Leveraging Language Models for Emotion and Behavior Analysis in Education

要約

生徒の感情と行動の分析は、学習成果を高め、教育体験を個別化するために非常に重要です。
従来の方法は多くの場合、侵入型の視覚的および生理学的データ収集に依存しており、プライバシーの問題やスケーラビリティの問題を引き起こします。
この論文では、大規模言語モデル (LLM) とプロンプト エンジニアリングを活用して、学生からのテキスト データを分析する新しい方法を提案します。
私たちのアプローチは、カスタマイズされたプロンプトを利用して、LLM が感情とエンゲージメントの状態を検出できるようにガイドし、非侵入的でスケーラブルなソリューションを提供します。
Qwen、ChatGPT、Claude2、および GPT-4 を使用して実験を実施し、ベースライン モデルおよび思考連鎖 (CoT) プロンプトに対してメソッドを比較しました。
結果は、私たちの方法が精度と文脈理解の両方においてベースラインを大幅に上回っていることを示しています。
この研究は、LLM とプロンプト エンジニアリングを組み合わせて、教育的な感情と行動の分析に実用的で効果的なツールを提供する可能性を強調しています。

要約(オリジナル)

The analysis of students’ emotions and behaviors is crucial for enhancing learning outcomes and personalizing educational experiences. Traditional methods often rely on intrusive visual and physiological data collection, posing privacy concerns and scalability issues. This paper proposes a novel method leveraging large language models (LLMs) and prompt engineering to analyze textual data from students. Our approach utilizes tailored prompts to guide LLMs in detecting emotional and engagement states, providing a non-intrusive and scalable solution. We conducted experiments using Qwen, ChatGPT, Claude2, and GPT-4, comparing our method against baseline models and chain-of-thought (CoT) prompting. Results demonstrate that our method significantly outperforms the baselines in both accuracy and contextual understanding. This study highlights the potential of LLMs combined with prompt engineering to offer practical and effective tools for educational emotion and behavior analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google