Core Concepts
대형 언어 모델을 활용하여 학생의 행동 맥락을 관찰하고, 이를 바탕으로 새로운 과제에 대한 학생의 시도를 합성할 수 있다.
Abstract
이 연구는 대형 언어 모델(LLM)을 활용하여 개방형 학습 환경에서 학생의 행동을 모델링하고 합성하는 방법을 제안한다. 구체적으로:
학생의 행동 맥락(참조 과제에 대한 시도)을 LLM에 제공하여 학생의 문제 해결 전략과 오개념을 파악한다.
이를 바탕으로 새로운 과제에 대한 학생의 시도를 합성한다.
LLM-SS 프레임워크를 제안하여 다양한 LLM을 활용할 수 있도록 하며, LLM의 도메인 전문성을 향상시키기 위해 fine-tuning을 수행한다.
시각적 프로그래밍 도메인의 기존 벤치마크 STUDENTSYN을 활용하여 제안 방법을 평가한 결과, 기존 방법보다 우수한 성능을 보였으며 인간 튜터 수준에 근접하는 성과를 달성했다.
Stats
학생의 참조 과제 시도 코드 C_stu^{T_ref}는 전문가 솔루션 C^*_{T_ref}로부터 체계적인 변형을 통해 생성된다.
목표 과제 T_tar에 대한 전문가 솔루션 C^*_{T_tar}가 제공된다.
Quotes
"학생 모델링은 많은 교육 기술의 핵심으로, 미래 학습 성과를 예측하고 맞춤형 교육 전략을 설계할 수 있게 해준다."
"개방형 학습 도메인에서는 학생들의 다양한 행동과 광범위한 오개념으로 인해 학생 행동을 정확하게 모델링하는 것이 어렵다."
"LLM의 맥락 학습 능력을 활용하면 복잡한 파이프라인 없이도 개방형 학습 도메인에서 학생 행동을 효과적으로 모델링할 수 있다."