PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.21306v1cs.LG

AI 어시스턴트의 과도한 개입

AI Assistants Overassist

대규모 언어 모델(LLM)은 점점 더 튜터와 사고 파트너로 사용되어 사용자가 문제를 추론하도록 돕고 있다. AI 어시스턴트의 안내는 사고를 비계화하고 학습을 촉진할 수 있지만, 이러한 이점은 그들이 어떻게 돕느냐에 달려 있다. 예를 들어, 너무 이르거나 너무 자주 개입하면 진정한 학습과 인지적 참여를 저해할 수 있다. 그러나 문제 해결 과정에서 AI 시스템이 개입 결정을 어떻게 탐색하는지는 여전히 잘 이해되지 않고 있다. 본 연구에서는 학습 중 LLM 개입을 평가하기 위한 시뮬레이션 기반 벤치마크인 Int-Bench를 제안한다. Int-Bench는 "학생"이 문제를 풀고 "교사"가 학생의 추론을 모니터링하며 개입 여부, 시점, 방식을 결정하는 상황을 시뮬레이션한다. 코드 디버깅, 수학, 두뇌 퍼즐이라는 세 가지 영역에서 LLM 교사의 개입 빈도와 시점, 그리고 즉각적인 과제 성공과 새로운 문제로의 일반화에 미치는 영향을 평가한다. LLM과 인간을 비교한 결과, LLM이 인간보다 더 자주, 더 일찍 개입하는 것으로 나타났다. 게다가 인간과 달리, LLM은 표적화된 힌트보다는 완전한 해답을 제공하는 경향이 있다. 이러한 결과는 현재 LLM 어시스턴트가 더 깊은 학습과 장기적 성공에 필요한 추론 과정을 지원하기보다는 단기적 성공을 최적화하는 경우가 많음을 시사한다.

arXiv:2606.22349v1cs.CL

호기심을 언어적 개입으로: LLM 튜터링 대화를 통한 탐색적 학습 행동의 유도

Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior

CURIOBOT은 Berlyne의 collative variables(신규성, 복잡성, 갈등, 불확실성)를 대화형 튜터링의 적응적 언어적 개입으로 구현한 프레임워크로, 270건의 실험에서 호기심 지향 개입이 탐색적 학습자 행동을 지속적으로 증가시켜 고정 시간 내 대화 턴을 최대 2.4배까지 늘렸다. 튜터 측 교수 품질과 무관하게 학습자 측 이득이 유지되어, 호기심이 부분적으로 독립적인 상호작용 수준 메커니즘으로 작용함을 보였다.