Educational Personalized Learning Path Planning with Large Language Models

要約

教育パーソナライズされた学習パス プランニング (PLPP) は、学習体験を個々の学習者のニーズに合わせて調整し、学習効率と学習意欲を高めることを目的としています。
従来の PLPP システムは、その可能性にもかかわらず、多くの場合、適応性、対話性、透明性に欠けています。
この論文では、これらの課題に対処するために、大規模言語モデル (LLM) とプロンプト エンジニアリングを統合する新しいアプローチを提案します。
学習者固有の情報を組み込んだプロンプトを設計することにより、私たちの手法は、LLama-2-70B や GPT-4 などの LLM が、パーソナライズされた、一貫性のある、教育的に健全な学習パスを生成できるように導きます。
私たちは、精度、ユーザー満足度、学習パスの品質など、さまざまな指標にわたって、私たちの方法とベースラインのアプローチを比較する実験を実施しました。
結果は、特に GPT-4 ですべての領域で大幅な改善が見られ、PLPP の強化における迅速なエンジニアリングの有効性を示しています。
追加の長期的な影響分析により、学習者のパフォーマンスと定着率を向上させるこのメソッドの可能性がさらに検証されます。
この調査は、個別化された教育を進める上での LLM と迅速なエンジニアリングの可能性を強調しています。

要約(オリジナル)

Educational Personalized Learning Path Planning (PLPP) aims to tailor learning experiences to individual learners’ needs, enhancing learning efficiency and engagement. Despite its potential, traditional PLPP systems often lack adaptability, interactivity, and transparency. This paper proposes a novel approach integrating Large Language Models (LLMs) with prompt engineering to address these challenges. By designing prompts that incorporate learner-specific information, our method guides LLMs like LLama-2-70B and GPT-4 to generate personalized, coherent, and pedagogically sound learning paths. We conducted experiments comparing our method with a baseline approach across various metrics, including accuracy, user satisfaction, and the quality of learning paths. The results show significant improvements in all areas, particularly with GPT-4, demonstrating the effectiveness of prompt engineering in enhancing PLPP. Additional long-term impact analysis further validates our method’s potential to improve learner performance and retention. This research highlights the promise of LLMs and prompt engineering in advancing personalized education.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google