RegulaTutor：连接学习历史与教学策略的个性化辅导框架
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载框架要解决什么
长期个性化辅导要求语言模型把学习者不断变化的历史转化为合适的教学支持。已有的基于 LLM 的辅导系统借助记忆与检索来实现个性化回复，但把历史证据与教学策略联系起来的教学理由并不总是显式的。RegulaTutor 的出发点正是补上这一环：它把历史证据、学习者解读与面向学习者的教学指令连接成一个整体，让每一步教学决策都能追溯到支撑它的证据，而不是仅靠检索拼凑回复。
CAMM 与证据链
该框架以自我调节学习研究为指导，其辅导 harness 落实认知、情感、元认知与动机（CAMM）框架，用来推导有证据支持的学习者解读与教学策略。由此产生的策略保留与支撑证据的关联，并随着新观察的到来而更新。这种分阶段的工作流让教学策略不是一次性生成，而是随学习者历史演进持续调整，同时保持可核查的证据链接。
PairRoute 的离线改进
论文还提出 PairRoute，一个离线流程，利用中间执行记录来区分 harness 失败、模型失败与混合失败。它提出并评估针对性的 harness 修订，然后为在选定 harness 下仍然存在的已确认模型失败构建经审核的阶段级监督。这一改进聚焦于历史证据获取，因为它是个性化教学的基础，也使输出能够对照学习记录与参考答案进行检查。
报告的结果
论文称，在评估的模型配置上，RegulaTutor 平均提升了历史证据准确性、学习者诊断与教学质量的评判结果。PairRoute 的结果显示，独立模型的历史证据准确性在改进轨迹上取得了端点提升。作者据此认为，这些结果体现了 RegulaTutor 通过随学习者历史演进的教学策略以及针对性的系统改进，支持终身个性化教育的潜力。
为什么值得看
把教学策略与证据链显式绑定，并给出可区分失败来源的离线改进流程，对做教育类 LLM 应用的人有参考价值。
信源1 家
关键事实
论文提出 RegulaTutor，一个面向长期个性化辅导的理论指导框架，连接历史证据、学习者解读与面向学习者的教学指令。[1]
其辅导 harness 以自我调节学习研究为指导，落实认知、情感、元认知与动机（CAMM）框架，用于推导有证据支持的学习者解读与教学策略。[1]
生成的策略保留与支撑证据的关联，并随新观察到来而更新。[1]
配套离线流程 PairRoute 使用中间执行记录区分 harness、模型与混合失败，提出并评估针对性 harness 修订，并为确认的模型失败构建经审核的阶段级监督。[1]
论文称 RegulaTutor 在评估的模型配置上平均提升了历史证据准确性、学习者诊断与教学质量的评判结果；PairRoute 结果显示独立模型历史证据准确性在改进轨迹上取得端点提升。[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。