Tabela de hyperlinks
Resumo e 1 Introdução
2. Antecedentes
2.1 Prática de tutoria eficaz
2.2 Suggestions para treinamento de tutor
2.3 Rotulagem de sequência para geração de suggestions
2.4 Modelos de idiomas grandes na educação
3. Método
3.1 conjunto de dados e marcação de sequência 3.2
3.3 Rotulagem de sequência facilitada do GPT
3,4 métricas
4. Resultados
4.1 Resultados no RQ1
4.2 Resultados no RQ2
5. Discussão
6. Limitação e trabalhos futuros
7. Conclusão
8. Agradecimentos
9. Referências
APÊNDICE
A. Princípios da lição
B. Entrada para GPT-3.5 de ajuste fino
C. Matriz de dispersão da correlação com os elogios baseados em resultados
D. Resultados detalhados do desempenho do modelo GPT-3.5 ajustado
8. Agradecimentos
Este trabalho é apoiado por financiamento da Richard King Mellon Basis (Grant #10851) e do Studying Engineering Digital Institute (al-instituto.org/). Quaisquer opiniões, descobertas e conclusões expressas neste artigo são as dos autores. Também desejamos expressar nossa gratidão ao Dr. Ralph Abboud e à Dra. Carolyn P. Ros’e por suas orientações e recomendações inestimáveis, e para Yiyang Zhao e Yuting Wang por sua assistência na verificação do esquema de classificação.
Este documento está disponível no ARXIV sob CC por 4,0 licença de ação.
Autores:
(1) Jionghao Lin, Universidade Carnegie Mellon ([email protected]);
(2) Eason Chen, Universidade Carnegie Mellon ([email protected]);
(3) Zeifei Han, Universidade de Toronto ([email protected]);
(4) Ashish Gurung, Universidade Carnegie Mellon ([email protected]);
(5) Danielle R. Thomas, Universidade Carnegie Mellon ([email protected]);
(6) Wei Tan, Monash College ([email protected]);
(7) NGOC Dang Nguyen, Universidade Monash ([email protected]);
(8) Kenneth R. Koedinger, Universidade Carnegie Mellon ([email protected]).
