A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant

📄 arXiv: 2609.03402v1 📥 PDF

作者: Saptarshi Basu, Sandeep Kakar, Ashok Goel

分类: cs.AI

发布日期: 2026-09-03

备注: 7 pages, 9 figures, IAAI27 conference

💡 一句话要点

提出基于提示工程的框架以实现个性化AI教学助手

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 个性化学习 AI教学助手 提示工程 大语言模型 认知复杂性 教育技术 学习者特征

📋 核心要点

  1. 现有的AI教学助手在个性化方面存在局限，无法满足不同学习者的需求。
  2. 论文提出了一种基于提示工程的框架，通过六个维度对学习者进行个性化响应调整。
  3. 实验结果显示，在不同个性化条件下，响应风格和结构存在显著差异，验证了该框架的有效性。

📝 摘要（中文）

本研究提出了一种基于提示工程的框架，用于个性化通用大语言模型（LLM）/检索增强生成（RAG）AI教学助手，如Jill Watson，旨在跨学科和课程提供可扩展的教育支持。该框架通过六个学习者特定维度（自我评估、抽象偏好、冗长偏好、感知取向、信息处理风格和理解水平）调整响应，生成96种不同的学习者档案。此外，学生查询还通过布鲁姆分类法分析，以估计交互层面的认知复杂性。学习者属性和认知评估被编码为结构化提示，能够在不需要模型重训练的情况下调节LLM。实验结果表明，在个性化条件下，响应风格和结构存在显著差异，统计分析识别出与可测量响应变化相关的学习者属性。这些发现初步证明了基于提示的个性化能够支持LLM驱动的教育代理的适应性行为。

🔬 方法详解

问题定义：本研究旨在解决现有AI教学助手在个性化方面的不足，尤其是在响应内容和风格上无法适应不同学习者的需求。现有方法往往缺乏灵活性和可扩展性。

核心思路：通过设计一个基于提示工程的框架，利用六个学习者特定维度来调整AI助手的响应，从而实现个性化。这种方法不需要对模型进行重训练，降低了实现成本。

技术框架：该框架包括学习者属性的收集、认知复杂性的分析、结构化提示的生成以及基于这些提示对LLM的调节。主要模块包括学习者特征提取、响应生成和反馈评估。

关键创新：最重要的创新在于通过六个维度的学习者特征实现个性化响应，而不是依赖于传统的模型重训练方法。这种方法使得个性化变得更加灵活和高效。

关键设计：在设计中，学习者的自我评估、偏好和理解水平被系统化地编码为结构化提示，确保LLM能够根据这些信息生成适合的响应。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在个性化条件下，响应风格和结构的显著差异得到了统计学支持，识别出与响应变化相关的学习者属性。这些结果为基于提示的个性化提供了初步证据，显示出良好的适应性行为。

🎯 应用场景

该研究的潜在应用领域包括教育技术、在线学习平台和个性化学习系统。通过实现个性化的AI教学助手，可以显著提高学习者的学习体验和效果，未来可能在教育行业产生深远影响。

📄 摘要（原文）

Artificial intelligence (AI) teaching assistants powered by large language models (LLMs) offer scalable educational support but often provide limited personalization. This study presents a prompt-engineering-based framework for personalizing general-purpose LLM/RAG-based AI teaching assistants such as Jill Watson across academic disciplines and courses. The framework adapts responses using six learner-specific dimensions: self-assessment, abstraction preference, verbosity preference, perceptual orientation, information processing style, and level of understanding, yielding 96 distinct learner profiles. Student queries are additionally analyzed using Bloom's Taxonomy to estimate cognitive complexity at the interaction level. Learner attributes and cognitive assessments are encoded in structured prompts that condition the LLM without requiring model retraining. The framework is evaluated through experiments using NLP metrics and a human study with five participants. Results show perceived differences in response style and structure across personalization conditions, with statistical analyses identifying learner attributes associated with measurable response changes. These findings provide preliminary evidence that prompt-based personalization can support adaptive behavior in LLM-powered educational agents.