Key points are not available for this paper at this time.
Intelligente Tutoring-Systeme (ITSs) können ein personalisiertes und selbstgesteuertes Lernerlebnis bieten. Das Aufkommen großer Sprachmodelle (LLMs) ermöglicht zudem eine bessere Interaktion zwischen Mensch und Maschine und erleichtert die Entwicklung konversationeller ITS in verschiedenen Disziplinen wie Mathematik und Spracherwerb. Im dialogischen Unterricht kann das Erkennen und Anpassen an individuelle Merkmale das Engagement der Schüler und die Effizienz des Lernens erheblich steigern. Allerdings bleibt die Charakterisierung und Simulation der Persona von Schülern eine Herausforderung bei der Schulung und Bewertung konversationeller ITS. In dieser Arbeit schlagen wir ein Framework vor, um Profile verschiedener Schülergruppen zu erstellen, indem sowohl kognitive als auch nicht-kognitive Aspekte verfeinert und integriert werden, und nutzen LLMs für eine persönlichkeitsbewusste Studentensimulation in einem Spracherwerbsszenario. Wir erweitern das Framework weiter mit einer Multi-Aspekt-Validierung und führen eine umfassende Analyse aus der Perspektive von Lehrern und Schülern durch. Unsere experimentellen Ergebnisse zeigen, dass hochmoderne LLMs unterschiedliche Schülerantworten entsprechend der gegebenen Sprachfähigkeit und Persönlichkeitsmerkmale erzeugen können und adaptive Unterstützungstrategien der Lehrer auslösen können.
Liu et al. (Wed,) haben diese Frage untersucht.