Appearance
LLM智能辅导系统综述
问题
传统智能教学系统难以灵活理解学生、维护教学知识和提供个性化指导。
大语言模型虽然具备知识生成、推理和自然语言交互能力，但如何将这些能力组织成一个真正能够指导学生的智能教学系统，仍是需要研究的问题。
核心观点：LLM 不应该只是一个回答问题的角色，应该参与教学知识管理、学生状态分析、教学策略选择和学习交互，形成持续的个性化教学过程。
内容
- 传统智能辅导系统的四个模块：
- 领域模型 掌握教学领域的专业知识
- 学生模型 了解学生掌握了什么、哪里不会
- 教学模型 决定接下来怎么教
- 交互界面模型 负责学生与系统之间的交互
- LLM 参与的教学架构
- 第一类：模块化架构
- 第二类：集成式架构
- LLM 智能辅导系统的四项核心能力 作者通过对现有研究任务的归纳，把 LLM 教学系统的能力归纳为四类：
- 教学内容生成，生成知识讲解、题目、答案和辅助学习材料。
- 学生回答评价，判断学生回答是否正确，分析问题并给出改进反馈。
- 学生知识建模，长期跟踪学生的知识水平、能力和错误类型。
- 教学对话管理，通过提问、逐步提示和反馈，引导学生主动思考。
- 应用场景
- STEM 教育 科学、计算机编程，工程、数学
- 语言学习 写作、口语、阅读和语言交流
- 专业培训 医学、法律、工程和社会技能训练
未来方向
教学策略对齐。目前很多 LLM 只是能够生成解释，但不一定真正遵循科学的教学方法，未来需要让教学行为与教学理论、教师意图保持一致。
透明的教学推理。系统不能只告诉学生应该修改这里，应该把涉及到这个问题的相关解释全部详细透明展示。教学决策应当能够追溯到可验证的教育材料，例如课程标准、知识图谱和历史交互记录
多模态交互。 目前教学系统还是主要依赖文本交互，未来的教学系统还应该能够结合，图片和架构图，程序源码，运行时状态，甚至图片动画语音等多模态信息。
G-BOPPPS：生成式 AI 支持的操作系统教学模式
研究问题
传统操作系统教学存在三个主要问题：
- 教学方式比较单一，学生容易被动接受知识，课堂参与度不高。
- 学生基础不同，难以针对每个人的知识薄弱点提供个性化指导。
- 操作系统理论比较抽象，学生缺少实践训练，难以形成系统性思维和解决复杂问题的能力。 论文主要研究两个问题：
核心方法：G-BOPPPS 教学模式
BOPPPS 是一种以学生为中心的教学模式，包含六个阶段。论文的核心工作就是将生成式 AI 融入贯穿这六个阶段。
| 阶段 | 名称 | AI 参与的工作 |
|---|---|---|
| B | Bridge-in 导入 | 生成生活场景、案例和类比，激发学习兴趣 |
| O | Objective 目标 | 将教学目标细化为具体、可衡量的学习目标 |
| P1 | Pre-assessment 课前测评 | 自动生成诊断题，识别学生知识薄弱点 |
| P2 | Participatory Learning 参与式学习 | 提供交互式指导、问题引导、案例模拟和知识解释 |
| P3 | Post-assessment 课后测评 | 自动评价学习成果，分析错误并推荐针对性练习 |
| S | Summary 总结 | 生成知识总结、学习报告和个性化复习建议 |
论文选择讲解进程状态转换，使用的是学习通 AI 工作台，整个教学过程设计分为六个环节：
- 导入（3分钟）： AI 生成医院场景，教师引导学生思考患者和医生的状态。
- 目标（2分钟）： 明确本节课的知识、技能和素养目标。
- 课前测评（5分钟）： AI 生成三道题，检测学生对进程概念和状态转换的掌握情况。
- 参与式学习（25分钟）： 学生分组绘制医院场景与进程状态之间的对应关系，AI 提供辅助解释。
- 课后测评（5分钟）： AI 生成测试题，检查学生是否掌握状态转换规则。
- 总结（5分钟）： 通过填空题、知识图谱和课后任务巩固知识。
让学生先理解现实场景，再建立计算机专业概念，最后通过测试和实践验证理解。
最终结果：实验组成绩明显提高 作者认为，AI 的引入推动了学习机制的转变
传统学习方式：
被动接受知识 → 记忆概念 → 完成考试
AI 支持的主动学习：
主动提问 → 探索问题 → 实践验证 → 获取反馈 → 修正认知
这也是论文最重要的教育理念：如何高效组织教学活动，让学生从知识接收转向主动知识建构。
结合LLM与静态分析生成下一步提示
问题
假设学生需要完成一个编程实验，学生不知道下一步该做什么，普通 AI 可能直接给他完整实现，但学生缺少了分析过程
作者认为理想的帮助应该是，结合问题给出下一步代码思路提示，这样学生还有机会自己思考判断逻辑、实现条件和返回值。
作者将问题进一步具体化：如何同时保证提示的针对性、粒度和代码质量？
- 针对性，提示必须与当前任务和学生代码有关
- 粒度，每次只提供一个足够小的动作
- 代码质量，避免错误、不合理或无关的代码修改
解决方法
组合式提示生成流程
先规划步骤 → 再生成下一步代码 → 再约束代码 → 最后根据约束后的代码生成文字提示
第一阶段：子目标生成，把一个整体任务细分为几个适合初学者立即完成的单步动作
作者除了把题目发给 GPT-4 外，还给出了六类输入信息：
实验要求，参考答案中的函数签名（不给完整答案），学生已经实现、可以复用的函数教师提供的固定提示，当前课程已经教授的知识点（约束），参考答案中的字符串常量
同时鼓励它把任务拆得更细，保留与代码真正相关的步骤描述，去除一些与代码教学知识点不符的步骤。（无法保证子目标完全合理）
第二阶段：代码提示生成，抽象描述转为一个具体的代码变化
作者给第二阶段的 LLM 提供第一阶段生成的子目标列表，学生当前代码，学生已经执行测试时产生的错误信息。
系统会生成一个修改后的代码版本，再与学生当前代码比较，提取下一步建议。
llm负责产生候选修改，程序静态分析负责筛选和限制候选修改，主要用于控制代码范围与质量
静态分析怎么约束 LLM
- 先删除无关修改
- 再判断函数长度
- 静态分析中的三种关键启发式规则：
- 把过大的代码修改缩减为一步
- LLM 同时改变判断条件和分支内部逻辑，让学生一次只关注一个逻辑问题
- 内部函数体变化检测，避免一次性暴露整个分支处理方案
最后检查代码质量
进行自动修复的代码质量问题，再转化为下一步提示的自然语言。
原因是如果直接要求 LLM 生成文字提示，模型可能写很多解释，以及给出的文字与实际代码修改不对应。
最终将文字提示、源码高亮和可选代码 Diff 结合起来教学，学生可以先获得方向，再选择是否查看具体代码，形成一定程度的分层帮助机制
实验效果
第一类实验：专家验证
第二类实验：学生使用系统
论文验证了方法具有一定实用性，但能否显著提高学生独立编程能力需要更深验证。