arXiv cs.AI· Yonggang Li, Boqian Han, Rui Sheng, Yushi Sun, Zixin Chen·· 6 天前AI 评分24
RegulaTutor：面向长期个性化学习的理论驱动框架
RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning
AI 导读
RegulaTutor 是一个基于自我调节学习（SRL）研究的长期个性化辅导框架，其辅导机制将认知、情感、元认知与动机（CAMM）框架落地，从学习历史证据推导学习者解读与教学策略，并随新观察持续更新。
正文 · AI 翻译
摘要：长期个性化辅导要求语言模型将学习者不断演变的历史转化为适当的教学支持。现有的基于 LLM 的辅导系统使用记忆和检索来实现个性化响应，但将历史证据与教学策略联系起来的教育学依据并不总是明确的。我们提出 RegulaTutor，一个理论指导的长期个性化辅导框架，将历史证据、学习者解读和面向学习者的教学联系起来。在自我调节学习（SRL）研究的指导下，其辅导工具将认知、情感、元认知和动机（CAMM）框架操作化，以推导有证据支持的学习者解读和教学策略。由此产生的策略保留与其支持证据的链接，并随着新观察的到来而更新。这种分阶段工作流还通过 PairRoute 支持系统性改进，PairRoute 是一种离线程序，使用中间执行记录来区分工具、模型和混合故障。PairRoute 提出并评估有针对性的工具修订，然后为所选工具下仍然存在的已确认模型故障构建经过审核的阶段级监督。我们将这一改进重点放在历史证据获取上，它支撑个性化教学，并允许将输出与学习记录和参考答案进行核对。在评估的模型配置中，RegulaTutor 平均提高了历史证据准确性、学习者诊断和评判的教学质量。PairRoute 结果显示，独立模型历史证据准确性相对于改进轨迹有端点提升。总之，这些结果凸显了 RegulaTutor 通过随学习者历史演变的教学策略以及对辅导系统的针对性改进来支持终身个性化教育的潜力。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.13399 [cs.AI] |
| （或 arXiv:2610.13399v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13399 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yonggang Li [查看电子邮件]
[v1]
2026年10月9日星期五 11:11:44 UTC（3,723 KB）
来源：arXiv cs.AI · arxiv.org