[논문 리뷰] Data-Driven Hints in Intelligent Tutoring Systems

Sutapa Dey Tithi, Kimia Fazeli외 4명|arXiv (Cornell University)|2026. 03. 07.

Intelligent Tutoring Systems and Adaptive Learning인용 수 0

한 줄 요약

데이터 기반 힌트 생성의 진화를 ITS에서 개관하는 장으로, Hint Factory, Interaction Networks, 힌트의 타이밍, 그리고 LLM 통합과 미래 방향을 상세히 다룹니다.

ABSTRACT

This chapter explores the evolution of data-driven hint generation for intelligent tutoring systems (ITS). The Hint Factory and Interaction Networks have enabled the generation of next-step hints, waypoints, and strategic subgoals from historical student data. Data-driven techniques have also enabled systems to find the right time to provide hints. We explore further potential data-driven adaptations for problem solving based on behavioral problem solving data and the integration of Large Language Models (LLMs).

연구 동기 및 목표

• 과거 데이터를 바탕으로 다음 단계 힌트, 웨이포인트, 그리고 하위 목표를 생성하기 위해 데이터 기반 방법이 어떻게 진화해 왔는지 설명한다.
• 데이터 기반 기법이 힌트를 제공하는 적정 타이밍을 어떻게 결정하는지 설명한다.
• 문제 해결 및 대형 언어 모델(LLMs)과의 통합에 대한 데이터 기반 적응 가능성을 탐구한다.

제안 방법

• Hint Factory와 Interaction Networks가 과거 학생 데이터로부터 힌트를 도출하는 데 어떤 역할을 하는지 논의한다.
• 경험 데이터로부터 다음 단계 힌트, 웨이포인트, 전략적 하위 목표가 어떻게 산출되는지 설명한다.
• 데이터 기반 신호를 사용해 최적 힌트 타이밍을 감지하는 접근법을 설명한다.
• 행동 데이터에 기반한 문제 해결 적응 가능성을 조사한다.
• ITS 힌팅 워크플로우에 LLM을 통합하기 위한 방안을 권고한다.

실험 결과

연구 질문

• RQ1 과거 학생 데이터를 어떻게 활용해 효과적인 다음 단계 힌트, 웨이포인트, 하위 목표를 생성할 수 있는가?
• RQ2 힌트를 제공하는 최적의 타이밍을 결정하는 어떤 신호나 데이터 기반 기준이 있는가?
• RQ3 ITS의 문제 해결 안내를 개선하기 위한 데이터 기반 적응은 무엇이며 LLM은 어떻게 통합할 수 있는가?
• RQ4 튜터링 시스템에서 데이터 기반 기술과 LLM을 결합할 때의 잠재적 혜택과 도전 과제는 무엇인가?

주요 결과

• 이 장은 Hint Factory 및 Interaction Networks와 같은 데이터 기반 힌트 생성 기술의 진화를 개괄한다.
• 역사적 데이터를 이용해 다음 단계 힌트뿐 아니라 웨이포인트와 전략적 하위 목표를 생성할 수 있음을 보여준다.
• 데이터 기반 방법이 힌트를 언제 제공할지에 대한 타이밍을 inform할 수 있음을 강조한다.
• 행동 기반 적응 및 대형 언어 모델(LLMs) 통합을 포함한 미래 방향에 대해 논의한다.