AskNow：一个用于大规模课堂实时问答的LLM驱动交互系统

文献标题

AskNow: An LLM-powered Interactive System for Real-Time Question Answering in Large-Scale Classrooms

出版信息

• 主题领域: 大规模课堂中的实时人工智能教育支持系统。
• 关键词: 大型语言模型、实时学习、课堂人工智能、问答系统、学生参与、教师反馈、大规模讲座、教育技术、语音转文字、上下文感知系统。

背景与问题

• 问题/挑战: 大规模课堂由于社交焦虑、讲课节奏快以及实时澄清机会有限，阻碍了学生与教师之间的有意义互动。现有工具如观众响应系统和后渠道仅能提供有限的个性化、即时反馈支持。
• 重要性: 解决这些挑战可以提高学生参与度，减少困惑，并在大规模教育环境中增强学习公平性。
• 动机与相关工作: 之前的系统如SPHERE和Jill Watson展示了LLM在教育支持中的潜力，但主要集中于异步或特定场景。针对同步、大规模课堂的实时人工智能系统仍然研究不足，尤其是在同时满足学生和教师需求方面。

解决方案

• 提出的方法: AskNow是一种由LLM驱动的交互式系统，能够在实时讲座中为学生提供上下文感知的问答服务，并为教师提供汇总的困惑洞察。
• 创新点:
  1. 实时转录和与讲座内容直接相关的上下文感知问答。
  2. 匿名、低门槛的问题提交以减少社交焦虑。
  3. 基于语义聚类的学生问题汇总，为教师提供集体困惑的洞察。
  4. 学生和教师界面的集成，实现课堂同步支持。
• 流程与关键技术:
  • 实时语音转文字转录提供讲座上下文。
  • 学生通过类似GPT的界面提交匿名问题，获得即时且上下文相关的答案。
  • 使用基于语义嵌入的K-means算法对问题进行聚类，并以汇总格式（如按主题、前五个问题）展示给教师。
  • 教师界面包括监控困惑区域和查看讲座后洞察的工具。

结果

• 具体发现:
  • 在三门课程中，学生解决困惑的感知时间显著减少（平均减少：1.1–1.4分，7分量表）。
  • 教师对AskNow的回答正确性（4.53–4.88）和满意度（4.45–4.75）评分较高（5分量表）。
  • 学生对可用性维度评价积极，“学习容易性”在所有课程中均超过7分量表的6分。
• 相较基线的优势: 与点击器和后渠道不同，AskNow将实时回答与汇总困惑洞察相结合，既提供即时学生支持，又为教师提供可操作的反馈。
• 实验/评估:
  • 在三门计算机科学课程中部署，共117名学生和3名教师参与。
  • 通过前后调查测量感知学习维度；教师评估了300对问答。
  • 对24名学生和3名教师进行了半结构化访谈，提供了定性洞察。
• 局限性与未来工作:
  • 部署时间短，仅限于一所大学的计算机科学课程。
  • 缺乏客观学习指标，如测验成绩或记忆测试。
  • 转录准确性和上下文长度限制存在挑战。
  • 未来工作包括整合多模态材料、解决隐私问题以及探索对学习成果的长期影响。

总结

AskNow利用LLM为大规模课堂中的学生提供实时、上下文感知的问答服务，并为教师提供汇总的困惑洞察。该系统显著减少了学生解决困惑的感知时间，并在准确性和可用性方面获得了高度评价。它解决了社交焦虑和讲座流程中断等障碍，同时为教师提供了学生误解的可操作反馈。未来研究应探索更广泛的部署，整合更丰富的课程材料，并测量长期学习成果以优化其教育影响。