一种用于自适应和不确定任务中大型语言模型的模糊逻辑提示框架.pdfVIP

一种用于自适应和不确定任务中大型语言模型的模糊逻辑提示框架

VanessaFigueiredo

DepartmentofComputerScience

UniversityofRegina

vanessa.figueiredo@uregina.ca

Abstract色和语气的自然语言边界提示，以及(2)一种编码有模

糊支架逻辑的控制模式，该模式捕捉学习者特征、推理

我们引入了一个模块化提示框架，该框架支持在动态、以

阈值和适应规则。这种模块化结构使大语言模型能够处

用户为中心的任务中更安全和更具适应性的大型语言模

型（LLMs）使用。基于人类学习理论，特别是最近发展理模糊性、调整支持水平并保持连贯性，而无需微调或

区（ZPD），我们的方法结合了自然语言边界提示与编码外部编排。

本有模糊脚手架逻辑和适应规则的控制模式。这种架构使我们的方法将学习科学、符号推理和人类辅导策略

译LLMs能够根据用户状态调节行为，而无需进行微调或(VygotskyandCole1978;D’AvilaGarcez,Lamb,and

中外部编排。在一个模拟的智能辅导设置中，该框架在多Gabbay2009)结合起来，支持在不断变化的教学环境

个模型上改善了脚手架质量、适应性和教学一致性，超中更安全且更具解释性的使用大语言模型。我们在模拟

1越了标准提示基线。评估是通过基于评分标准的大规模的辅导环境中使用合成K-12学生档案来评估该方法。

vLLM评分器进行的。虽然最初是为了教育领域开发的，

4模型必须根据任务、年级水平和先前知识范围调节语气

5但该框架在其他交互密集型领域也显示出潜力，例如游和策略。虽然基于模拟设置反映了真实的课堂动态，并

7戏中的程序内容生成。设计用于安全部署，它提供了一

6种可重复使用的结构化方法，以构建具有解释性和目标作为部署前可行性研究。

0.一致性的LLM行为，在不确定或变化的环境中使用。研究目标

8•评估大型语言模型响应在不同学习者状态下的教学

0

5介绍一致性。

2•比较基于脚手架的提示与标准提示基线。

:想象指导一个刚刚开始学习遗传学的学生。与其引

v•分析提示结构如何影响适应性和教学质量。

i入像“上位性”这样的复杂术语，有效的导师会识别学

x贡献

r生已经知道的内容——也许他们听说过DNA——并在

a

这一基础上逐步建立知识。这种技术被称为教学支架，1.基于认知学习理论的边界基础提示策略。

在学员的能力不断发展的同时提供相应的支持，并通过2.一种结合自然语言与用模糊框架逻辑编码的控制架

最近发展区（ZPD）的形式进行规范化。(Vygotskyand构的混合提示结构。

Cole1978)3.实验结果表明，在