.prompt 엔지니어링 접근법을 통해 일반적인 목적의 AI 교육 도우미에서 대규모, 유연한 및 실시간 하이브리드 마이크로 레벨 개인화 개발

인공 지능(AI) 교육 지원을 위한 대규모 언어 모델(LLM) 기반의 가르침 도우미는 교육 지원을 확장할 수 있지만 종종 개인화된 교육을 제공하지 못한다. 이 연구는 학문 분야와 과목을 가리지 않고 Jill Watson과 같은 일반 목적의 LLM/RAG 기반 AI 교육 지원을 위한 프롬프트 엔지니어링 기반 프레임워크를 제시한다. 이 프레임워크는 6개의 학습자 특성 dimension(자신의 평가, 추상화 preference, verbosity preference, 인지 방향, 정보 처리 style, 이해 수준)을 사용하여 학습자별로 96개의 유니크한 학습자 프로필을 생성하고, 학생의 질의를 Bloom's Taxonomy를 사용하여 상호 작용 단계에서 인지 복잡성을 추정한다. 학습자 특성 및 인지 평가를 구조화된 프롬프트에 인코딩하여 LLM를 조건화할 수 있다. 이 프레임워크는 NLP 지표와 5명의 인간 참가자를 사용한 실험을 통해 평가된다. 결과는 개인화 조건에 따라 응답 스타일과 구조에 대한 주관적인 차이를 보여주며, 통계적 분석은 학습자 특성이 측정 가능한 응답 변화를 유도하는 특성을 식별한다. 이 연구의 결과는 LLM 기반 교육 요원의 적응적 행동을 지원하는 프롬프트 기반 개인화의 초기 증거를 제공한다.