На arXiv опубликована работа, предлагающая подход к персонализации ответов ИИ-ассистента преподавателя общего назначения без дообучения языковой модели. Фреймворк построен исключительно на промпт-инжиниринге и предназначен для систем типа Jill Watson — RAG-ассистентов на базе LLM, используемых в разных дисциплинах.
Что предложили авторы
Исследователи определили шесть измерений, описывающих профиль учащегося: самооценка, предпочтение абстракции, предпочтение объёма ответа, перцептивная ориентация, стиль обработки информации и уровень понимания. Комбинации этих параметров дают 96 возможных профилей. Для каждого запроса дополнительно оценивается когнитивная сложность по таксономии Блума — от простого запоминания до создания нового знания.
Все атрибуты кодируются в структурированном промпте, который передаётся LLM вместе с запросом. Таким образом, модель генерирует ответ, адаптированный под конкретного студента и конкретную учебную задачу, не требуя переобучения или тонкой настройки.
Как это работает на практике
Процесс состоит из трёх этапов. Сначала собираются данные о студенте — через анкетирование или анализ предыдущих взаимодействий. Затем запрос классифицируется по таксономии Блума с помощью отдельного классификатора. На финальном шаге промпт собирается из шаблонов, включающих профиль студента и когнитивный уровень запроса, и отправляется в LLM.
Авторы подчёркивают, что такой подход позволяет менять персонализацию в реальном времени: если студент переключился с одной темы на другую или изменил свой стиль обучения, достаточно обновить промпт.
Оценка и результаты
Эксперименты включали два типа оценки. Первый — автоматическая с использованием NLP-метрик для измерения различий в стиле и структуре ответов при разных условиях персонализации. Второй — пилотное исследование с участием пяти человек, которые оценивали релевантность и качество адаптации.
Результаты показали статистически значимые различия в ответах при изменении отдельных атрибутов профиля. Участники отметили, что персонализированные ответы воспринимаются как более соответствующие их уровню и стилю обучения. Однако авторы предупреждают: выборка мала, и требуются более масштабные исследования для подтверждения эффективности.
Практические ограничения
Фреймворк не решает проблему сбора точных данных о студенте — если профиль составлен некорректно, персонализация будет работать плохо. Кроме того, классификация запроса по таксономии Блума сама по себе является нетривиальной задачей и может давать сбои на сложных или неоднозначных вопросах. Наконец, подход зависит от качества базовой LLM: слабая модель может неправильно интерпретировать сложный структурированный промпт.
Почему это важно
В контексте массового внедрения ИИ-ассистентов в образование ключевой проблемой остаётся баланс между масштабируемостью и индивидуализацией. Данный фреймворк предлагает практичный компромисс: персонализация без затратного дообучения, легко адаптируемая под разные курсы и дисциплины. Если результаты подтвердятся на больших выборках, подход может стать стандартом для настройки образовательных ИИ-агентов.
Источники
– arXiv: A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant — https://arxiv.org/abs/2609.03402