Validating the Effectiveness of a Large Language Model-based Approach for Identifying Children's Development across Various Free Play Settings in Kindergarten
作者: Yuanyuan Yang, Yuan Shen, Tianchen Sun, Yangbin Xie
分类: cs.AI, cs.CY
发布日期: 2025-05-06
备注: 15 pages, 4 figures
💡 一句话要点
提出基于大语言模型的儿童自由玩耍场景发展能力评估方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 儿童发展评估 自由玩耍 学习分析 幼儿教育
📋 核心要点
- 传统评估方法难以全面捕捉儿童自由玩耍中的发展情况，并及时向教育者提供反馈。
- 利用大语言模型分析儿童的玩耍叙述，识别其认知、运动和社交能力，并结合学习分析评估不同玩耍环境下的表现。
- 实验结果表明，该方法在识别儿童发展能力方面具有高准确性，且能有效区分不同玩耍环境对儿童发展的影响。
📝 摘要（中文）
本研究提出了一种创新方法，将大语言模型（LLM）与学习分析相结合，用于分析儿童对其玩耍经历的自我叙述，从而评估儿童在自由玩耍中的发展情况。该方法利用LLM识别发展能力，并使用学习分析技术计算不同玩耍环境下的表现得分。研究收集了幼儿园29名儿童在一个学期内，在四个不同玩耍区域的2224份玩耍叙述。经过八位专业人士的评估，基于LLM的方法在识别认知、运动和社交能力方面表现出高准确性，在大多数领域超过90%。此外，观察到不同玩耍环境下的发展成果存在显著差异，突显了每个区域对特定能力的独特贡献。研究结果证实，该方法能有效识别儿童在各种自由玩耍环境中的发展情况，为个性化学习提供有价值的数据，并促进幼儿教育实践。
🔬 方法详解
问题定义：本研究旨在解决传统方法在评估儿童自由玩耍发展情况时存在的局限性。现有方法依赖于教师、家长或研究人员的直接观察，难以全面、客观地捕捉儿童在非结构化、自发性玩耍活动中的发展情况，并且无法提供及时有效的反馈，从而影响个性化教学的实施。
核心思路：核心思路是利用大语言模型（LLM）理解儿童的自我叙述，从中提取出与认知、运动、社交等发展能力相关的信息。通过分析儿童的语言表达，可以更深入地了解他们在玩耍过程中的思考、行为和情感体验，从而更准确地评估其发展水平。结合学习分析技术，可以量化不同玩耍环境对特定能力的影响。
技术框架：该方法主要包含数据收集、LLM分析和学习分析三个阶段。首先，收集儿童对玩耍经历的自我叙述。然后，利用预训练的LLM对叙述文本进行分析，识别出与特定发展能力相关的关键词、短语和句子。最后，使用学习分析技术，根据LLM的分析结果，计算儿童在不同玩耍环境下的表现得分，并进行统计分析，以确定不同环境对不同能力的影响。
关键创新：最重要的创新点在于将大语言模型应用于儿童发展评估领域。与传统方法相比，该方法能够更客观、全面地分析儿童的玩耍行为，并提供更个性化的评估结果。此外，该方法还可以自动处理大量的文本数据，大大提高了评估效率。
关键设计：研究中使用的LLM模型选择和微调策略未知。学习分析部分，如何将LLM的输出转化为可量化的表现得分，以及如何设计统计分析方法来评估不同玩耍环境的影响，具体细节未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于LLM的方法在识别认知、运动和社交能力方面表现出高准确性，在大多数领域超过90%。此外，研究还发现不同玩耍环境对儿童的发展有不同的影响，例如，积木区可能更利于认知能力的发展，而户外活动区可能更利于运动能力的发展。这些发现为优化幼儿教育实践提供了有价值的参考。
🎯 应用场景
该研究成果可应用于幼儿园、早教机构和家庭教育等领域，为教育者提供更全面、客观的儿童发展评估工具，支持个性化教学和干预。通过分析儿童在不同玩耍环境下的表现，可以优化环境设计，促进儿童全面发展。此外，该方法还可用于研究不同文化背景下儿童的发展特点。
📄 摘要（原文）
Free play is a fundamental aspect of early childhood education, supporting children's cognitive, social, emotional, and motor development. However, assessing children's development during free play poses significant challenges due to the unstructured and spontaneous nature of the activity. Traditional assessment methods often rely on direct observations by teachers, parents, or researchers, which may fail to capture comprehensive insights from free play and provide timely feedback to educators. This study proposes an innovative approach combining Large Language Models (LLMs) with learning analytics to analyze children's self-narratives of their play experiences. The LLM identifies developmental abilities, while performance scores across different play settings are calculated using learning analytics techniques. We collected 2,224 play narratives from 29 children in a kindergarten, covering four distinct play areas over one semester. According to the evaluation results from eight professionals, the LLM-based approach achieved high accuracy in identifying cognitive, motor, and social abilities, with accuracy exceeding 90% in most domains. Moreover, significant differences in developmental outcomes were observed across play settings, highlighting each area's unique contributions to specific abilities. These findings confirm that the proposed approach is effective in identifying children's development across various free play settings. This study demonstrates the potential of integrating LLMs and learning analytics to provide child-centered insights into developmental trajectories, offering educators valuable data to support personalized learning and enhance early childhood education practices.