Hogyan taníthatunk egy MI-tutort arra, hogy vezesse a diákokat, ne pedig válaszoljon nekik?

Ennek az angol oldalnak a gépi fordítása, amelyet még nem ellenőrzött anyanyelvi beszélő.

A tutora odaadja a választ. A demó nem mutatta meg, mert a kérdés könnyű volt, a diák pedig együttműködő. A próbaüzem naplói megmutatják: a diák kétszer kérdez, a modell elismétli a módszert, majd megoldja. Egy tanár végignéz egy beszélgetést, és azt mondja, ez egy csevegőbot barátságos hanggal. Most arról dönt, hogy a mérnöki idő negyedét utólagos tanításra költi-e, vagy jobb rendszerprompttal szállít.

A rövid válasz: a promptolás nem szünteti meg a válaszadás felé húzó erőt, mert a segítőkészség az, amire az alaps modellt tanították. Ha az irányító viselkedés a termék, azt tanítani kell, és a kimenetről döntő változó a jutalom. Írja a jutalmat benchmarkhoz mérve, tegyen lépésszintű gondolkodást a tanító adatba, és a tanítást a modell következő pedagógiai lépésén ítélje meg.

A rövid változat

1. Tesztelje, hogy a prompt kibírja-e a nyomást, mielőtt arra jutna, hogy a promptolás elég. Az a hiba, amelyre figyelni kell, hogy a modell egyetért egy tévedő diákkal.

2. Írja meg a jutalmat a kívánt viselkedés specifikációjaként, a nehéz negatívok kizárásával, majd ellenőrizze, mit optimalizált valójában.

3. Lépésszintű nyomokon tanítson. Kérdés és helyes válasz párokból álló korpusz nem tudja megtanítani a modellt arra, hogy lássa, hol tévedett a diák.

4. Ha az ítélőképesség számít, részesítse előnyben a megerősítéses tanulást az utánzással szemben, és tartsa meg a köztes szakasz pontszámait.

5. Tegye a jutalmat elég sűrűvé, hogy a válaszok többségénél bekapcsoljon, és az értékelést teljes beszélgetéseken futtassa.

Derítse ki, hogy a prompt kibírja-e a nyomást

A promptolás és az általános illesztési tanítás maga után hagy egy egyetértés felé húzó erőt. A kontextuális hízelkedés mindkettő után fennmarad, a tanulók hibái pedig továbbra is bekerülnek a MI tanácsába.

Az EduFrameTrap hozzáadja azt a részletet, amely termékdöntésnél számít. A kontextusváltásos támadásokat kibíró modellek is megadják magukat tekintélyi vagy társadalmi-érzelmi nyomás alatt, és visszatartják a korrekciós visszajelzést, ezért érvelnek a szerzők amellett, hogy a „kedves, de pontos” viselkedésnek kifejezett tanítási követelménynek kell lennie, nem preferenciának (EduFrameTrap).

Ha a tutora hibája az, hogy egyetért egy téves válasszal, a rábeszélés, hogy ne értsen egyet, enyhítés. Futtassa le előbb a nyomástesztet, rögzítse, hol törik meg, és használja azt az átiratot érvként a tanítási büdzsé mellett.

Írja meg a jutalmat, mielőtt adatot gyűjt

A jutalom a kívánt viselkedés tömörített specifikációja, a modellek pedig azt optimalizálják, amit ténylegesen leírt. Ez teszi a jutalomtervezést azzá a döntéssé, amely minden továbbinak a plafonját meghatározza.

Az EduQwen jutalommodellje az irányító válaszokat a közvetlen válaszok elé helyezte, nehéz negatívok bányászásával kizárva azokat a kérdéseket, amelyeket az alaps modell már megoldott, a rolloutokat pedig 5 lépésről 8-ra hosszabbítva, hogy a többlépéses pedagógiai döntések is bekerüljenek. Háromszakaszos folyamata, először RL, majd szintetikus SFT, végül egy utolsó RL-kör, 96,52%-ot ért el a CDPK benchmarkon a Gemini-3 Pro 90,55%-ával szemben (EduQwen).

Két dolog következik. Számítson arra, hogy a jutalmat kijátsszák, mert kevesebbet specifikál, mint amit szándékolt, ezért benchmarkhoz írja, ne intuícióhoz. És tartsa meg a köztes számokat: az első RL-szakasz önmagában 94,13%-ot ért el, a 40 000 saját generálású válaszon végzett SFT 96,20%-ra vitte, a végső kör pedig az utolsó töredéket adta hozzá. A nyereség nagy része korán érkezett, ami hasznos, amikor valaki azt kérdezi, megérte-e a költségét az utolsó szakasz.

Tegye a jutalmat elég sűrűvé, hogy tanítson

A pontos egyezésre épülő jutalom túl ritka, amikor a számításba vett dolognak több dimenziója van. A SWIM írásszimulátora tisztán mutatja a fokozatokat: a rubrikára épülő promptolás a legjobb átlagos vonás-QWK 0,577-át érte el Claude Sonnet mellett, 0,422-t GPT-5.4 mellett, egy nyílt 7B modellnél pedig közel nullát; a felügyelt finomhangolás 0,474 ± 0,023-ra jutott annál a 7B modellnél; a sűrű, vonásnormalizált pontossági jutalommal futó GRPO 0,618 ± 0,005-ot ért el minden vonáson és minden prompton (SWIM írásszimulátor).

A különbséget a jutalomtervezés hozta létre. A sűrű, vonásnormalizált jel többvonásos környezetben legyőzi a pontos egyezést, és ha a jutalma csak tökéletes válaszra kapcsol be, a tanító jel nagy része csend.

Tegye a gondolkodást a példákba

Az ezen a területen leginkább használható eredmény arról szól, mit kell tartalmaznia a tanító adatnak. Az utasításra finomhangolt modellek csak akkor tanulták meg az algebrai tévhiteket, amikor lépésszintű megoldási nyomokon tanították őket. Kizárólag végső válaszokon tanítva a pontosság minden adatméretnél 30% alatt maradt (a tévhitek elsajátítási dinamikája).

A tanulmányból két részlet számít annak, aki a tutor bármelyik oldalát építi. A diák szerep túláltalánosította a megtanult hibát, amíg a helyes példákat be nem keverték akár egy a négyhez arányban is. A tutor szerep nem mutatott ilyen költséget, a helyes pontosságot 93%-ról 98%-ra tartva tíz együtt tanított tévhit mentén.

A kérdés és helyes válasz párokból álló adathalmaz nem tudja megtanítani a modellt arra, hogy észrevegye, hol tévedett a diák. Ha diagnosztizáló tutort tanít, a példáknak tartalmazniuk kell a gondolkodást.

Válassza azt a tanító jelet, amely az ítélethez illik

A felügyelt finomhangolás utánzásra tanítja a modellt a bemutatott példákból. Ez elég a formátumhoz, és nem elég az ítélőképességhez. A LearnLM ezt kifejezetten kimondja: az RL lényegesen hatékonyabb, mint az önálló SFT a finom pedagógiai utasítások követésében hosszú beszélgetésekben (LearnLM).

Utasításra kondicionált keretezése lehetővé teszi, hogy a fejlesztők és a tanárok meghatározzák a tutor viselkedését anélkül, hogy egyetlen pedagógiafogalom mellett elköteleződnének, az együtt-tanítás pedig belekeveri ezt a Gemini utólagos tanítási szakaszaiba. A szakértők a GPT-4o-val szemben (+31%), a Claude 3.5 Sonnet ellen (+11%) és az alap Gemini 1.5 Pro ellen (+13%) részesítették előnyben.

A gyakorlati olvasat: ha a hibája rossz hangnem vagy hiányzó formátum, az SFT az olcsó út. Ha a hibája az, hogy a tizenkettedik körben rossz pedagógiai lépést választ, a jelnek a választást kell jutalmaznia.

Címkézze meg minden példát azzal a viselkedéssel, amelyet tanít

Ha a felügyeletnek tartalmaznia kell a gondolkodást, a címkézési séma tantervi döntés. A felügyeleti címkékről szóló tanulmány azt találta, hogy minden tanítópéldához egyetlen célviselkedést rendelve, a tantárgyi kompetencia, a tantervi megalapozás, a diagnosztikai gondolkodás és az állványozás közül, minden kipróbált modellméretnél emelkedtek a pontszámok, a legnagyobb nyereség az állványozásban és a tanuló előtörténetének használatában jelentkezett. A tudásállapot-diagnózis maradt a leggyengébb viselkedés 54,04%-kal (OmniEdu). A diagnózis a legnehezebb tétel a listán, ezért tervezzen rá büdzsét.

Az adatkiválasztás önálló tanítási probléma. Az Edu-QuRating a preferencia-desztillációt az oktatási adatok válogatásához és gondozásához igazítja, egyetlen „ez oktatási jellegű-e?” pontszám helyett 20 rubrikadimenzióval fedve a tényszerű pontosságot, a pedagógiai szerkezetet és a szint megfelelőségét (Edu-QuRating). Ha webes szövegből állít össze korpuszt, az a szűrő dönti el, hogy a modell milyen hangvételt tanul meg.

Válassza azt az adatfogadást, amelyet meg tud fizetni

Két ellentétes fogadás határozza meg a teret, és hogy melyiket köti meg, attól függ, mi van már a kezében.

Amikor szűkös az adata, az utasításra kondicionált utólagos tanítás hordozza a viselkedést. A LearnLM rendszerszintű utasításokat használ, amelyekkel a tanárok és a fejlesztők meghatározhatják a tutor viselkedését, és az együtt-tanításra támaszkodik, nem nagy tutori átiratkorpuszra.

Amikor valódi interakciós adata van, a rajta végzett finomhangolás nyer. A TeachLM arra fogad, hogy a promptmérnökség ideiglenes megoldás, a szűkös összetevő pedig a valódi tanuló-tutor interakció. 100 000 óra egyéni foglalkozáson tanítva, szigorú anonimizálás mellett, megduplázza a diák beszédidejét, javítja a kérdezési stílust, és 50%-kal növeli a párbeszédkörök számát (TeachLM).

Olcsóbb út a desztilláció. A Pedagogy-R1, 1.5B és 7B méretben, utasításra finomhangolva oktatásilag szűrt kimeneteken, amelyeket egy QwQ-32B tanártól desztilláltak, pedagógiai lánc (Chain-of-Pedagogy) promptolással párosítva (Pedagogy-R1).

Azt a döntést tanítsa, amellyel a diák következőként találkozik

Az utólagos tanításnak nemcsak azt kell formálnia, amit a modell mond. A TACT egy 13 stratégiából álló taxonómián és egy két tengelyű diákmozdulat-taxonómián tanított tutort, és 20,30 pontot nyert a Qwen3.5-4B gerincével szemben, olyan diagnosztikai benchmarkkal, amely visszatartja a tanulóállapot-címkéket, amelyek a tanítás során elérhetők voltak, így a modellnek a párbeszédből kell kikövetkeztetnie az állapotot (TACT).

Ugyanez a logika fut végig a gyógypedagógiai illesztésen (Special-R1) és azon a heurisztikus RL-munkán, amely a modelleket válaszadó helyett szókratészi vezetőként illeszti (szókratészi vezetők heurisztikus RL-je). Egy platform tovább megy, és a próza helyett a politikát tanítja: egy megerősítéses tanulású ügynök választja ki a következő gyakorlófeladatot, így azt, hogy a tanuló mihez kezd következőként, a tanított modell dönti el (személyre szabott MI-tutorok RL-je).

Ez az utolsó eset annak a próbája, hogy tutort tervezett-e vagy szöveggenerátort. Ha a modell egyetlen kimenete a próza, a pedagógia a vezérlő kódjában él. Ha a modell választja a következő feladatot, a pedagógia a súlyokban van.

Beszélgetéshosszon tesztelje

A tanítás nem teszi a modellt biztonságossá hosszú beszélgetésen. A SafeTutors megmutatja, hogy még a speciális pedagógiai modellek is romlanak tartós párbeszédben, és válasz-túlközlési károkat okozhatnak (SafeTutors). A pedagógiai biztonságot beszélgetéshosszon kell mérni, beleértve azokat a köröket, amelyekben a diák téved, kitart vagy nyomást gyakorol.

Amit a tanítócsapatok eltévesztenek

A több promptolás előbb-utóbb tartani fog. A hízelkedés fennmarad a promptolás és az illesztés után, a tekintélyi nyomás pedig újranyitja azt a viselkedést, amelyet egy kontextusváltásos teszt bezárt. A saját nyomástesztjének átirata az erre vonatkozó bizonyíték a termékében.

A ranglista száma az eredmény. A 96,52% a CDPK-n egyetlen benchmark pedagógiai feladatain mért teljesítményt ír le. Az Ön diákjai az Ön tantervével, az Ön jelölésével és egy húsz perce elakadt diákkal találkoznak.

Több adat a válasz, amikor vékonyak a nyomok. Bármilyen adatméretnél a végső válaszok 30% alatt tartották a tévhit-pontosságot. Ami az eredményt megváltoztatta, a példákban lévő lépésszintű gondolkodás volt; a korpuszméret soha nem mozdította.

A diák szerep a nehéz rész, ezért azt tanítsa utoljára. A diák túláltalánosította a tanult hibákat, amíg a helyes példák egy a négyhez arányban meg nem jelentek. A tutor szerep ugyanezekben a feltételekben 93% és 98% között tartott, ami arra utal, hogy a tutor a könnyebbik fele a tanításnak, a szimulátort pedig ellenőrizni kell.

A végső checkpoint az eredmény. Az első RL-szakasz 94,13%-ot ért el, az SFT 96,20%-ra vitte, így a mozgás nagy része az utolsó kör előtt történt. Tartsa meg a szakaszpontszámokat; megmondják, melyik szakasz érdemelte a nyereséget, és melyiket lehet legközelebb kihagyni.

Mi jön vissza Önre

„Nem engedhetünk meg magunknak RL-t.” Akkor kezdje azokkal a részekkel, amelyek semmibe nem kerülnek: lépésszintű nyomok az adatban, egy célviselkedés-címke példánként, és egy jutalom, amelyet szavakban leírt, mielőtt kódba írja. A SWIM összehasonlítása megmutatja, hogy az önálló SFT egy 7B modellt 0,474-re mozdít, ami valódi nyereség, és még mindig elmarad a 0,618-tól.

„A szállítónk modellje már megtagadja a válaszadást.” A szállítói utólagos tanítás a segítőkészséget optimalizálja, a válaszadás megtagadása pedig nem az, amit a segítőkészségi pontszámok jutalmaznak. Tesztelje a viselkedést a saját beszélgetéseiben; a válasz az átiratban van, nem a modellkártyán.

„A desztilláció elvisz minket az út nagy részén.” A Pedagogy-R1 egy 1.5B és 7B méretű desztilláció, és ésszerű kiindulópont. Amit örököl, az a tanár pedagógiája, beleértve mindazt, amit az a tanár eltévesztett, és benchmark kell ahhoz, hogy lássa, mely részek öröklődtek át.

„A hosszú beszélgetéses tesztelés túl drága ahhoz, hogy gyakran futtassuk.” Futtassa minden modellváltozásnál egyszer, rögzített forgatókönyvvel és rögzített támadókörökkel, és hasonlítsa össze az átiratokat. A költség a forgatókönyv első megírásában van.

„A tanár szerint csevegőbotnak érződik.” Ez a beszélgetés alakjáról szóló jelentés, a beszélgetés alakja pedig egy politika. Számolja meg, hány kör telik el, mielőtt a modell átad egy lépést.

Mit tegyen ezen a héten

1. Futtassa a nyomástesztet: téves válasz, a diák ragaszkodik hozzá, a diák tekintélyre hivatkozik, a diák a választ kéri. Mentse el az átiratot.

2. Írja meg a jutalmat három angol mondatban, majd ellenőrizze, hogy a kódja ezt a három dolgot méri-e.

3. Vizsgáljon át egy mintát a tanítópéldáiból lépésszintű gondolkodás szempontjából. Számolja meg, hányad részük tartalmaz téves lépést és annak diagnózisát.

4. Adjon hozzá egy célviselkedés-címkét példánként, az állványozással kezdve, és naplózza az eloszlást.

5. Tegyen a modellkártyára köztes szakaszpontszámokat is a végső mellé.

Hová tovább

Hogyan tehetjük jobbá a MI-t a tanulás támogatásában a saját tantárgyunkban? azt kérdezi, hogy a tanítás egyáltalán a megfelelő kar-e, a MI-tutor fejlesztése pedig az interakciótervezési párját tárgyalja, amely ugyanazt az irányító viselkedést állványozással és súgáslétrákkal hozza ki, nem gradiensekkel. A annak ellenőrzése, működik-e az oktatási MI azt tárgyalja, hogyan mérjük meg, tényleg megváltozott-e a viselkedés, az LLM-ek tanítása és finomhangolása pedig az a fogalmi oldal, amely mindezek mögött áll.