提示工程赋能通用AI助教：实现可扩展、灵活的实时微观级混合个性化

arXiv:2609.03402v1 公告类型：new 摘要：由大语言模型（LLM）驱动的 AI 教学助手可提供可扩展的教育支持，但往往缺乏个性化。本研究提出了一种基于 prompt engineering 的框架，用于在学科和课程之间个性化通用 LLM/RAG 型 AI 教学助手（如 Jill Watson）。该框架通过六个学习者特定维度调整回复：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。学生查询还会通过 Bloom's Taxonomy 进行分析，以在交互层面评估认知复杂度。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约束 LLM。该框架通过 NLP 指标实验和五人参与的用户研究进行了评估。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。