Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges

要約

インターネットを活用して教育リソースを配布するオンライン教育プラットフォームは、便利な教育の提供を目指していますが、多くの場合、生徒とのリアルタイムのコミュニケーションには不十分です。
彼らは、生徒が学習の過程で遭遇するさまざまな障害に対処するのに苦労することがよくあります。
学生が直面する問題を解決することは、広範囲にわたる主題の知識だけでなく、学生の個々の問題の構成要素を理解する能力も必要とするため、従来の深層学習モデルにとって大きな課題となります。
従来の機械学習モデルには生徒の個別のニーズを理解する能力がないため、これは困難です。
最近、ラージ言語モデル (LLM) の出現により、個々の要求を理解することでこの問題を解決できる可能性が提供されています。
LLM はさまざまな分野で成功を収めていますが、必要とされる幅広い教育スキルを考えると、LLM ベースの教育システムを構築することは依然として困難です。
この論文は、次世代のインテリジェント教育システムの構築における可能性を探ることを目的として、数学、作文、プログラミング、推論、知識ベースの質問応答などの教育能力に関連する最近出現した LLM 研究を概説します。
具体的には、各機能について 2 つの側面を重点的に調査します。
まず、この能力に関する LLM の現状を調べます。LLM はどの程度進歩しているのか、人間の能力を超えているのか、どのような欠陥が存在する可能性があるのか​​を調べます。
第二に、この分野の LLM の開発方法が一般化可能かどうか、つまり、これらの方法が単一の側面のみで効果的であるのではなく、さまざまな機能にわたる強みを備えた包括的な教育スーパーモデルを構築するために適用できるかどうかを評価します。

要約(オリジナル)

Online education platforms, leveraging the internet to distribute education resources, seek to provide convenient education but often fall short in real-time communication with students. They often struggle to address the diverse obstacles students encounter throughout their learning journey. Solving the problems encountered by students poses a significant challenge for traditional deep learning models, as it requires not only a broad spectrum of subject knowledge but also the ability to understand what constitutes a student’s individual difficulties. It’s challenging for traditional machine learning models, as they lack the capacity to comprehend students’ personalized needs. Recently, the emergence of large language models (LLMs) offers the possibility for resolving this issue by comprehending individual requests. Although LLMs have been successful in various fields, creating an LLM-based education system is still challenging for the wide range of educational skills required. This paper reviews the recently emerged LLM research related to educational capabilities, including mathematics, writing, programming, reasoning, and knowledge-based question answering, with the aim to explore their potential in constructing the next-generation intelligent education system. Specifically, for each capability, we focus on investigating two aspects. Firstly, we examine the current state of LLMs regarding this capability: how advanced they have become, whether they surpass human abilities, and what deficiencies might exist. Secondly, we evaluate whether the development methods for LLMs in this area are generalizable, that is, whether these methods can be applied to construct a comprehensive educational supermodel with strengths across various capabilities, rather than being effective in only a singular aspect.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google