대규모 언어 모델 체이닝을 통한 개인 지도(Private Tutoring) 강화

Empowering Private Tutoring by Chaining Large Language Models

인공지능은 교수 및 학습을 촉진하기 위해 온라인 교육의 다양한 분야에 적용되어 왔다. 그러나 완전한 AI 기반 튜터링 시스템에 대한 접근은 거의 이루어지지 않았다. 본 연구에서는 자동 학습 계획 수립 및 조정, 맞춤형 지도, 유연한 퀴즈 평가를 아우르는 최신 대규모 언어 모델(LLM) 기반의 본격적인 지능형 튜터링 시스템 개발을 탐구한다. 장기적인 상호작용에 대한 견고성을 확보하고 개별화된 교육을 제공하기 위해, 시스템은 상호작용(interaction), 성찰(reflection), 반응(reaction)이라는 세 가지 상호 연결된 핵심 프로세스로 구성된다. 각 프로세스는 동적으로 업데이트되는 메모리 모듈과 함께 LLM 기반 도구들을 체이닝하여 구현된다. 도구는 한 번에 하나의 특정 작업을 수행하도록 프롬프트된 LLM이며, 메모리는 교육 과정 중에 업데이트되는 데이터 저장소이다. 학습 로그의 통계적 결과는 각 도구 활용의 효과와 메커니즘을 입증한다. 실제 사용자의 주관적 피드백은 각 기능의 사용성을 보여주며, 기능 제거(ablation) 시스템과의 비교를 통해 장기적 상호작용에서 설계된 프로세스의 이점을 추가로 검증한다.

Artificial intelligence has been applied in various aspects of online education to facilitate teaching and learning. However, few approaches has been made toward a complete AI-powered tutoring system. In this work, we explore the development of a full-fledged intelligent tutoring system powered by state-of-the-art large language models (LLMs), covering automatic course planning and adjusting, tailored instruction, and flexible quiz evaluation. To make the system robust to prolonged interaction and cater to individualized education, the system is decomposed into three inter-connected core processes-interaction, reflection, and reaction. Each process is implemented by chaining LLM-powered tools along with dynamically updated memory modules. Tools are LLMs prompted to execute one specific task at a time, while memories are data storage that gets updated during education process. Statistical results from learning logs demonstrate the effectiveness and mechanism of each tool usage. Subjective feedback from human users reveal the usability of each function, and comparison with ablation systems further testify the benefits of the designed processes in long-term interaction.