TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring

📄 arXiv: 2608.03952v1 📥 PDF

作者: Dongjie Yang, Siyan Lin, Leixian Shen, Rui Sheng, Huamin Qu, Zixin Chen

分类: cs.AI

发布日期: 2026-08-04

💡 一句话要点

提出TACT框架以提升英语作为第二语言的适应性辅导效果

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 英语辅导 适应性学习 大型语言模型 分类法对齐 教育技术 个性化教学

📋 核心要点

  1. 现有的LLM在ESL辅导中缺乏有效的适应性支持，无法根据学习者的行为进行动态调整。
  2. 提出的TACT框架通过建立两个分类法，结合真实对话数据进行后训练，优化了教学策略选择。
  3. TACTutor在78个真实辅导场景的基准测试中提升了20.30%，并在盲测中获得最高评分，优于所有对比基线。

📝 摘要（中文）

大型语言模型（LLMs）在为英语作为第二语言（ESL）学习者提供对话练习方面越来越受到重视。然而，有效的ESL辅导不仅需要流利的响应生成，还需根据学习者的行为和对话上下文选择适当的教学策略。本文提出了TACT（Taxonomy-Aligned Conversational Tutor）框架，旨在通过后训练和评估适应性ESL辅导，结合已有文献开发了两个互补的分类法，构建了包含260个真实师生对话的TACTCorpus，并通过监督微调和分类法对齐的策略优化对Qwen3.5-4B进行了后训练。实验结果表明，TACTutor在多个基准测试中表现优异，并在盲测中获得最高评分。

🔬 方法详解

问题定义：本研究旨在解决现有大型语言模型在英语作为第二语言辅导中缺乏适应性的问题。现有方法往往无法根据学习者的行为和对话上下文进行动态调整，导致辅导效果不佳。

核心思路：论文提出的TACT框架通过建立两个分类法（Tutor-Strategy Taxonomy和Student-Move Taxonomy），为后训练和评估适应性ESL辅导提供了系统化的基础，旨在提升辅导的个性化和有效性。

技术框架：整体架构包括数据收集、分类法构建、模型后训练和评估四个主要阶段。首先，通过分析真实师生对话构建TACTCorpus，然后对Qwen3.5-4B进行监督微调，最后通过分类法对齐的策略优化进行后训练。

关键创新：最重要的技术创新在于提出了分类法对齐的策略优化方法，使得模型不仅关注参考模仿，还优化了教学支持的质量。这一方法与传统的单一模仿训练方法有本质区别。

关键设计：在后训练过程中，采用了质量控制的增强训练数据，并设计了适应性损失函数以平衡不同策略的优化，确保模型在多种教学场景下的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在TACTBench基准测试中，TACTutor在78个真实辅导场景中提升了20.30%，并在盲测中获得50名学习者的最高评分，优于所有对比基线，显示出其在教学效果上的显著优势。

🎯 应用场景

该研究的潜在应用领域包括在线英语学习平台、智能教育助手和个性化学习系统。通过提供更具适应性的辅导，能够显著提升学习者的语言能力和学习体验，未来可能对教育技术的发展产生深远影响。

📄 摘要（原文）

Large language models (LLMs) are increasingly used to provide conversational practice for English-as-a-second-language (ESL) learners. Effective ESL tutoring, however, requires more than fluent response generation: a tutor must select an appropriate pedagogical action based on learner behavior and dialogue context. Human-tutoring research offers principles for adaptive support, but they are often task-specific and remain insufficiently integrated into LLM-based ESL tutor training and evaluation. We present TACT (Taxonomy-Aligned Conversational Tutor), a human-grounded framework for post-training and evaluating pedagogically adaptive ESL tutors. Drawing on established literature, we develop two complementary taxonomies: the Tutor-Strategy Taxonomy with 13 tutor response strategies and the Student-Move Taxonomy characterizing learner behavior by move type and status. Using these taxonomies, we construct TACTCorpus, which enriches 260 authentic teacher-student conversations with 32,379 annotations and quality-controlled augmented training data. We then post-train Qwen3.5-4B through supervised fine-tuning followed by taxonomy-aligned Group Relative Policy Optimization, producing TACTutor and optimizing it for scaffolding quality rather than reference imitation alone. On TACTBench, a strategy-balanced diagnostic benchmark comprising 78 authentic tutoring contexts, TACTutor improves over its backbone by 20.30% and outperforms all evaluated proprietary baselines under the same protocol, while maintaining backbone performance on established external educational benchmarks; in a blinded study with 50 learners, it also receives the highest overall mean rating among the evaluated tutors. We release the data, benchmark, and model weights, providing an open foundation for developing pedagogically adaptive ESL tutors.