T-SciQ: Teaching Multimodal Chain-of-Thought Reasoning via Mixed Large Language Model Signals for Science Question Answering
Singapore Management University(新加坡管理大学);University of Electronic Science and Technology of China(电子科技大学);Beijing Forestry University(北京林业大学);Beijing Rongda Technology Co., Ltd.(北京融达技术有限公司)
针对科学问答中高质量多模态CoT理据标注成本高且易缺信息的问题,本文提出T-SciQ,利用混合LLM信号生成教学数据并训练小模型,在ScienceQA上达到96.18%准确率。
2023-12-18 cs.CL
Teaching LLMs to Abstain across Languages via Multilingual Feedback
University of Washington(华盛顿大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Microsoft Research(微软研究院)
针对 LLM 跨语言知识差异导致弃权性能不均的问题,本文提出多语言反馈与自我反思方法,在三类 QA 数据集和多个模型上显著提升低资源语言弃权表现。
2025-02-14 cs.CL
Teaching Llama a New Language Through Cross-Lingual Knowledge Transfer
Institute of Computer Science(计算机科学研究所);University of Tartu(塔尔图大学)
本文面向低资源爱沙尼亚语,基于 Llama 2 结合单语预训练与跨语言指令微调,推出首个开源指令模型 Llammas 和数据集 Alpaca-est。
2024-04-05 cs.CL
Teaching Small Language Models to Learn Logic through Meta-Learning
University of Trento(特伦托大学);University of Warsaw(华沙大学);Free University of Bozen-Bolzano(博兹纳-博尔扎诺自由大学)
本文通过元学习方法提升小型语言模型在三段论推理任务中的逻辑推理能力,实验表明其在低数据环境下表现优于GPT-4o和o3-mini。
2026-01-26 cs.CL
Explainable Behavior Cloning: Teaching Large Language Model Agents through Learning by Demonstration
Ant Group(蚂蚁集团);Zhejiang University(浙江大学)
针对移动应用自主交互的开发难题,提出融合大语言模型与行为克隆的EBC-LLMAgent,含三大核心模块与行为克隆链融合技术,实验验证其在多领域应用中任务成功率高、泛化性强且具备可解释性。
2024-10-30 cs.CL
Teaching Language Models to Self-Improve through Interactive Demonstrations
Columbia University(哥伦比亚大学);Microsoft Research(微软研究院)
本文提出TriPosT训练算法,通过让较小模型与大型语言模型交互收集反馈并回放纠错经验,赋予小模型自我改进能力,在数学和推理任务上最高提升7.13%。
2024-03-31 cs.CL
Teaching Large Language Models to Express Knowledge Boundary from Their Own Signals
Fudan University(复旦大学);Mybank, Ant Group(蚂蚁集团网商银行);Shanghai Key Laboratory of Data Science(上海市数据科学重点实验室);School of Computer Science(计算机学院)
本文提出CoKE,利用LLM内部置信度探测其知识边界并据此训练模型表达边界,从而在回答已知问题的同时拒绝未知问题,显著减少幻觉并提升域内外性能。
2024-06-16 cs.CL
Think Multilingual, Not Harder: A Framework for Analyzing and Teaching Code-Switched Reasoning
University of Michigan(密歇根大学)
本文提出一种数据高效的框架,用于识别并教授推理模型更有效的语言混合行为,通过分析不同模型的语言混合行为,开发出有效的微调干预措施,提升推理模型的语言混合能力。
2026-11-20 cs.CL
Teaching Language Models to Self-Improve by Learning from Language Feedback
NiuTrans Research(NiuTrans研究院)
本文提出自我精炼调优(SRT)方法,通过让基础模型从更先进模型的语言反馈和精炼结果中学习,实现自我改进,在 AlpacaEval 2.0 上将 70B 模型胜率从 9.6% 提升至 25.8%,超越多个成熟系统。
2024-06-11 cs.CL
TIM: Teaching Large Language Models to Translate with Comparison
Tencent Inc(腾讯公司)
本文提出 TIM 框架,通过正确与错误翻译对及偏好损失微调 LLM,在 WMT2022 上优于现有方法。
2024-01-22 cs.CL
Teaching LLMs at Charles University: Assignments and Activities
Institute of Formal and Applied Linguistics(形式与应用语言学研究所);Faculty of Mathematics and Physics, Charles University(查理大学数学与物理学院)
本文介绍了查理大学新开设的大语言模型课程的教学材料,核心方法是通过LLM推理实验作业和测验、专项研究及“最佳论文”互动会议等课堂活动,主要贡献在于提供了一套完整的LLM教学实践方案。
2024-07-29 cs.CL
Teaching People LLM's Errors and Getting it Right
University of Utah(犹他大学)
本文研究了如何通过教导人类LLM的错误模式来减少其过度依赖,发现教学效果依赖于更有效的自动失败发现方法和新的评估指标。
2025-12-24 cs.AI cs.CL
AgreeMate: Teaching LLMs to Haggle
University of Maryland(马里兰大学)
本文提出AgreeMate框架,通过提示工程、微调和思维链提示训练大语言模型在模块化议价架构中进行策略性价格谈判,并用新指标和注意力探测验证模型对谈判语义关系的关注。
2024-12-24 cs.CL cs.LG
Legal Syllogism Prompting: Teaching Large Language Models for Legal Judgment Prediction
Peking University Law School(北京大学法学院);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);PKU-WUHAN Institute for Artificial Intelligence(北大-武汉人工智能研究院)
本文提出法律三段论提示LoT,通过让LLM按“法律—事实—判决”结构推理,在CAIL2018上零样本提升GPT-3判决预测性能并增强可解释性。
2023-07-17 cs.CL
Bayesian Teaching Enables Probabilistic Reasoning in Large Language Models
MIT(麻省理工学院);Meta;Google(谷歌公司);DeepMind University of British Columbia(不列颠哥伦比亚大学深度思维学院);Vector Institute(向量研究所);New York University(纽约大学);Google Research(谷歌研究)
通过教学使大语言模型模仿贝叶斯模型预测,提升其概率推理能力并推广至新任务。
2026-01-15 cs.AI cs.CL
Teaching Small Language Models to Reason
University of Cambridge(剑桥大学);Google Research(谷歌研究院)
本文提出用大型教师模型生成的思维链微调小型学生模型,通过知识蒸馏将推理能力迁移到千亿参数以下模型,并显著提升多类推理任务表现。
2023-06-01 cs.CL cs.LG
STaR-GATE: Teaching Language Models to Ask Clarifying Questions
Stanford University(斯坦福大学)
本文提出 STaR-GATE 方法,通过奖励模型生成有用问题实现自我改进,使语言模型学会提出澄清性问题,从而在 72% 的任务上生成更优的个性化响应。
2024-08-07 cs.AI cs.CL
Small Language Models Reshape Higher Education: Courses, Textbooks, and Teaching
China University of Geosciences(中国地质大学);Huazhong Agricultural University(华中农业大学)
本研究利用小型语言模型重新设计大气物理课程,通过构建高维向量库实现教学资源的动态化与智能化,推动教育模式的变革。
2025-12-02 cs.CL physics.ed-ph
Legal Prompting: Teaching a Language Model to Think Like a Lawyer
Thomson Reuters Labs(汤森路透实验室);Ontario Tech University(安大略理工大学)
大语言模型能够实现零次或Few-Shot提示,这引起了提示工程这一新的研究领域。最近的进展表明,例如,思想链(CoT)提示可以显着改善算术或常识任务。我们探讨了这种方法如何与法律推理任务,并采取了COLIEE蕴涵任务的基础上,日本律师考试测试zero-shot/Few-Shot和微调的方法。我们的研究结果表明,虽然CoT提示和微调与解释方法显示出改善,最好的结果是由来自特定的法律推理技术,如IRAC(问题,规则,应用,结论)的提示。根据我们的实验,我们将2021年的最佳结果从0.7037精度提高到0.8148精度,并以0.7431的精度击败了2022年的最佳系统0.6789精度。
2022-12-08 cs.AI cs.CL
Syntax Without Semantics: Teaching Large Language Models to Code in an Unseen Language
AWS AI Labs(AWS人工智能实验室)
研究探讨大语言模型在未见过的语言中生成代码的能力,发现微调仅能教授语法而无法转移语义能力,揭示了推理与语言实现之间的鸿沟。
2026-08-04 cs.CL cs.LG
Teaching Language Models to Critique via Reinforcement Learning
The University of Hong Kong(香港大学)
本文提出CTRL框架,通过强化学习训练批评模型以提升代码生成的准确性和性能,实现迭代改进和误差缓解。
2025-11-29 cs.AI cs.CL cs.LG
SambaLingo: Teaching Large Language Models New Languages
SambaNova Systems(SambaNova系统公司)
本文系统研究LLM适配新语言的方法,涵盖词汇扩展、直接偏好优化及低资源语言对齐的数据稀缺问题,在9种语言和7B/70B规模上超越所有先前基线,并公开代码与模型。
2024-07-17 cs.AI cs.CL cs.LG
Teaching-Inspired Integrated Prompting Framework: A Novel Approach for Enhancing Reasoning in Large Language Models
The University of Hong Kong(香港大学);Youdao, NetEase, Inc.(网易有道公司)
提出教学启发的集成提示框架,通过模拟教师指导过程为LLMs提供概念、定理和相似问题,并在四个数学基准上取得新的最优性能。
2024-10-10 cs.AI cs.CL
PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors
Bocconi University(博科尼大学);ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学)
PATS通过结合学生性格特征优化大语言模型的教学策略,提升教学效果和学生参与度。
2026-01-13 cs.AI cs.CL
Sherpa: Teaching LLMs to Teach Adaptively
Stanford University(斯坦福大学);Georgia Tech(佐治亚理工学院);Carnegie Mellon University(卡内基梅隆大学)
提出多轮强化学习框架Sherpa,通过模拟多样学生原型并直接最大化学习成果,训练LLM教师自适应教学,平均提升学生表现20.5个百分点,教学得分从52.5%升至79.2%。
2026-10-07 cs.AI cs.CL
Teaching Specific Scientific Knowledge into Large Language Models through Additional Training
Tokyo Institute of Technology(东京工业大学);University of Tsukuba(筑波大学);The University of Tokyo(东京大学)
本研究探索通过额外训练向Llama 2注入科学知识,采用文本增强、超参数优化等方法,用6.5万篇论文验证,实现部分知识嵌入并指明后续改进方向。
2023-12-18 cs.AI cs.CL cs.LG
Teaching Pretrained Language Models to Think Deeper with Retrofitted Recurrence
University of Maryland(马里兰大学);New York University(纽约大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);University of North Carolina(北卡罗来纳大学);ELLIS Institute Tübingen, Max Planck Institute for Intelligent Systems, Tübingen AI Center(图宾根ELLIS研究所、马克斯·普朗克智能系统研究所、图宾根人工智能中心);Columbia University(哥伦比亚大学)
本文研究将预训练非循环语言模型转换为深度循环模型的方法,提出用循环次数课程表逐步增加有效深度,在数学任务上以相同计算预算取得优于直接后训练的性能。
2025-11-10 cs.AI cs.CL cs.LG
Teaching a Multilingual Large Language Model to Understand Multilingual Speech via Multi-Instructional Training
University of Stuttgart(斯图加特大学)
针对大语言模型难以应用于语音领域的问题,提出融合多语言大语言模型与语音编码器的BLOOMZMMS模型,通过多指令训练实现知识跨模态迁移,在139种语言的多任务零样本评估中表现鲁棒。
2024-04-16 cs.CL cs.SD eess.AS
Teaching Probabilistic Logical Reasoning to Transformers
Michigan State University(密歇根州立大学)
本文提出概率约束训练(PCT)方法,通过微调阶段引入概率逻辑规则作为约束,提升Transformer语言模型在不确定文本上的概率逻辑推理能力,并增强其可解释性和泛化性。
2024-02-09 cs.AI cs.CL
Teaching Large Language Models Number-Focused Headline Generation With Key Element Rationales
School of Computing Technologies, RMIT University(RMIT大学计算技术学院)
本文提出基于主题、实体和数值推理(TEN)的思维链框架,通过教师LLM生成推理监督数据来微调学生LLM,以提升数字标题生成的文本质量与数值准确性。
2025-02-05 cs.CL cs.LG
Teaching Language Models to Check Grounded Claim Factuality with Human Test-Taking Strategies
Intelligent Systems Laboratory(智能系统实验室);University of Bristol(布里斯托大学)
将基于事实的声明真实性检查建模为真假阅读理解任务,通过提示语言模型使用明确的应试策略进行高效推理,并训练小语言模型以降低推理成本。
2026-05-28 cs.AI cs.CL
Teaching Audio-Aware Large Language Models What Does Not Hear: Mitigating Hallucinations through Synthesized Negative Samples
Graduate Institute of Communication Engineering(通信工程研究生院)
本文提出LISTEN方法,通过骨干LLM合成负样本进行类对比学习训练,在不修改LLM参数、仅用轻量适配器的条件下,有效缓解音频感知大语言模型的声事件幻觉,并在现有音频问答与推理基准上保持高性能,同时数据和计算效率更高。
2025-07-01 cs.CL cs.SD eess.AS
Teaching language models to support answers with verified quotes
DeepMind(深度思维);University College London(伦敦大学学院)
最近的大语言模型经常正确地回答事实问题。但是用户不能相信任何未经事实检验的模型,因为语言模型可能会产生令人信服的胡说八道。在这项工作中,我们使用从人类偏好(RLHP)强化学习来训练“开卷”QA模型,这些模型生成答案,同时还引用了具体的证据来证明他们的主张,这有助于评估正确性。支持证据来自通过搜索引擎找到的多个文档,或来自单个用户提供的文档。我们的2800亿参数模型GopherCite能够产生具有高质量支持证据的答案,并且在不确定时放弃回答。我们通过对NaturalQuestions和ELI5数据集的一个子集中的问题答案进行人工评估来衡量GopherCite的性能。该模型的响应被发现是高质量的80%的时间在这个自然问题子集,和67%的时间在ELI5子集。对最不确定的第三个问题弃权,分别将性能提高到90%和80%,接近人类基线。然而,对对抗性TruthfulQA数据集的分析表明,为什么引用只是安全性和可信度整体策略的一部分:并非所有有证据支持的声明都是真实的。
2022-03-21 cs.CL cs.LG
On the application of Large Language Models for language teaching and assessment technology
University of Cambridge(剑桥大学);King's College London(伦敦国王学院);Writer, Inc.(Writer公司);Imperial College London(帝国理工学院)
本文探讨大语言模型在AI语言教学与评估中的应用前景、风险与伦理,分析其在内容生成、自动评分和语法纠错上的表现及局限。
2023-07-17 cs.CL cs.LG
Teaching Large Language Models to Maintain Contextual Faithfulness via Synthetic Tasks and Reinforcement Learning
Shuzheng Si(上海交通大学);Haozhe Zhao(上海交通大学);Cheng Gao(上海交通大学);Yuzhuo Bai(上海交通大学);Zhitong Wang(上海交通大学);Bofei Gao(上海交通大学);Kangyang Luo(上海交通大学);Wenhao Li(上海交通大学);Yufei Huang(上海交通大学);Gang Chen(上海交通大学);Fanchao Qi(上海交通大学);Minjia Zhang(上海交通大学);Baobao Chang(上海交通大学);Maosong Sun(复旦大学)
为减少大型语言模型的上下文忠实性幻觉,提出无需人工标注的系统框架CANOE,通过合成短形式QA数据及基于规则的强化学习方法Dual-GRPO优化长短形式响应生成,在11项任务中显著提升模型忠实性且优于GPT-4o等先进模型。
2025-11-12 cs.AI cs.CL
RuleBert: Teaching Soft Rules to Pre-trained Language Models
Eurecom(欧洲通信系统工程师学校与微电子中心);Qatar Computing Research Institute, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所)
虽然预训练的语言模型(PLM)是解决许多自然语言处理问题的首选解决方案,但它们在捕获和使用常识知识方面的能力仍然非常有限。事实上,即使信息以近似(软)逻辑规则的形式可用,也不清楚如何将其传输到PLM以提高其演绎推理任务的性能。在这里,我们的目标是通过教授PLM如何使用软Horn规则进行推理来弥合这一差距。我们引入了一个分类任务,在给定的事实和软规则,PLM应该返回一个预测与给定的假设的概率。我们发布了这个任务的第一个数据集,我们提出了一个修改后的损失函数,使PLM能够学习如何预测任务的精确概率。我们的评估结果表明,得到的微调模型实现了非常高的性能,即使在训练时看不到的逻辑规则上也是如此。此外,我们证明了规则表达的逻辑概念被转移到微调模型,在外部数据集上产生最先进的结果。
2021-09-24 cs.AI cs.CL cs.LG
TasTe: Teaching Large Language Models to Translate through Self-Reflection
Institute of Computing and Intelligence, Harbin Institute of Technology(哈尔滨工业大学计算与智能学院);Pattern Recognition Center, WeChat AI, Tencent Inc(腾讯微信AI模式识别中心)
本文提出TasTe框架,通过两阶段自反思(先初步翻译并自我评估,再依据评估结果精炼翻译)提升大语言模型的机器翻译质量,在WMT22四个语言方向上验证了其有效性。
2024-06-12 cs.AI cs.CL
LatentQA: Teaching LLMs to Decode Activations Into Natural Language
UC Berkeley(加州大学伯克利分校)
本文提出LatentQA任务,通过生成激活与自然语言描述的数据库,训练解码器LLM以回答关于激活的开放性问题,并验证其在阅读任务和行为控制中的优越性。
2026-03-23 cs.CL cs.CY cs.LG
GPT4Tools: Teaching Large Language Model to Use Tools via Self-instruction
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tencent AI Lab(腾讯人工智能实验室);Chinese University of Hong Kong(香港中文大学)
本文提出GPT4Tools,通过自指令生成数据集并结合LoRA优化,使开源LLM具备多模态工具使用能力,显著提升已见工具调用准确性并支持未见工具的零样本调用。
2023-05-30 cs.CL cs.CV
DiscussLLM: Teaching Large Language Models When to Speak
NEC Laboratories America(NEC美洲实验室)
DiscussLLM通过两阶段数据生成管道合成大规模多轮人类讨论数据,训练模型主动决定何时发言,提升对话AI的响应能力。
2026-05-14 cs.CL cs.HC
Teaching Language Models to Hallucinate Less with Synthetic Tasks
UC Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院);UIUC(伊利诺伊大学厄巴纳-香槟分校);Hippocratic AI(希波克拉底人工智能公司)
针对大语言模型在抽象摘要任务中易产生幻觉且难优化评估的问题,提出SynTra方法,通过合成任务前缀调优系统提示词并迁移到真实任务,有效降低13B参数模型的幻觉,且微调全模型反而会加剧幻觉。
2023-11-07 cs.CL cs.LG
IdeaAnchor: Teaching LLMs to Turn Literature into Research Ideas
Yale University(耶鲁大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Tata Consultancy Services(塔塔咨询服务公司)
IdeaAnchor通过结构化规范作为监督信号,训练大语言模型从文献中生成研究思路,结合锚点训练与检索增强,显著提升思路质量。
2026-10-07 cs.AI cs.CL
Teaching Large Language Models to Self-Debug
Google DeepMind(谷歌DeepMind);UC Berkeley(加州大学伯克利分校)
针对复杂编程任务中LLM一次性生成正确代码难的问题,提出Self-Debugging少样本自调试方法,通过橡皮鸭调试实现无人工反馈的代码自查,在多个代码生成基准上取得SOTA并大幅提升样本效率。
2023-10-05 cs.AI cs.CL
Large Language Model-Driven Classroom Flipping: Empowering Student-Centric Peer Questioning with Flipped Interaction
Nanyang Technological University(南洋理工大学)
本文提出一种基于LLM翻转交互的课堂翻转教学法,结合同伴教学与即时教学,开发聊天机器人软件以生成同伴问题,有效优化大班教学节奏并提升师生互动体验。
2023-11-14 cs.AI cs.CL cs.CY
Leap-Of-Thought: Teaching Pre-Trained Models to Systematically Reason Over Implicit Knowledge
The Allen Institute for AI(艾伦人工智能研究所);Tel-Aviv University(特拉维夫大学);Bar-Ilan University(巴伊兰大学)
神经网络能在多大程度上系统地推理符号事实?有证据表明,大型预训练语言模型(LM)获得了一定的推理能力,但这种能力是难以控制的。最近,它已被证明,基于transformer的模型成功地在一致的推理明确的符号事实,在“封闭世界”的假设。然而,在开放域设置中,希望利用已经编码在预训练LM的参数中的大量隐式知识库。在这项工作中,我们提供了第一个证明,可以训练LM可靠地执行系统推理相结合的隐式,预先训练的知识和明确的自然语言语句。为此,我们描述了一个自动生成数据集的过程,该数据集教会模型新的推理技能,并证明模型学习有效地执行推理,其中涉及隐式分类和世界知识,链接和计数。最后,我们表明,“教学”模型的原因概括超出了培训分布:他们成功地组成了使用多种推理技巧在单个例子。我们的工作为开放域系统铺平了道路,该系统通过与用户交互来不断改进,用户可以通过添加简单的自然语言语句来立即纠正模型。
2020-11-14 cs.AI cs.CL cs.LG
Toward In-Context Teaching: Adapting Examples to Students' Misconceptions
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
本文提出 AdapT 评估套件与自适应教学概率模型 AToM,通过模拟学生和人类实验验证其能依据学生知识状态选择示例,效果优于随机选择及多种基线方法。
2024-05-07 cs.AI cs.CL cs.LG
The Graph's Apprentice: Teaching an LLM Low Level Knowledge for Circuit Quality Estimation
针对传统逻辑综合计算密集的问题,本研究提出用基于LUT图训练的GNN嵌入正则化预测器网络增强LLM,使其能直接从HDL代码估计电路质量,在OpenABCD基准上性能优于现有方法且反馈即时。
2025-02-14 cs.AI cs.AR cs.CL
IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems
Intrinsic Lab, Centre for Sensors, Instrumentation and Cyber-Physical System Engineering (Centre for SeNSE), Indian Institute of Technology Delhi(印度理工学院德里分校传感器、仪器仪表和网络物理系统工程中心(传感中心)本征实验室);RSL Quantum, FITT, IIT Delhi(印度理工学院德里分校 FITT 学院 RSL 量子实验室)
研究针对现有指令数据集问题,提出IKS-Instruct多语言数据集教授语言模型印度知识体系,源于六种源类型,经多评判评估框架评估质量,展示了该数据集在特定模型微调上的效果及模型质量与数据整理的关系。
2026-07-28 cs.CL cs.CY cs.ET
Teaching Language Models How to Code Like Learners: Conversational Serialization for Student Simulation
本文提出通过对话序列化技术,直接从真实学生编程过程数据训练开放权重的人工编程学习者,提升模型在调试行为模拟中的能力。
2026-05-13 cs.AI cs.CL cs.CY
NExT: Teaching Large Language Models to Reason about Code Execution
Google DeepMind(谷歌DeepMind);Yale University(耶鲁大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出NExT方法,通过自训练生成执行感知的思维链,教导LLM检查程序执行轨迹并推理运行时行为,在程序修复任务中显著提升修复率且能泛化至无轨迹场景。
2024-04-23 cs.CL cs.LG cs.PL
Developing a model for a text database indexed pedagogically for teaching the Arabic language
Higher School of Sciences and Techniques of Tunis(突尼斯高等科学与技术学院);University of Monastir(莫纳斯提尔大学)
在这个记忆中,我们设计了阿拉伯语的索引模型,并采用标准来描述所使用的学习资源(LOM及其应用程序配置文件),学习条件包括学生的教育水平,他们的理解水平.考虑到文本的代表性元素,文本的长度,.特别是,我们强调阿拉伯语的特殊性,这是一种复杂的语言,其特点是它的弯曲,它的voyellation和它的粘合。
2012-06-10 cs.CL
Characterizing tradeoffs between teaching via language and demonstrations in multi-agent systems
Stanford University(斯坦福大学)
本研究使用多智能体系统模拟人类交流,通过训练神经网络智能体在交流任务中操纵任务难度和教师能力,发现示范对简单任务更有效,而语言因泛化能力在难度增加时更具优势,揭示了语言与示范间的教学权衡。
2023-05-19 cs.CL
SLATE: Are AI-Generated Slides Educationally Effective? A Benchmark for Language Teaching Quality and Learner Knowledge Acquisition
Beijing Normal University(北京师范大学);University of Science and Technology of China(中国科学技术大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Beijing Language and Culture University(北京语言大学);Tsinghua University(清华大学)
SLATE基准通过前测-后测设计评估AI生成语言教学幻灯片,发现教学设计比内容有效性更影响学习收益,且前沿模型可能产生负学习收益,呼吁转变评估范式。
2026-09-09 cs.CL
Natural Language Processing 4 All (NLP4All): A New Online Platform for Teaching and Learning NLP Concepts
Aarhus University(奥胡斯大学);Interacting Minds Center(互动心智中心);ScienceAtHome(居家科学中心)
自然语言处理为几乎所有学科和领域的语言数据提供了新的见解,并使我们能够证实和/或挑战现有的知识。扩大参与和使用这些新的研究工具的主要障碍是,第一,在整个K-16学生缺乏编码技能,并在广大人口,第二,缺乏知识的NLP方法可以用来回答语言学和/或计算机科学以外的学科感兴趣的问题。为了扩大对NLP的参与并提高NLP素养,我们引入了一个新的工具-基于Web的工具,称为自然语言处理4 All(NLP 4All)。NLP 4All的目的是帮助教师通过提供易于使用的NLP方法,数据和分析界面来促进NLP的学习,使非程序员和新手程序员能够交互式地学习NLP概念。
2021-05-28 cs.CL