llm_wiki/wiki/Meenakshi Mittal.md

categories, tags, created, source, type, aliases, status, relations

categories	tags	created	source	type	aliases	status	relations
LLM Wiki People	wiki people person/researcher 教育AI 伯克利 AIED2025	2026-04-22	AIED-2025学术前沿论文深度解读-20260413	entity Author	Meenakshi Mittal Mittal	reviewed	type target description confidence part_of Askademia 同源：AIED-2025学术前沿论文深度解读-20260413 3

[raw:AIED-2025学术前沿论文深度解读-20260413:47]# Meenakshi Mittal

一句话简介：加州大学伯克利分校研究者，AIED 2025最佳论文奖得主，Askademia实时AI问答系统开发者

身份

| 属性 | 值 |

领域	教育AI、实时问答系统、视觉-语言模型
知名身份	Askademia系统主要开发者
机构	加利福尼亚大学伯克利分校
关键词	实时AI问答、VLM、RAG、课堂AI助教

主要贡献

Askademia 实时AI问答系统（AIED 2025最佳论文奖）

Meenakshi Mittal 领导开发的 Askademia 系统荣获 AIED 2025 最佳论文奖：

• 论文标题：ASKADEMIA: A Real-Time AI System for Automatic Responses to Student Questions
• 共同作者：Gaurav Tyagi, Azalea Bailey, Gireeja 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
• DOI：10.1007/978-3-031-98459-4_8

系统核心能力

能力	描述
视觉-语言模型（VLM）	处理包含PPT、图片的多模态学生提问
检索增强生成（RAG）	结合实时Lecture内容和课程资料库
实时处理管道	毫秒级响应学生问题

关键实验结果

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
事实准确性	高	高	相当
相关性	高	中	更高

研究意义

1. 证明VLM+RAG在教育问答场景的可行性 — 多模态理解能力满足课堂场景需求
2. 为大规模在线/混合课程提供技术范式 — 降低对人类助教的依赖
3. 开辟"AI助教"替代人工TA的新路径 — 实时响应提升学习体验

与其他概念的关系

• Askademia — 其开发的实时AI问答系统详细页
• Kestin — 哈佛RCT研究作者，互补的AI教育实证研究
• ITS智能辅导系统 — Askademia属于ITS的实时响应演进
• LLM教育应用深度研究报告 — LLM教育应用全景
• 教学设计 — 实时问答系统对课程设计的影响

来源

• AIED-2025学术前沿论文深度解读-20260413 — AIED 2025学术前沿论文深度解读
• Tyagi et al. (2025). ASKADEMIA. AIED 2025, LNCS 15880. DOI: 10.1007/978-3-031-98459-4_8

[raw:AIED-2025学术前沿论文深度解读-20260413:47]# Meenakshi Mittal

一句话简介：加州大学伯克利分校研究者，AIED 2025最佳论文奖得主，Askademia实时AI问答系统开发者

身份

属性	值
领域	教育AI、实时问答系统、视觉-语言模型
知名身份	Askademia系统主要开发者
机构	加利福尼亚大学伯克利分校
关键词	实时AI问答、VLM、RAG、课堂AI助教

主要贡献

Askademia 实时AI问答系统（AIED 2025最佳论文奖）

Meenakshi Mittal 领导开发的 Askademia 系统荣获 AIED 2025 最佳论文奖：

• 论文标题：ASKADEMIA: A Real-Time AI System for Automatic Responses to Student Questions
• 共同作者：Gaurav Tyagi, Azalea Bailey, Gireeja 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
• DOI：10.1007/978-3-031-98459-4_8

系统核心能力

能力	描述
视觉-语言模型（VLM）	处理包含PPT、图片的多模态学生提问
检索增强生成（RAG）	结合实时Lecture内容和课程资料库
实时处理管道	毫秒级响应学生问题

关键实验结果

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
事实准确性	高	高	相当
相关性	高	中	更高

研究意义

1. 证明VLM+RAG在教育问答场景的可行性 — 多模态理解能力满足课堂场景需求
2. 为大规模在线/混合课程提供技术范式 — 降低对人类助教的依赖
3. 开辟"AI助教"替代人工TA的新路径 — 实时响应提升学习体验

与其他概念的关系

• Askademia — 其开发的实时AI问答系统详细页
• Kestin — 哈佛RCT研究作者，互补的AI教育实证研究
• ITS智能辅导系统 — Askademia属于ITS的实时响应演进
• LLM教育应用深度研究报告 — LLM教育应用全景
• 教学设计 — 实时问答系统对课程设计的影响

来源

• AIED-2025学术前沿论文深度解读-20260413 — AIED 2025学术前沿论文深度解读
• Tyagi et al. (2025). ASKADEMIA. AIED 2025, LNCS 15880. DOI: 10.1007/978-3-031-98459-4_8