[论文解读] Data-Driven Hints in Intelligent Tutoring Systems

Sutapa Dey Tithi, Kimia Fazeli+4 more|arXiv (Cornell University)|Mar 7, 2026

Intelligent Tutoring Systems and Adaptive Learning被引用 0

一句话总结

一章综述数据驱动提示生成在 ITS 的演变，详述 Hint Factory、Interaction Networks、提示时机以及与 LLM 集成的未来方向。

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).

研究动机与目标

• 解释数据驱动方法如何演变以从历史数据生成下一步提示、里程碑（waypoints）和子目标。
• 描述数据驱动技术如何确定提供提示的正确时机。
• 探讨基于数据驱动的求解问题的潜在适应性以及与大型语言模型（LLMs）的集成。

提出的方法

• 讨论 Hint Factory 和 Interaction Networks 在从历史学生数据推导提示中的作用。
• 解释如何从经验数据生成下一步提示、里程碑和策略性子目标。
• 描述使用数据驱动信号检测最佳提示时机的方法。
• 综述基于行为数据的求解问题的潜在适应。
• 提出将 LLMs 纳入 ITS 提示工作流的途径。

实验结果

研究问题

• RQ1 如何利用历史学生数据来生成有效的下一步提示、里程碑和子目标？
• RQ2 哪些信号或数据驱动标准决定提供提示的最佳时机？
• RQ3 哪些数据驱动的适应性可以改进 ITS 中的求解指导，以及如何集成 LLMs？
• RQ4 将数据驱动技术与 LLMs 结合到辅导系统中潜在的收益与挑战是什么？

主要发现

• 本章概述了数据驱动提示生成技术的发展，如 Hint Factory 和 Interaction Networks。
• 它表明历史数据不仅可用于生成下一步提示，还可生成里程碑和战略性子目标。
• 它强调数据驱动方法可为提示提供时机提供信息。
• 它讨论了包括基于行为的适应性和 LLMs 集成在内的潜在未来方向。