利用人工智能的互动场景增强课堂教学品质，包括对话自动完成、知识和风格传递，和评估人工智能生成的内容，探索多种应用和挑战，为未来研究提供清晰的道路。

May, 2023

AgentTuning是一种简单且通用的方法，可以提高大型语言模型在代理任务方面的能力，同时保持其一般能力。该方法通过使用AgentInstruct与通用领域的开源指令相结合的混合指令调整策略对Llama 2系列进行了指令调整，从而得到AgentLM。评估结果显示，AgentTuning能够提升语言模型的代理能力而不影响其一般能力，AgentLM-70B在未知代理任务上与GPT-3.5-turbo相媲美，展现了广义的代理能力。我们在指定的网址开源了AgentInstruct和AgentLM-7B、13B和70B模型，为代理任务提供了开源和强大的替代方案。

Oct, 2023

利用大型语言模型模拟学生学习行为，揭示学习行为与测试问题、课程材料、参与度和理解水平之间的关联，加深我们对大型语言模型的理解，展示其对学生模拟的可行性，从而为更具适应性的课程设计提供支持，增强包容性和教育效果。

Oct, 2023

基于大型语言模型（LLM）的多智能体系统在复杂问题解决和世界模拟中取得了重大进展，我们提供了一份综述，深入讨论了基于LLM的多智能体系统的基本方面和挑战。

Jan, 2024

通过与大型语言模型合作，我们设计了具有多个虚拟学生角色的MATHVC虚拟教室，以帮助学生练习数学建模技能，并验证了该模拟方法的有效性。

Apr, 2024

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

大规模语言模型与基于代理的仿真的整合对于理解复杂社会系统具有变革潜力，本文探讨了系统开发LLM增强的社会仿真的架构和方法，并讨论了该领域的潜在研究方向。结论表明，将LLM与基于代理的仿真相结合为研究人员和科学家提供了强大的工具集，能够生成更细致、逼真和全面的复杂系统和人类行为模型。

May, 2024

本研究针对在线教育中个性化学习潜力不足的问题，提出了一种新的MAIC（大规模AI增强课程）形式，借助大语言模型驱动的多智能体系统构建AI增强课堂，兼顾可扩展性和适应性。通过对清华大学500多名学生的学习记录进行初步实验，发现了有价值的观察结果，为未来的在线教育提供重要的影响和实际应用的基础。

Sep, 2024

本研究针对大型语言模型（LLMs）在开放式互动学习环境中的应用局限性进行了探讨，提出了Hyp-Mix框架，以解决提示微小变化导致的反馈不一致问题。通过在物理学习环境中的测试，我们发现GPT-4 Turbo能够保持适当的行为表现，为LLMs在开放式学习环境中模拟真实行为的有效性提供了初步证据。此项研究为LLMs的教育应用打开了新的可能性。

Oct, 2024

本研究着眼于当前教育AI领域中模拟学生行为的不足，提出一种创新的AI4Education框架SOE，通过建模虚拟学生代理，旨在复制学习困难、情感反应及语言不确定性等人类特征。研究结果表明，利用大型语言模型生成的人性化虚拟学生代理不仅能够增强教师的教学技能，也为未来的教师培训和多代理模拟打下了基础。

Oct, 2024