TACT: 교육적으로 적응적인 영어 튜터링을 위한 분류 체계 기반의 추가 학습

TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring

대규모 언어 모델(LLM)은 최근 영어 학습자들을 위한 회화 연습 도구로 점점 더 많이 사용되고 있습니다. 그러나 효과적인 영어 튜터링은 단순히 유창한 응답 생성 능력만으로는 부족하며, 튜터는 학습자의 행동과 대화 맥락에 따라 적절한 교육적 조치를 선택해야 합니다. 인간 기반 튜터링 연구는 이러한 적응형 지원을 위한 원칙을 제시하지만, 이는 종종 특정 과제에 국한되며 LLM 기반 영어 튜터의 훈련 및 평가 시스템에는 충분히 통합되지 못하고 있습니다. 본 논문에서는 교육적으로 적응적인 영어 튜터를 훈련하고 평가하기 위한 인간 중심 프레임워크인 TACT(Taxonomy-Aligned Conversational Tutor)를 제시합니다. 기존 연구를 바탕으로, 우리는 13가지 튜터 응답 전략을 포함하는 '튜터 전략 분류 체계'와 학습자 행동을 유형 및 상태별로 특징짓는 '학습자 행동 분류 체계'라는 두 가지 상호 보완적인 분류 체계를 개발했습니다. 이러한 분류 체계를 사용하여 260개의 실제 교사-학생 대화를 32,379개의 주석과 품질 관리된 추가 학습 데이터로 풍부하게 만든 TACTCorpus를 구축했습니다. 그런 다음, 우리는 Qwen3.5-4B 모델을 지도 학습 방식으로 미세 조정하고, 이후 분류 체계에 따른 그룹 상대 정책 최적화(Group Relative Policy Optimization)를 수행하여 TACTutor를 생성하고, 단순한 참조 모방이 아닌 교육적 지원 품질을 최적화했습니다. 전략 균형 잡힌 진단 벤치마크인 TACTBench에서 TACTutor는 백본 모델보다 20.30% 향상된 성능을 보였으며, 동일한 프로토콜 하에 평가된 모든 독점 기반 모델보다 우수한 성능을 나타냈습니다. 또한 기존의 외부 교육 벤치마크에서도 백본 모델과 유사한 성능을 유지했습니다. 50명의 학습자를 대상으로 한 익명 연구에서 TACTutor는 평가된 튜터 중에서 가장 높은 종합 평균 점수를 받았습니다. 우리는 데이터, 벤치마크 및 모델 가중치를 공개하여 교육적으로 적응적인 영어 튜터를 개발하기 위한 개방형 기반을 제공합니다.

Large language models (LLMs) are increasingly used to provide conversational practice for English-as-a-second-language (ESL) learners. Effective ESL tutoring, however, requires more than fluent response generation: a tutor must select an appropriate pedagogical action based on learner behavior and dialogue context. Human-tutoring research offers principles for adaptive support, but they are often task-specific and remain insufficiently integrated into LLM-based ESL tutor training and evaluation. We present TACT (Taxonomy-Aligned Conversational Tutor), a human-grounded framework for post-training and evaluating pedagogically adaptive ESL tutors. Drawing on established literature, we develop two complementary taxonomies: the Tutor-Strategy Taxonomy with 13 tutor response strategies and the Student-Move Taxonomy characterizing learner behavior by move type and status. Using these taxonomies, we construct TACTCorpus, which enriches 260 authentic teacher-student conversations with 32,379 annotations and quality-controlled augmented training data. We then post-train Qwen3.5-4B through supervised fine-tuning followed by taxonomy-aligned Group Relative Policy Optimization, producing TACTutor and optimizing it for scaffolding quality rather than reference imitation alone. On TACTBench, a strategy-balanced diagnostic benchmark comprising 78 authentic tutoring contexts, TACTutor improves over its backbone by 20.30% and outperforms all evaluated proprietary baselines under the same protocol, while maintaining backbone performance on established external educational benchmarks; in a blinded study with 50 learners, it also receives the highest overall mean rating among the evaluated tutors. We release the data, benchmark, and model weights, providing an open foundation for developing pedagogically adaptive ESL tutors.