提示工程实现通用AI教学助手的可扩展灵活实时微级个性化

arXiv:2609.03402v1 公告类型: new 摘要: 由大语言模型（LLM）驱动的 AI 助教可提供可扩展的教育支持，但往往个性化程度有限。本研究提出了一套基于 prompt engineering 的框架，用于跨学科、跨课程地个性化通用 LLM/RAG 型 AI 助教（如 Jill Watson）。该框架通过六个学习者专属维度来自适应调整回复：自我评估、抽象偏好、详尽程度偏好、感知取向、信息处理风格和理解水平，共生成 96 种不同的学习者画像。学生提问还会通过 Bloom's Taxonomy 进行分析，以在交互层面估算认知复杂度。学习者属性与认知评估被编码为结构化 prompt，在不需重新训练模型的条件下对 LLM 进行条件控制。该框架通过 NLP 指标实验和一项五人参与的用户研究进行评估。结果显示，在不同个性化条件下，回复风格和结构存在可感知的差异；统计分析进一步识别出与可测量回复变化相关的学习者属性。这些发现为基于 prompt 的个性化能够支持 LLM 驱动教育 Agent 的自适应行为提供了初步证据。