giteahh/llm_wiki
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
82730170824260fd1e56dc566d68ec2102742ed0
llm_wiki/wiki/AIED 2025会议.md
T
hehaiguang1123 a6f05ab2d5 Phase 0-2: Schema cleanup, typed relations, event-driven automation 
- Phase 0: AGENTS.md cleanup (dedup quotes, renumber sections, merge qmd)
- Phase 1: typed relations (manage-relations.py, graph-search.py, check-staleness.py, detect-conflicts.py)
- Phase 2: frontmatter validator, weekly lint, knowledge promotion, git hooks
- Fix .gitignore to track tools/ and .githooks/
- Fix git remote URL (remove plaintext token)
- New wiki pages: 504 pages, 34 raw sources
2026-07-01 08:05:43 +08:00

10 KiB
Raw Blame History

categories, tags, created, source, type, aliases
categories tags created source type aliases
LLM Wiki
wiki
tool
ai
research
conference
2026-04-20 AIED-2025学术前沿论文深度解读-20260413 entity
AIED 2025
International Conference on Artificial Intelligence in Education

AIED 2025

一句话描述: 第26届人工智能教育国际会议, 主题为"AI作为包容、个性化和伦理教育的催化剂"

基本信息

属性 值
会议名称 26th International Conference on Artificial Intelligence in Education (AIED 2025)
会议主题 "AI as a Catalyst for Inclusive, Personalised, and Ethical Education: Empowering Teachers and Students for an Equitable Future"
时间 2025年7月22-26日
地点 意大利巴勒莫 (Palermo, Italy)
出版 Springer Lecture Notes in Computer Science (LNCS) 15877-15882
论文数量 主会议254篇 + 海报/研讨会144篇 = 共398篇
编辑委员会 Alexandra I. Cristea, Erin Walker, Yu Lu, Olga C. Santos, Seiji Isotani

获奖论文

最佳论文奖 (Main Track)

奖项 获奖机构 论文主题
最佳论文奖 加州大学伯克利分校 Askademia: 实时AI学生问答系统

最佳LBR论文奖

奖项 获奖机构 论文主题
最佳LBR论文奖 日本理化学研究所(RIKEN AIP) + 东北大学 GPT生成有效选择题研究

最佳论文提名

  • 21篇论文获得提名
  • 涵盖7大研究方向

最佳论文深度解析

Askademia - 伯克利实时AI问答系统

论文信息

  • 标题: ASKADEMIA: A Real-Time AI System for Automatic Responses to Student Questions
  • 作者: Menakshi Mittal, Gaurav Tyagi, Azalea Bailey, Gireja Ranade, Narges Norouzi
  • 机构: 加利福尼亚大学伯克利分校
  • 出版: Springer LNCS Vol 15880, 2025年7月20日

研究背景 传统课堂教学中, 学生问题往往无法及时回答, 大型课程尤甚。助教响应时间平均需要数分钟至数小时, 导致学生注意力下降、学习体验受损。

技术方案

┌─────────────────────────────────────────────────────────────┐
│                      Askademia 系统架构                      │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   学生问题 ──→ 视觉-语言模型(VLM) ──→ 上下文检索           │
│       ↓                                    ↓               │
│   实时Lecture内容 ◄── RAG ──→ 课程资料库                    │
│       ↓                                                     │
│   AI生成答案 ──→ 质量评估 ──→ 返回学生                      │
│                                                             │
└─────────────────────────────────────────────────────────────┘

核心技术

  1. 视觉-语言模型 (VLM): 处理包含PPT、图片的学生提问
  2. 检索增强生成 (RAG): 结合实时Lecture内容和课程资料
  3. 实时处理管道: 毫秒级响应学生问题

实验结果

指标 Askademia 助教(TA) 提升
话题切换前到达率 98.3% 45.4% +2.2倍
中位响应时间 2秒 241秒 快120倍
可读性 高 高 相当
事实准确性 高 高 相当
相关性 高 中 更高

核心发现

Askademia 能够以显著更快的速度(120倍)和更高的一致性提供高质量答案

研究意义

  1. 证明了VLM+RAG在教育问答场景的可行性
  2. 为大规模在线/混合课程提供技术范式
  3. 开辟了"AI助教"替代人工TA的新路径

GPT生成有效选择题

论文信息

  • 标题: Tell Me Who Your Students Are: GPT Can Generate Valid Multiple-Choice Questions When Students' (Mis)Understanding Is Hinted
  • 作者: Machi Shimmei, Masaki Uto, Yuichiroh Matsubayashi, Kentaro Inui 等
  • 机构: 理化学研究所(RIKEN AIP) + 东北大学
  • 奖项: AIED 2025 Best LBR Paper Award

核心问题 GPT能否在知道学生"错误理解"的前提下, 生成有效的诊断性选择题?

研究发现 当给予GPT关于学生误解的提示后, GPT能够生成:

  • 高度诊断性的选择题
  • 精准识别学生 misconceptions 的题目
  • 区分不同理解层次的能力

技术贡献

  • 首次将"学生误解提示"引入MCQ生成
  • 证明GPT可作为教师评估工具
  • 为自适应测验开辟新方向

七大研究方向

序号 研究方向 论文数量 核心议题
1 AIED架构与工具 ~35篇 实时AI系统、工具开发
2 以人为中心的设计 ~40篇 HCI、学习者体验
3 学习、教学与教学法 ~50篇 有效教学策略
4 AI教学 ~30篇 AI素养、计算思维
5 机器学习与生成式AI ~45篇 LLM应用、生成内容
6 AIED理论基础 ~30篇 学习建模、知识追踪
7 伦理、公平与社会 ~25篇 责任AI、教育公平

重点研究主题

主题一: LLM导师系统

代表性研究

  1. Scarlatos et al. (2025) - DPO训练LLM导师
  2. Gupta et al. (2025) - 数学辅导LLM评估
  3. Phung et al. (2025) - AI辅助编程元认知

关键趋势

  • 从"遵循原则"到"优化效果"的范式转变
  • 小模型(7-8B)实现导师能力
  • 偏好学习(DPO/RLHF)成为主流方法

主题二: 教师AI工具

代表性研究

  1. AIBAT - 教师驱动评估语言模型工具
  2. Karumbaiah et al. (2025) - 教师AI素养评估
  3. Nagae et al. (2025) - 教师专业发展培训效果

关键趋势

  • 教师从"AI使用者"转变为"AI评估者"
  • AI工具赋能而非替代教师
  • 教师AI素养成为研究热点

主题三: 自适应学习系统

代表性研究

  1. Deep Knowledge Tracing - 遗忘与题目难度建模
  2. AIA-PAL - 个性化自适应学习代理框架
  3. IEEE Access (2025) - 多模态自适应AI Agent

关键趋势

  • 多模态数据融合(文本、EEG、眼动)
  • Agentic AI驱动个性化路径
  • 从"系统适应"到"代理协调"

主题四: 教育AI伦理

代表性研究

  1. PEaRCE - 责任计算教育框架
  2. 数据女权主义 - 包容性系统设计
  3. MisstepMath - 学生错误数据集

关键趋势

  • 伦理教育从"附加项"变为"核心项"
  • 关注边缘化群体的AI体验
  • 学生错误数据的伦理使用

关键发现与趋势

技术趋势

趋势 描述 代表研究
LLM导师崛起 从规则系统到LLM驱动 Scarlatos, Gupta
偏好优化普及 DPO/RLHF优化学习效果 Scarlatos
多模态整合 文本+视觉+生理信号 EEG预测推理能力
Agentic AI 自主协调学习过程 AIA-PAL
小模型可行 8B模型足够导师能力 Scarlatos

教育研究趋势

趋势 描述 代表研究
教师赋权 AI增强教师而非替代 AIBAT, 教学代理
批判素养 AI评估与批判思维 批判性AI素养
伦理优先 责任AI教育 PEaRCE, 数据女权
真实环境 RCT+纵向研究结合 Askademia学期实验
包容设计 边缘群体参与 数据女权主义

核心洞察

洞察1: AI导师的"效果优化"时代

过去: 训练LLM遵循教学原则(如苏格拉底方法) 现在: 训练LLM最大化学生学习效果 未来: 预测性个性化干预

证据: Scarlatos (2025) 证明DPO训练可使学生正确率显著提升

洞察2: 教师成为"AI评估者"

AI工具爆发 → 教师需要评估AI质量 → 新职业角色

证据: AIBAT系统、教师AI素养研究

洞察3: 小模型+偏好学习=可及AI教育

过去: 需要GPT-4级别模型才能做导师 现在: Llama 3.1 8B + DPO即可实现

证据: Scarlatos使用8B模型达到GPT-4o教学质量

与项目已有研究的关联

与哈佛RCT的关联

研究 方法 核心发现
哈佛Kestin (2025) RCT AI导师效果是主动学习2倍
AIED Scarlatos (2025) DPO训练 优化学生正确率
AIED Askademia (2025) 实时系统 120倍响应速度提升

综合结论: AI导师不仅"有效", 而且正在变得"高效"(快速响应)和"可及"(小模型)

与LLM文献地图的关联

MEMORY.md记载的Shi (2025) 88项实证研究综述指出:

  • LLM六大应用: ITS > 学习支持 > 自动化评估 > 任务支持 > 内容生成 > Chatbots
  • AIED 2025论文进一步验证这一排序

新发现: AIED 2025新增"教师AI工具"作为第七大应用领域

与EdTech创业研究的关联

学术发现 创业教训 相互印证
实时AI问答系统 Chegg答案服务失败 实时>异步
偏好学习优化 Duolingo学习过程 效果>答案
教师AI评估工具 MagicSchool教师工具 工具赋能

研究建议

下一步研究方向

  1. LLM导师评估标准: 如何衡量"好"的AI导师?
  2. 教师AI素养框架: 构建教师AI能力评估体系
  3. 小模型优化: 在教育场景验证更多8B以下模型
  4. 纵向效果追踪: 1年以上学生学习效果追踪

项目补充建议

建议 来源 优先级
添加Askademia论文到文献库 AIED 2025最佳论文 P0
添加Scarlatos DPO论文详情 LLM导师优化新范式 P0
更新"LLM教育应用"知识卡片 新增教师工具领域 P1
添加AIED 2025机构档案 会议机构分布 P2

来源

Reference in New Issue View Git Blame Copy Permalink