ИИ-ассистента для учебы научили подстраиваться под 96 профилей студентов без переобучения
Современные образовательные ассистенты на базе больших языковых моделей дают студентам быструю помощь, но индивидуальная подстройка под каждого учащегося остается сложной. Авторы новой работы, опубликованной на arXiv, предложили способ решить эту задачу без дорогостоящего переобучения нейросетей.
Разработанный подход относится к промпт-инжинирингу: он формирует структурированные запросы к модели, которые учитывают личные особенности студента. Система была протестирована на общей архитектуре ассистента, аналогичной Jill Watson, предназначенной для поддержки обучения по разным дисциплинам.
Персонализация опирается на шесть измерений: самооценка ученика, предпочтение абстрактных или конкретных объяснений, желаемый объем текста, ориентация на визуальное или вербальное восприятие, стиль обработки информации и текущий уровень понимания. Комбинация этих параметров дает 96 уникальных пользовательских профилей.
Кроме того, запросы студентов автоматически анализируются с помощью таксономии Блума. Это позволяет оценить когнитивную сложность вопроса на уровне взаимодействия и еще точнее настроить ответ.
Эксперимент включал автоматическую оценку с помощью NLP-метрик и небольшое человеческое исследование с участием пяти человек. Участники заметили различия в стиле и структуре ответов при разных условиях персонализации. Статистический анализ подтвердил, что отдельные атрибуты обучающегося связаны с измеримыми изменениями в ответах модели.
По словам авторов, это предварительное свидетельство того, что персонализация на основе промптов может сделать поведение ИИ-ассистента адаптивным. Такой подход потенциально позволяет масштабировать индивидуальную поддержку в образовании, сохраняя гибкость и скорость работы без обновления модели.
