AutoPBL：一个由大型语言模型支持的平台，引导和支持个人学习者通过自我项目式学习

研究背景与问题

• 发现的问题或挑战：

  1. 自项目式学习(Self Project-based Learning, SPBL)，一种结合自学和项目式学习优势的方式，因缺乏指导和支持，可能导致学习体验和效果不理想。
  2. 尽管LLM（例如ChatGPT）被视为潜在的SPBL导师，它存在滥用风险，比如学生可能将其用作简单提供答案的工具，从而绕过学习过程、削弱批判性思维，并影响学术诚信。
  3. 当前SPBL平台缺乏集成LLM的系统和负责任框架，这导致教育目标难以平衡实现。

• 重要性： SPBL在计算机科学等领域具备灵活学习和实践技能提升的优势，因此解决其指导和支持不足的问题是至关重要的。同时，将LLM高效融入学习流程也能提升学习体验并保持学术诚信。

• 研究动机与相关工作： 作者以AI和机器学习教育为切入点，通过访谈研究了传统人类导师在项目式学习中的角色，并借此设计了一个系统化的LLM支持平台，弥补当前SPBL中人工指导缺失和缺乏动态支持的缺陷。

解决方案

• 提出的方法或解决方案：

  1. 设计并实现了AutoPBL平台，将大语言模型（LLM）系统地整合到SPBL中，提供动态生成的教程、检查点问题以及虚拟教学助理。
  2. 平台基于动态适配的模块化教程框架，实现块式内容展示和适应性内容生成。
  3. 提供基于检查点问题的学习过程追踪和反馈，通过虚拟助理支持上下文相关的实时问答。

• 创新之处：

  1. 通过将LLM与人类导师核心功能映射（如关键学习点提示和即时反馈），实现SPBL的个性化和动态化。
  2. 开发了一种分步式内容呈现和检查点验证机制，平衡了深入学习内容与实际项目完成之间的关系。
  3. 集成虚拟助理（如预设问询模式）以降低用户编写提示词的复杂性，并通过进阶方式提供指导，防止“端到端”解决方案削弱学习体验。

• 实施步骤及关键技术：

  1. 模块化框架教程：将每个学习任务分为分步框架、子任务和块式内容，支持基于用户反馈的动态教程生成。
  2. 检查点问题：设计基于概念、实践和反思的问题分类系统，以在关键阶段主动引导学生总结、思考和测试知识。
  3. LLM多智能体系统：通过包括内容生成、进度摘要和代码屏蔽在内的多个模块，自动生成、优化学习材料，并实时适应用户行为。

研究成果

• 具体成果：

  1. 开发了功能齐全的SPBL平台，帮助用户通过机器学习项目实践学习。
  2. 用户在实验中显著提高了学习成果（测试成绩、主观理解度）并表现出更加积极的学习行为和认知反思能力。
  3. 调查了平台中设计功能（检查点问题、虚拟助理等）对学习行为的影响，提炼出改进方向。

• 与现有解决方案的优势：

  1. 与静态教程和传统SPBL方法相比，AutoPBL通过动态生成内容和个性化引导帮助用户更好地把握学习机会。
  2. 提供了主动与被动结合的指导，优化了传统平台中用户缺乏主动问题意识的难点。
  3. 减轻了学习过程中的心理压力并提高了整体用户体验和使用满意度。

• 实验或评估结果：

  1. 实验结果表明，AutoPBL在用户测试中是显著优于传统教程的。
  2. 用户对主动性高的检查点问题（如“如何与为什么工作”的问题类型）有更多正面评价，而对简单重复性问题或过于复杂的代码补全任务反应较有限。
  3. 平均来说，AutoPBL实验组的操作时间较长，但自我感知的认知负担显著降低。

• 局限性与未来方向：

  1. 局限性：
     • 实验仅限于初学者和机器学习主题，尚未测试平台对其他知识领域的适用性。
     • 平台的LLM生成内容虽可用，但仍需要进一步优化以增强内容准确性、适应性及用户信任。
     • 实验人数较少，未来需更多样化数据支持实际效果推断。
  2. 未来方向：
     • 扩展到更广泛的教育领域（例如编程语言学习、医学手术等）。
     • 校正内容生成方式以更好地适应用户知识状态与学习习惯。
     • 引入跨团队协作功能，并与具体实践环境（如IDE工具）完成集成，提高平台的实用性和推广价值。
     • 通过基于反馈的强化学习方法提升LLM的教育内容质量与定制化能力。

通过AutoPBL的开发与评估，研究以实现SPBL和AI驱动教学技术的结合为目标，为提升自学型教育的有效性提供了一种创新性解决方案。