠NP”，从而揭示了 LLMs 广泛解空间中的新见解，为科学中的 LLMs 提供了启示。

Sep, 2023

通过行为克隆和自我强化训练，我们提出了交互学习方法 SOTOPIA-π，进一步提高语言代理的社交智能。我们展示了该训练方法使得一个 7B LLM 达到了专家模型（基于 GPT-4 的代理）的社交目标完成能力，同时提高了语言代理的安全性并在 MMLU 基准测试中保持了通用问答能力。我们还发现这种训练范式揭示了 LLM-based 评估社交智能的一些困难：LLM-based 评估者高估了专门用于社交互动训练的语言代理的能力。

Mar, 2024