PATS: 대규모 언어 모델 튜터 기반의 성격-인식 교수 전략

PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors

최근 대규모 언어 모델(LLM)의 발전은 교육 튜터로서의 잠재력을 보여주었습니다. 그러나 다양한 학습 전략은 서로 다른 성격 유형의 학생들에게 효과적이며, 전략의 부적합은 학습 성과에 부정적인 영향을 미칠 수 있습니다. 그러나 현재의 LLM 튜터링 시스템은 학생의 성격 특성을 고려하지 않습니다. 이러한 문제를 해결하기 위해, 우리는 교육 문헌을 기반으로 교육 방법과 성격 프로필을 연결하는 분류 체계를 구축했습니다. 우리는 학생-교사 대화 시뮬레이션을 수행하고, 개발한 프레임워크를 사용하여 LLM 튜터가 시뮬레이션된 학생의 성격에 맞춰 전략을 조정하도록 했습니다. 인간 교사를 대상으로 평가한 결과, 그들은 일관되게 우리의 접근 방식이 두 가지 기준 방식보다 우수하다고 평가했습니다. 또한, 우리의 방법은 역할극과 같이 덜 일반적이지만 효과적인 전략의 사용을 증가시키며, 이는 인간 및 LLM 평가자 모두에게서 뚜렷한 선호도를 보였습니다. 우리의 연구 결과는 교육 분야에서 LLM을 보다 개인화되고 효과적으로 활용할 수 있는 길을 열어줍니다.

Recent advances in large language models (LLMs) demonstrate their potential as educational tutors. However, different tutoring strategies benefit different student personalities, and mismatches can be counterproductive to student outcomes. Despite this, current LLM tutoring systems do not take into account student personality traits. To address this problem, we first construct a taxonomy that links pedagogical methods to personality profiles, based on pedagogical literature. We simulate student-teacher conversations and use our framework to let the LLM tutor adjust its strategy to the simulated student personality. We evaluate the scenario with human teachers and find that they consistently prefer our approach over two baselines. Our method also increases the use of less common, high-impact strategies such as role-playing, which human and LLM annotators prefer significantly. Our findings pave the way for developing more personalized and effective LLM use in educational applications.