提示工程框架为通用AI助教实现96种学习者画像的个性化应答
研究者在Jill Watson等助教系统上提出六维度学习者建模方法，无需重训模型即可改变回复风格，初步实验显示个性化效果可被感知。
AI解读：大模型驱动的AI助教通常对所有学生给出近乎相同的答案，个性化不足。这篇论文提出只用提示词（prompt）就能为助教系统定制回复：它把每个学习者按六个维度——自我评估、抽象偏好、详细程度、感知取向、信息处理方式和理解水平——组合成96种画像，再用布鲁姆分类法判断每道提问的认知难度，把这些信息写进结构化的提示里，让模型在回答时自动调整风格、结构和深度，整个过程不重训模型。研究者在Jill Watson这类通用LLM/RAG助教上做了实验，五名人类被试能感知到不同个性化条件下的回复风格差异，统计分析还找到了与回复变化相关的学习者属性。对正在使用或开发AI助教的教师和工程师来说，这意味着不必为每个学生单独微调模型，靠提示词工程就能动态适配不同学习者；但要注意这只是初步证据，人类研究只有五人，效果还需更大规模验证，而且系统判断的准确性和长期教学收益尚未公开展示。
一篇提交至IAAI27会议的arXiv论文（2609.03402v1）提出了一套基于提示工程（prompt-engineering）的框架，用于让通用型LLM/RAG AI助教（如Jill Watson）在无需模型重训练的条件下实现个性化应答。该框架涵盖六个学习者维度，共生成96种学习者画像。
论文称，学生查询还会用布鲁姆分类法（Bloom's Taxonomy）分析，以评估交互层面的认知复杂度；学习者属性与认知评估结果将被编码进结构化提示，从而在不重训模型的情况下影响大模型的输出。
框架评估采用了NLP指标实验和一项五名参与者的人类研究。结果显示，不同个性化条件下回复风格和结构存在可感知差异，统计分析找出了与可测量回复变化相关的一些学习者属性。
框架的个性化维度与画像数量
论文将个性化建模为六个维度：自我评估（self-assessment）、抽象偏好（abstraction preference）、详细程度偏好（verbosity preference）、感知取向（perceptual orientation）、信息处理风格（information processing style）与理解水平（level of understanding）。
六个维度的不同取值组合理论上形成96种不同的学习者画像（learner profiles）。论文没有在摘要中逐一说明每个维度各有多少取值。
评估方法与结果
实验部分使用了NLP指标及一项五名参与者的人类研究来验证框架效果。论文摘要描述的初步结果是：不同个性化条件下的回复在风格和结构上存在可感知的差异，并且统计分析识别出了与回复变化相关联的学习者属性。
论文将这些发现定性为“初步证据”，表明基于提示词的个性化可以让由LLM驱动的教育智能体表现出适应性行为。
需要注意，摘要中披露的评估规模较小（5名人类参与者），因此结果属于探索性结论。