企业官网建设流程全解析

该文章提出首个集成大型语言模型（LLM）的框架，用于大规模感知学生与AI导师对话中的情感动态，填补了AI教育工具认知与情感评估间的空白，为生成式AI在教育领域的负责任应用提供了新方向。

一、文章主要内容

1. 研究背景：当前LLM导师在教育场景的应用效果参差不齐，多数评估仅关注测试分数等认知指标，忽视学习者的情感体验，而情感会影响注意力、记忆和推理，甚至导致学生因挫败感放弃学习。
2. 研究方法：
   • 数据来源：分析两个学期内，美国3所院校261名本科生与基于LLM的PyTutor AI导师的16,986轮对话数据。
   • 情感标注：采用Gemini、GPT-4o、Claude三款前沿LLM进行零样本情感标注，获取效价（valence）、唤醒度（arousal）、学习帮助度（learning–helpfulness）的量表评分及自由文本情感标签。
   • 集成融合：通过模型内加权池化和模型间多数共识融合标注结果，得到可靠的情感特征；采用一阶马尔可夫链分析情感状态随时间的演变。
3. 核心结果：
   • 情感分布：学生与AI导师互动时，多表现为轻度积极情感（效价中位数5）、中等唤醒度（唤醒度中位数5），且认为学习有一定帮助（学习帮助度中位数6）；中性（45.8%）、困惑（22.15%）、好奇（15.83%）是主要离散情感，负面情