Situation-based Question Adaptation via Cognitive Adaptation: A Multi-agent Collaborative Optimization Framework
-
摘要: 情境化习题是联系数学概念与真实世界的重要载体, 对培养学生数学建模与应用能力具有关键作用. 然而, 现有基于大语言模型的习题编制方法容易使情境设计流于形式, 导致题干冗长花哨或偏离数学本质, 同时缺乏对学生认知差异的建模, 生成或改编而成的习题难以适配不同发展阶段. 因此, 提出一种基于多智能体协同与迭代优化策略的习题情境化改编框架, 以解决通用方法存在的情境失真、认知失配等困境. 该框架深度融合问题解决理论与教学支架理论, 首先定义多种类型的学生认知特征, 并系统梳理学生在解题各阶段可能出现的常见错误类型, 将其归因并映射为多种教学支架. 在此基础上, 构建包含习题生成、学生模拟与诊断、习题改进三大智能体的协同架构, 从教学支架视角为习题改进提供理论化、可操作的动作空间, 结合多种优化策略将情境化习题命制任务形式化为一个序列决策问题. 实验结果表明, 本框架改编形成的习题在情境相关、知识迁移、认知适配等方面均显著优于基线方法, 相关模块的设计在创设情境的同时能有效降低各类学生的非必要认知错误, 从而提升情境化习题质量, 以充分发挥其育人功能.Abstract: Situational question is an important intermediary for connecting mathematical concepts with the real world and plays a key role in cultivating students' mathematical modeling and application abilities. However, existing methods for formulating questions based on large language models can easily lead to situation becoming formalistic, which results in lengthy and fancy question stems or deviating from mathematical essence. Furthermore, there is a lack of modeling for cognitive differences among students while the generated or adapted questions are difficult to adapt to different stages of development. Therefore, a situation-based question adaptation framework based on multi-agent collaboration and iterative optimization strategy is proposed to address the challenges of contextual distortion and cognitive mismatch that exist in general methods. This framework deeply integrates problem-solving theory and instructional scaffolding theory. Firstly, it defines various types of student cognitive features and systematically summarizes the common types of errors that students may make in each stage of problem-solving, then attributes and maps them into multiple instructional scaffoldings. Thus, a collaborative framework is constructed that consists of three agents including question generator, student simulator and diagnosis, and question reviser so that a theoretical and operable action space is provided for question improvement based on instructional scaffoldings, and the task of situational question assignment is formalized as a sequential decision-making problem through various optimization strategy. The experimental results show that the questions adapted by our framework are significantly better than the baseline method in terms of situational relevance, knowledge transfer, and cognitive adaptation. In addition, the design of key modules can effectively reduce unnecessary cognitive errors of different students while creating various scenarios, which contributes to improve the quality of situational questions and fully exerting their educational function.
-
图 1 基于认知适配的习题情境化改编框架
Fig. 1 Situation-based question adaptation framework via cognitive adaptation
表 1 学生认知特征类型
Table 1 Types of student cognitive features
序号 类型名称 定义描述 1 模式依赖型 依赖熟悉题型, 新情境适应能力弱, 需要明确指导 2 策略探索型 具备基本策略但应用不稳定, 能尝试不同方法, 策略选择可能犹豫, 计算易粗心 3 灵活迁移型 能灵活运用知识, 善于发现模式并迁移, 快速识别核心数学结构, 但可能忽略细节 
下载: 导出CSV
表 2 解题常见错误及其教学支架类型
Table 2 Common mistakes in problem-solving and the types of instructional scaffolding
问题解决阶段 错误类型1 错误类型2 错误类型3 错误类型4 教学支架 表征问题 [$m_{1,\;1}$] 误解情境 [$m_{1,\;2}$] 遗漏关键信息 [$m_{1,\;3}$] 被无关信息干扰 [$m_{1,\;4}$] 信息整合困难 [$a_{1}$] 解释性支架 设计解题计划 [$m_{2,\;1}$] 问题类型误判 [$m_{2,\;2}$] 变量定义不清 [$m_{2,\;3}$] 模型建立错误 [$m_{2,\;4}$] 条件使用不当 [$a_{2}$] 概念性支架 执行解题计划 [$m_{3,\;1}$] 策略选择不当 [$m_{3,\;2}$] 计算过程错误 [$m_{3,\;3}$] 步骤跳跃过多 [$m_{3,\;4}$] 单位转换错误 [$a_{3}$] 程序性支架 回顾与评价 [$m_{4,\;1}$] 答案验证缺失 [$m_{4,\;2}$] 未发现存在的明显错误 [$m_{4,\;3}$] 缺乏过程反思 [$m_{4,\;4}$] 迁移思考不足 [$a_{4}$] 元认知支架
下载: 导出CSV
表 3 习题生成智能体提示词模板
Table 3 Question generator agent prompt template
提示词框架 你是一位初中数学资深教师, 请基于初始习题内容(一般是不含问题情境的纯数学习题)、目标学生类型, 将原始纯数学问题转化为适合该学生的情境化问题. 请按以下步骤进行分析与生成: 1、习题完整性检查: 检查初始习题是否有任何缺失条件或逻辑不一致, 进行最小必要修正; 2、学生适配、情境设计: 基于目标学生类型的特征, 确定情境的复杂度、呈现形式; 3、习题生成: 基于前一步的分析进行设计规划, 生成最终的情境化习题. ## 额外要求 只需生成习题最终的文本内容, 除此以外不要输出其他任何内容(包括习题的解答). ## 初始习题内容 {content} ## 目标学生类型 {student}
下载: 导出CSV
表 4 学生模拟与诊断智能体提示词模板
Table 4 Student simulator and diagnosis agent prompt template
提示词框架 你是一位初中数学资深教师, 当前有一位"{student}"初中生需要解答一道情境化习题, 该类型学生具备以下特征: {character}. 现在, 请结合该习题呈现的内容与你的经验进行判断, 该学生在解答该习题的四大阶段, 有较大可能出现的错误类型: 1、表征问题: 从【A1-误解情境】、【A2-遗漏关键信息】、【A3-被无关信息干扰】、【A4-信息整合困难】中选择适用的标签; 2、设计解题计划: 从【B1-问题类型误判】、【B2-变量定义不清】、【B3-模型建立错误】、【B4-条件使用不当】中选择适用的标签; 3、执行解题计划: 从【C1-策略选择不当】、【C2-计算过程错误】、【C3-步骤跳跃过多】、【C4-单位转换错误】中选择适用的标签; 4、回顾与评价: 从【D1-答案验证缺失】、【D2-未发现存在的明显错误】、【D3-缺乏过程反思】、【D4-迁移思考不足】中选择适用的标签. ## 额外要求 按顺序直接输出一个4 × 4的整数列表(每行对应一个阶段中的四种错误类型), 形如【【0, 1, 0, 1】, 【1, 1, 0, 0】, 【0, 0, 0, 1】, 【1, 0, 0, 0】】, 其中每项用0或1表示, 1表示有较大可能发生该错误类型, 0表示基本不会出现该错误类型. 除此以外不要输出其他任何内容. ## 情境化习题内容 {content}
下载: 导出CSV
表 5 习题改进智能体提示词模板
Table 5 Question reviser agent prompt template
提示词框架 你是一位初中数学资深教师, 你需要基于学生在解决一道情境化习题过程中出现的错误类型与支架需求类型, 设计针对性支架以优化现有习题; 相较于当前习题内容的修改、增减务必控制篇幅, 保持习题内容的精炼简洁. 【支架设计的原则】 1、针对性: 针对错误类型重点设计; 2、适度性: 支架数量与错误严重程度相匹配; 3、嵌入性: 支架自然融入情境, 不显突兀; 4、渐退性: 为后续撤去支架留出空间. 【支架类型】 1、解释性支架: 解释情境, 明确信息; 2、概念性支架: 帮助建立数学模型、指导变量定义; 3、程序性支架: 指导解题步骤和计算, 增加分步提示与策略选择建议; 4、元认知支架: 促进反思和验证, 推广思考. ## 额外要求 只需生成优化后的情境化习题内容文本, 除此以外不要输出其他任何内容(包括习题的解答). ## 现有的情境化习题内容 {content} ## 学生错误类型 {mistake} ## 支架需求类型 {scaffolding}
下载: 导出CSV
表 6 习题生成智能体提示词模板(CoT方法)
Table 6 Question generator agent prompt template (CoT)
提示词框架 你是一位初中数学资深教师, 请基于初始习题内容(一般是不含问题情境的纯数学习题)、目标学生类型, 将原始纯数学问题转化为适合该学生的情境化问题. 请按以下流程一步一步思考: 1、习题完整性检查: 检查初始习题任何缺失条件或逻辑不一致, 进行最小必要修正; 2、学生适配、情境设计: 基于目标学生类型的特征, 确定情境的复杂度、呈现形式; 3、习题生成: 基于前一步的情境设计规划, 生成最终的情境化习题. ## 额外要求 只需生成习题最终的文本内容, 除此以外不要输出其他任何内容(包括习题的解答). ## 初始习题内容 {content} ## 目标学生类型 {student}
下载: 导出CSV
表 7 习题质量评价智能体提示词模板
Table 7 Question evaluator agent prompt template
提示词框架 你是一位初中数学资深教师, 请基于以下量表所给的9个维度指标, 按5分制(1 ~ 5) 对所给情境化习题的文本进行评分: {scale} ## 额外要求 直接按顺序输出由9个评分数值结果组成的整数列表, 形如[1, 3, 2, 3, 4, 5, 3, 2, 4]; 除此以外不要输出其他任何内容. ## 习题内容 {content}
下载: 导出CSV
表 8 习题质量评分结果(doubao-1.5-pro-32k)
Table 8 Rating results on question quality (doubao-1.5-pro-32k)
指标 Zero-shot CoT Top-N Iteration MAB MCTS 真实性 2.90/2.82/2.91 2.91/2.80/2.90 2.89/2.83/2.92 2.96/2.90/2.95 2.90/2.81/2.93 2.88/2.83/2.92 相关性 3.70/3.81/3.75 3.73/3.77/3.77 3.74/3.78/3.80 3.94/3.91/4.03 3.76/3.84/3.79 3.70/3.86/2.92 趣味性 3.02/3.20/2.99 3.01/3.23/3.03 2.99/3.20/3.05 3.10/3.19/3.02 2.97/3.17/2.97 2.91/3.21/3.01 认知层次要求 2.67/2.70/2.71 2.67/2.71/2.71 2.66/2.71/2.68 3.85/3.69/4.27 2.80/2.82/2.79 2.67/2.75/2.78 信息整合度 1.92/1.91/1.89 1.88/1.88/1.88 1.84/1.90/1.93 2.00/1.92/1.94 1.81/1.79/1.80 1.78/1.86/1.85 可迁移性 2.98/2.98/2.97 2.98/2.98/2.97 2.97/2.99/2.99 3.78/3.59/4.14 3.01/3.03/3.05 2.99/2.98/3.00 清晰度 4.06/4.09/4.05 4.06/4.09/4.07 4.02/4.09/4.09 3.21/3.39/3.64 3.83/4.04/4.10 4.11/4.12/4.12 认知负荷合理性 #38;3.13/3.14/3.09 3.10/3.14/3.12 3.16/3.10/3.14 2.30/2.30/2.66 2.97/3.08/3.19 3.18/3.20/3.18 公平性 3.04/3.03/3.02 3.03/3.03/3.01 3.02/3.02/3.02 3.26/3.22/3.22 3.06/3.08/3.05 3.06/3.20/3.02
下载: 导出CSV
表 9 习题质量评分结果(GPT-4o Mini)
Table 9 Rating results on question quality (GPT-4o Mini)
指标 Zero-shot CoT Top-N Iteration MAB MCTS 真实性 3.09/3.03/3.11 3.08/3.00/3.09 3.08/3.03/3.11 3.26/3.10/3.14 3.17/3.02/3.12 3.05/3.04/3.10 相关性 3.78/4.13/3.99 3.82/4.10/4.01 3.83/4.11/3.80 4.01/4.23/4.28 3.87/4.17/4.07 3.80/4.18/4.08 趣味性 2.87/3.41/3.09 2.85/3.45/3.12 2.87/3.41/3.17 2.98/3.41/3.02 2.80/3.39/2.42 2.73/3.33/2.77 认知层次要求 2.70/2.88/2.83 2.73/2.89/2.81 2.69/2.89/2.75 3.87/3.87/4.37 2.81/3.00/2.76 2.66/2.93/2.79 信息整合度 1.95/2.18/2.10 1.90/2.15/2.06 1.89/2.15/2.10 2.04/2.19/2.12 1.83/2.06/1.51 1.80/2.13/1.67 可迁移性 3.04/3.05/3.02 3.04/3.06/3.01 2.98/3.06/3.04 3.84/3.68/4.21 3.10/3.11/3.10 3.06/3.07/3.07 清晰度 4.04/4.13/4.12 4.03/4.12/4.18 4.09/4.12/4.16 3.17/3.43/3.69 3.83/4.08/4.20 3.99/4.16/4.26 认知负荷合理性 #38;3.13/3.15/3.09 3.09/3.15/3.14 3.18/3.11/3.14 2.30/2.30/2.67 2.96/3.08/3.22 3.16/3.21/3.19 公平性 3.15/3.06/3.04 3.12/3.06/3.03 3.11/3.05/3.06 3.36/3.24/3.25 3.19/3.10/3.09 3.15/3.21/3.03
下载: 导出CSV
表 10 优化过程分析(MCTS策略)
Table 10 Optimization process analysis (MCTS strategy)
错误类型 初始值 最终值 真实性 2.80 2.83 相关性 3.84 3.86 趣味性 3.18 3.21 认知层次要求 2.61 2.75 信息整合度 1.83 1.86 可迁移性 2.99 2.98 清晰度 4.16 4.12 认知负荷合理性 3.23 3.21 公平性 3.21 3.21
下载: 导出CSV
表 11 智能体调用次数统计
Table 11 Agent call times statistics
学生类型 Iteration MAB MCTS 模式依赖型 8.97 8.84 15.97 策略探索型 8.94 7.94 15.95 灵活迁移型 6.18 7.01 13.89
下载: 导出CSV
表 12 人工评估结果
Table 12 Human evaluation results
方法 相关性 认知层次要求 可迁移性 Zero-shot 3.62 2.54 2.77 CoT 3.65 2.52 2.80 Top-N 3.66 2.56 2.81 Iteration 3.83 3.44 3.39 MAB 3.76 2.96 3.00 MCTS 3.75 2.88 3.03 Fleiss' Kappa 0.74 0.71 0.65
下载: 导出CSV
表 13 错误类型人工标注
Table 13 Human annotation of mistake type
错误类型 Cohen＇ s Kappa (双人) $m_{1,\;1}$ 0.62/0.68 $m_{1,\;2}$ 0.74/0.69 $m_{1,\;3}$ 0.65/0.71 $m_{1,\;4}$ 0.53/0.58 $m_{2,\;1}$ 0.60/0.64 $m_{2,\;2}$ 0.52/0.53 $m_{2,\;3}$ 0.73/0.71 $m_{2,\;4}$ 0.62/0.65 $m_{3,\;1}$ 0.63/0.59 $m_{3,\;2}$ 0.59/0.62 $m_{3,\;3}$ 0.63/0.60 $m_{3,\;4}$ 0.52/0.56 $m_{4,\;1}$ 0.50/0.45 $m_{4,\;2}$ 0.46/0.49 $m_{4,\;3}$ 0.47/0.43 $m_{4,\;4}$ 0.49/0.52
下载: 导出CSV
表 14 消融实验结果
Table 14 The results of ablation studies
指标 Iteration w/o Simulator MAB w/o Simulator MCTS w/o Simulator Random 真实性 2.89/2.80/2.91 2.91/2.82/2.92 2.87/2.81/2.89 2.88/2.78/2.90 相关性 3.86/3.74/3.76 3.80/3.86/3.86 3.76/3.79/3.77 3.82/3.79/3.85 趣味性 2.95/3.04/2.90 2.97/3.17/3.05 2.87/3.12/2.92 2.88/3.07/2.92 认知层次要求 3.05/3.00/2.98 3.08/3.14/3.17 2.64/2.73/2.73 3.20/3.20/3.16 信息整合度 1.91/1.72/1.73 1.82/1.92/1.96 1.65/1.75/1.70 1.80/1.63/1.67 可迁移性 3.29/3.20/3.20 3.17/3.16/3.17 2.98/2.99/3.02 3.21/3.26/3.31 清晰度 3.04/3.56/3.67 3.62/3.94/3.96 3.94/4.01/4.20 3.10/3.70/3.79 认知负荷合理性 1.98/2.23/2.46 2.80/2.99/3.01 3.17/3.15/3.27 2.24/2.54/2.65 公平性 3.10/3.06/3.05 3.12/3.08/3.06 3.06/3.07/3.05 3.08/3.09/3.07
下载: 导出CSV
表 15 案例研究
Table 15 Case study
【初始习题】 求解二元一次方程组: $\begin{cases} 3x + 2y = 16\\5x -6y = -6 \end{cases}$ Iteration 第一轮 【习题文本】学校组织同学们去文具店购买文具作为奖品. 已知买3支钢笔和2个笔记本一共花费16元; 买5支钢笔比买6个笔记本少花6元. 那么每支钢笔和每个笔记本的价格分别是多少元呢? 【错误类型】[[0, 0, 0, 0], [0, 1, 0, 0], [0, 1, 0, 0], [1, 0, 1, 0]] 第二轮 【习题文本】学校组织同学们去文具店购买文具作为奖品. 在解决购买文具价格的问题时, 我们通常会用设未知数的方法来建立数学模型. 现在我们设每支钢笔的价格为x元, 每个笔记本的价格为y元. 已知买3支钢笔和2个笔记本一共花费16元, 根据"总价=单价×数量", 可得到一个关于x和y的方程; 买5支钢笔比买6个笔记本少花6元, 同样根据上述公式, 又能得到另一个关于x和y的方程. 下面我们分步骤来解决这个问题: 第一步, 根据题目信息列出方程组; 第二步, 求解这个方程组, 在求解过程中要仔细进行计算, 避免出现计算错误; 第三步, 得到每支钢笔和每个笔记本的价格后, 我们要对答案进行验证, 看看是否满足题目中的两个条件. 【错误类型】[[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 1, 0]] 持续迭代优化...... MCTS(最佳结果) 【习题文本】学校组织同学们去文具店采购学习用品, 已知买3支钢笔和2个笔记本一共花费16元, 买5支钢笔比买6个笔记本少花6元, 那么每支钢笔和每个笔记本的价格分别是多少呢? 请通过列方程组求解. 在求出钢笔和笔记本的价格后, 请将答案代回题目条件进行验证, 思考答案是否能使题目中的两个花费关系都成立. 【错误类型】[[0, 0, 0, 0], [0, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0]]
下载: 导出CSV
A1 评分量表
A1 Rating scale
指标 5点量表 真实性 1) 情境明显违背科学常识或生活常理, 明显是为习题生硬编造的. 2) 情境核心内容是虚构的, 但其中包含了少量真实元素, 整体可信度很低. 3) 情境经过一定简化或改编, 但整体符合逻辑和认知, 不存在明显漏洞. 4) 情境基于真实事件、现象或数据改编, 仅对复杂性做了适合学科特征与学生水平的调整. 5) 情境直接来源于未经篡改的现实世界, 是公认的社会、科学或生活事实. 相关性 1) 情境与数学问题完全割裂, 去掉情境对解题毫无影响. 2) 情境仅提供了数字背景, 问题本身是抽象的、模式化的. 3) 情境决定了问题中变量的具体含义, 但其中的数学模型是常见、通用的. 4) 情境中的细节(如限制条件、特殊规则)是构建数学模型不可或缺的关键组成部分. 5) 情境与数学知识深度融合, 解决该现实问题本身就是数学概念的体现. 趣味性 1) 情境老套、过时, 或内容令人厌烦、困惑. 2) 情境缺乏新意, 但表述清晰、功能性强, 无令人反感、困惑之处. 3) 情境普通, 但贴近学生生活, 能引发基本的认同感. 4) 情境涉及学生感兴趣的话题, 或具有挑战性和新奇感. 5) 情境极具创意、吸引力, 能够激发学生强烈的探究与问题解决意愿. 认知层次要求 1) (记忆)仅需回忆或识别数学事实、公式或定义. 2) (理解)需理解概念并执行常规的解题程序. 3) (应用)需要在熟悉的情境中选择并执行适当的解题程序或建立模型. 4) (分析)需要将复杂问题分解, 厘清各要素之间的关系, 或批判性地评估信息. 5) (创造)整合各元素并以新的方式规划、构建解决方案. 信息整合度 1) 解题所需的全部数据和信息已被明确分离和列出, 无需任何筛选. 2) 信息已嵌入情境, 但非常明显, 只需简单的识别和抄写. 3) 信息已给出, 但需要通过单位换算、语言转换、图表识别等方式读取. 4) 情境中包含必要信息与冗余、干扰信息, 学生需要进行区分、辨别. 5) 解题所需信息分散在多源、多模态材料中, 需要学生进行综合对比与整合才能获取. 可迁移性 1) 解题方法仅适用于此题的具体数字和设定, 几乎无法迁移. 2) 解题方法可迁移到数字和背景几乎完全相同的习题中. 3) 解题所体现的数学模型或方法可迁移到类似的其他情境中. 4) 解题所体现的数学思想或策略可迁移到多种不同类型的习题中. 5) 解题过程清晰地展示了如何从现实问题中抽象出数学模型并求解的策略, 具有广泛的普适性. 清晰度 1) 语句不通, 存在大量歧义, 令人完全无法理解. 2) 部分关键语句存在歧义或表述冗长, 需要反复阅读才能猜测其意图. 3) 语言通顺, 无重大歧义, 但在信息的组织顺序上可以更优化. 4) 语言精炼, 表述准确, 易于理解. 5) 语言极其精炼、准确、专业, 所有学生都能一致、无歧义地理解题意. 认知负荷合理性 1) 情境包含大量与解题完全无关的干扰信息, 表述冗长, 极大地干扰了思考. 2) 存在明显冗余信息或不良表述, 需要学生花费较多精力进行信息过滤和组织. 3) 信息均为解题所必需, 无明显冗余, 表述方式较为直接、平铺直叙. 4) 信息呈现方式经过优化, 模态多样、结构化程度良好, 有助于降低处理难度. 5) 信息呈现方式经过精心设计, 较好匹配学生的认知水平, 最大化降低不必要的认知负荷. 公平性 1) 情境包含明显的性别歧视、地域歧视、文化歧视或冒犯性内容. 2) 情境隐含刻板印象或对特定群体不友好. 3) 情境中性, 未明显涉及可能引发公平性质疑的内容. 4) 情境有意采用了包容性的设计, 兼顾了不同背景学生的体验. 5) 情境设计经过审慎考量, 确保所有学生体验一致, 并有望促进跨文化理解.
下载: 导出CSV
-
[1] 白胜南, 王烨晖, 史宁中, 温红博. 义务教育阶段数学问题解决类试题的命制及评价研究. 数学教育学报, 2025, 34(1): 64−69Bai Sheng-Nan, Wang Ye-Hui, Shi Ning-Zhong, Wen Hong-Bo. Research on proposition and evaluation of mathematical problem-solving questions in compulsory education. Journal of Mathematics Education, 2025, 34(1): 64−69 [2] Zhao G H, Huang Z Y, Zhuang Y, Bi H Y, Wang Y Y, Wang F, et al. A diffusion-based cognitive diagnosis framework for robust learner assessment. IEEE Transactions on Learning Technologies, 2024, 17: 2227−2241 doi: 10.1109/TLT.2024.3492214 [3] 中华人民共和国教育部. 义务教育数学课程标准(2022年版). 北京: 北京师范大学出版社, 2022. 92Ministry of Education of the People's Republic of China. Mathematics Curriculum Standards for Compulsory Education (2022 edition). Beijing: Beijing Normal University Press, 2022. 92 [4] Ahmad K, Iqbal W, El-Hassan A, Qadir J, Benhaddou D, Ayyash M, et al. Data-driven artificial intelligence in education: A comprehensive review. IEEE Transactions on Learning Technologies, 2024, 17: 12−31 doi: 10.1109/TLT.2023.3314610 [5] Zhao W X, Zhou K, Li J Y, Tang T Y, Wang X L, Hou Y P, et al. A survey of large language models. arXiv: 2303.18223, 2025. [6] Cheng C, Huang Z Y, Zhao G H, Guo Y X, Lin X, Wu J Z, et al. From objectives to questions: A planning-based framework for educational mathematical question generation. In: Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (ACL). Vienna, Austria: Association for Computational Linguistics, 2025. 12836−12856 [7] Vygotsky L S. Mind in Society: Development of Higher Psychological Processes. Cambridge: Harvard University Press, 1978. [8] 邹维. 高考数学情境性试题编制的现状分析与启示-以2018−2024年的75套高考数学试卷为例. 数学教育学报, 2025, 34(4): 44−50Zou Wei. Analysis of the current situation and teaching evaluation implications for the development of situational mathematics test questions in the college entrance examination-Taking 75 sets of college entrance examination mathematics paper from 2018 to 2024 as examples. Journal of Mathematics Education, 2025, 34(4): 44−50 [9] Wang L, Ma C, Feng X Y, Zhang Z Y, Yang H, Zhang J S, et al. A survey on large language model based autonomous agents. Frontiers of Computer Science, 2024, 18(6): Article No. 186345 [10] Lan Y S, Li X Y, Du H Y, Lu X S, Gao M, Qian W N, et al. Survey of natural language processing for education: Taxonomy, systematic review, and future trends. IEEE Transactions on Knowledge and Data Engineering, 2026, 38(1): 659−678 [11] Liu T Q, Fang Q, Ding W B, Li H, Wu Z Q, Liu Z T. Mathematical word problem generation from commonsense knowledge graph and equations. In: Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP). Virtual Event: Association for Computational Linguistics, 2021. 4225−4220 [12] Cao T Y, Zeng S, Xu X D, Mansur M, Chang B B. DISK: Domain-constrained instance sketch for math word problem generation. In: Proceedings of the 29th International Conference on Computational Linguistics (COLING). Gyeongju, Republic of Korea: International Committee on Computational Linguistics, 2022. 6327−6339 [13] Qin C, Zhu H S, Shen D Z, Sun Y, Yao K C, Wang P, et al. Automatic skill-oriented question generation and recommendation for intelligent job interviews. ACM Transactions on Information Systems, 2023, 42(1): Article No. 27 [14] Memoona S, Zahoor U R, Raja H A, Ujala A, Ali Z I, Raja M A. An information processing framework for education: Supporting automatic question generation with NLP to minimize human intervention. Information Processing & Management, 2026, 63(4): Article No. 104613 [15] Kurdi G, Leo J, Parsia B, Sattler U, Al-Emari S. A systematic review of automatic question generation for educational purposes. International Journal of Artificial Intelligence in Education, 2020, 30(1): 121−204 [16] Mei L R, Yao J Y, Ge Y Y, Wang Y W, Bi B L, Cai Y J, et al. A survey of context engineering for large language models. arXiv: 2507.13334, 2025. [17] Agrawal G, Pal K, Deng Y L, Liu H, Chen Y C. CyberQ: Qenerating questions and answers for cybersecurity education using knowledge graph-augmented LLMs. In: Proceedings of the AAAI Conference on Artificial Intelligence (AAAI). Vancouver, Canada: Association for the Advancement of Artificial Intelligence, 2024. 23164−23172 [18] 来雨轩, 王艺丹, 王立. 基于大语言模型与检索增强的学科试题生成方法. 中文信息学报, 2024, 38(12): 148−158Lai Yu-Xuan, Wang Yi-Dan, Wang Li. Exam question generation based on large language models and retrieval-augmentation techniques. Journal of Chinese Information Processing, 2024, 38(12): 148−158 [19] Yu Y A, Krantz A, Lobczowski N G. From recall to reasoning: Automated question generation for deeper math learning through large language models. In: Proceedings of the 26th International Conference on Artificial Intelligence in Education (AIED). Palermo, Italy: Springer Nature Switzerland, 2025. 412−422 [20] 吴永和, 姜元昊, 陈圆圆, 张文轩. 大语言模型支持的多智能体: 技术路径、教育应用与未来展望. 开放教育研究, 2024, 30(5): 63−75Wu Yong-He, Jiang Yuan-Hao, Chen Yuan-Yuan, Zhang Wen-Xuan. Multi-agent systems supported by large language models: Technical pathways, educational applications, and future prospects. Open Education Research, 2024, 30(5): 63−75 [21] 刘明, 杨闽, 吴忠明, 廖剑. 教育大模型智能体的开发、应用现状与未来展望. 现代教育技术, 2024, 34(11): 5−14Liu Ming, Yang Min, Wu Zhong-Ming, Liao Jian. Development, application status and future prospect of large language model agents for education. Modern Educational Technology, 2024, 34(11): 5−14 [22] Yang J, Wang M J, Du X, Na R. A comprehensive survey on large-language-model-based agents for education. IEEE Transactions on Learning Technologies, 2025, 18: 898−913 [23] 曹培杰, 谢阳斌, 武卉紫, 杨媛媛, 沈苑, 左晓梅, 等. 教育大模型的发展现状、创新架构及应用展望. 现代教育技术, 2024, 34(2): 5−12Cao Pei-Jie, Xie Yang-Bin, Wu Hui-Zi, Yang Yuan-Yuan, Shen Yuan, Zuo Xiao-Mei, et al. The development status, innovation architecture and application prospects of educational big models. Modern Educational Technology, 2024, 34(2): 5−12 [24] Wu T, Chen J Y, Lin W, Li M Z, Zhu Y M, Li A, et al. Embracing imperfection: Simulating students with diverse cognitive levels using LLM-based agents. In: Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (ACL). Vienna, Austria: Association for Computational Linguistics: 2025. 9887−9908 [25] Li H, Xu T L, Chang E, Wen Q S. Knowledge tagging with large language model based multi-agent system. In: Proceedings of the AAAI Conference on Artificial Intelligence (AAAI). Philadelphia, Pennsylvania, USA: Association for the Advancement of Artificial Intelligence: 2025. 28775−28782 [26] Zhang X Q, Zhang C, Sun J W, Xiao J, Yang Y, Luo Y W. EduPlanner: LLM-based multiagent systems for customized and intelligent instructional design. IEEE Transactions on Learning Technologies, 2025, 18: 416−427 [27] Lv R, Liu Q, Gao W B, Li J T, Zhang K, Tong S W. ReAL: How can LLMs simulate the real teacher? Retrieval-enhanced agent for adaptive learning. In: Findings of the Association for Computational Linguistics (EMNLP 2025). Suzhou, China: Association for Computational Linguistics: 2025. 168−181 [28] Peng X, Yuan P, Li D, Cheng J L, Fang Q, Liu Z. KELE: A multi-agent framework for structured socratic teaching with large language models. In: Findings of the Association for Computational Linguistics (EMNLP 2025). Suzhou, China: Association for Computational Linguistics, 2025. 16342−16362 [29] 吴红耘, 皮连生. 学与教的心理学. 上海: 华东师范大学出版社, 2019. 104−106Wu Hong-Yun, Pi Lian-Sheng. Psychology Applied to Learning and Teaching. Shanghai: East China Normal University Press, 2019. 104−106 [30] Schoenfeld A H. Learning to think mathematically: Problem solving, metacognition, and sense making in mathematics. Handbook of Research on Mathematics Teaching and Learning: A Project of the National Council of Teachers of Mathematics. London: Macmillan, 1992. 334−370 [31] Hammond J. Scaffolding: Teaching and Learning in Language and Literacy Education. Australia: Primary English Teaching Association, 2001. [32] Lu Y, Pian Y, Shen Z D, Chen P H, Li X Q. SLP: A multi-dimensional and consecutive dataset from K-12 education. In: Proceedings of the 29th International Conference on Computers in Education (ICCE 2021). Virtual Event: Asia-Pacific Society for Computers in Education, 2021. 261−266 [33] Wei J, Wang X Z, Schuurmans D, Bosma M, Ichter B, Xia F, et al. Chain-of-thought prompting elicits reasoning in large language models. arXiv: 2201.11903, 2023. -
下载:
计量
- 文章访问数: 10
- HTML全文浏览量: 6
- 被引次数: 0
