One Size doesn’t Fit All: A Personalized Conversational Tutoring Agent for Mathematics Instruction

要約

大規模な言語モデル（LLM）は、さまざまなインテリジェントな教育システムでますます採用されており、効果的なヒューマンマシン相互作用を促進するためにヒトチューターをシミュレートしています。
ただし、以前の研究は、個々の学習者の特性を認識して適応することの重要性を見落としていることがよくあります。
このような適応は、特に多様な学習スタイルが理解と熱意を促進するためにパーソナライズされた戦略を必要とする数学の指導において、学生の関与と学習効率を高めるために重要です。
この論文では、数学指導のためにa \ textbf {p} erson \ textbf {a} lized \ textbf {c} ag \ textbf {e} nt（pace）（pace）を提案します。
Paceは、各生徒のペルソナと協力して、FelderおよびSilverman Learning Styleモデルに基づいて、学生の学習スタイルをシミュレートします。
このようにして、私たちのペースは学生の性格を効果的に評価し、独自の学習スタイルに共鳴する個別の教育戦略を開発することができます。
学生の理解をさらに高めるために、PACEはソクラテス教育方法を採用して、即座のフィードバックを提供し、深い思考を奨励しています。
パーソナライズされた教育データとトレーニングモデルを構築することにより、PACEは各学生の独自のニーズを特定し、適応する能力を実証し、全体的な学習体験と結果を大幅に改善します。
さらに、マルチアスペクト評価基準を確立し、パーソナライズされた教育のパフォーマンスを評価するために広範な分析を実施します。
実験結果は、既存の方法と比較して、教育経験をパーソナライズし、学生をやる気にさせる際のモデルの優位性を示しています。

要約(オリジナル)

Large language models (LLMs) have been increasingly employed in various intelligent educational systems, simulating human tutors to facilitate effective human-machine interaction. However, previous studies often overlook the significance of recognizing and adapting to individual learner characteristics. Such adaptation is crucial for enhancing student engagement and learning efficiency, particularly in mathematics instruction, where diverse learning styles require personalized strategies to promote comprehension and enthusiasm. In this paper, we propose a \textbf{P}erson\textbf{A}lized \textbf{C}onversational tutoring ag\textbf{E}nt (PACE) for mathematics instruction. PACE simulates students’ learning styles based on the Felder and Silverman learning style model, aligning with each student’s persona. In this way, our PACE can effectively assess the personality of students, allowing to develop individualized teaching strategies that resonate with their unique learning styles. To further enhance students’ comprehension, PACE employs the Socratic teaching method to provide instant feedback and encourage deep thinking. By constructing personalized teaching data and training models, PACE demonstrates the ability to identify and adapt to the unique needs of each student, significantly improving the overall learning experience and outcomes. Moreover, we establish multi-aspect evaluation criteria and conduct extensive analysis to assess the performance of personalized teaching. Experimental results demonstrate the superiority of our model in personalizing the educational experience and motivating students compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google