LLM Bazaar: A Service Design for Supporting Collaborative Learning with an LLM-Powered Multi-Party Collaboration Infrastructure
作者: Zhen Wu, Jiaxin Shi, R. Charles Murray, Carolyn Rosé, Micah San Andres
分类: cs.HC, cs.AI
发布日期: 2025-09-12
备注: https://repository.isls.org//handle/1/11832
期刊: Proceedings of the 18th International Conference on Computer-Supported Collaborative Learning - CSCL 2025 (pp. 108-115). International Society of the Learning Sciences
💡 一句话要点
提出LLM Bazaar，一个支持LLM驱动的多方协作学习服务设计。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 协作学习 大型语言模型 对话式智能体 教育技术 人机交互
📋 核心要点
- 现有协作学习智能体难以提供实时、上下文感知的深度支持，限制了学习效果。
- 论文提出LLM Bazaar，通过集成LLM智能体外壳，为协作学习提供实时、上下文敏感的支持。
- 该设计和基础设施为探索LLM赋能环境如何改变协作学习成果和互动模式奠定基础。
📝 摘要（中文）
近二十年来，对话式智能体在协作学习中发挥着关键作用，塑造群体动态并支持学生参与。最近，大型语言模型（LLM）集成到这些智能体中，为培养批判性思维和协作问题解决提供了新的可能性。本文从一个名为Bazaar的开源协作支持架构开始，集成了一个LLM智能体外壳，从而能够为小组学习引入由LLM驱动的、实时的、上下文敏感的协作支持。这种设计和基础设施为探索定制的LLM赋能环境如何重塑协作学习成果和互动模式铺平了道路。
🔬 方法详解
问题定义：论文旨在解决协作学习环境中，现有对话式智能体难以提供深度、实时、上下文感知的支持的问题。现有方法通常依赖于预定义的规则或有限的知识库，无法充分利用LLM的强大能力来促进更有效的协作和学习。
核心思路：论文的核心思路是将大型语言模型（LLM）集成到现有的协作学习架构中，创建一个LLM驱动的智能体外壳。这个外壳能够理解协作上下文，并根据需要提供实时的、个性化的支持，从而提升学习效果。
技术框架：论文基于名为Bazaar的开源协作支持架构，并在此基础上构建了一个LLM智能体外壳。该外壳作为中间层，连接了协作学习环境和LLM。当学生进行协作时，外壳会捕获对话和交互信息，将其传递给LLM进行分析和理解，然后根据LLM的输出，向学生提供建议、提示或反馈。
关键创新：关键创新在于将LLM无缝集成到协作学习环境中，实现了实时、上下文感知的协作支持。与传统的基于规则或知识库的方法相比，LLM能够更好地理解学生的意图和需求，并提供更具针对性的帮助。
关键设计：论文中没有详细描述具体的参数设置、损失函数或网络结构，因为重点在于架构设计和集成方法。关键设计在于LLM智能体外壳的构建，以及如何有效地将协作上下文传递给LLM，并利用LLM的输出来指导协作过程。具体LLM的选择和微调策略可能需要根据具体的应用场景进行调整。
📊 实验亮点
论文主要贡献在于架构设计和集成方法，尚未提供具体的实验数据。未来的研究可以关注不同LLM在协作学习环境中的性能表现，以及如何优化LLM的提示工程和微调策略，以进一步提升协作学习效果。通过实验对比，可以量化LLM Bazaar在提升学习成果和改善互动模式方面的具体优势。
🎯 应用场景
该研究成果可应用于各种在线协作学习平台，例如编程学习、科学研究、设计协作等。通过LLM驱动的智能体提供个性化指导和反馈，可以显著提升学生的学习效果和协作能力。未来，该技术还可以扩展到其他协作场景，例如远程办公、团队项目管理等。
📄 摘要（原文）
For nearly two decades, conversational agents have played a critical role in structuring interactions in collaborative learning, shaping group dynamics, and supporting student engagement. The recent integration of large language models (LLMs) into these agents offers new possibilities for fostering critical thinking and collaborative problem solving. In this work, we begin with an open source collaboration support architecture called Bazaar and integrate an LLM-agent shell that enables introduction of LLM-empowered, real time, context sensitive collaborative support for group learning. This design and infrastructure paves the way for exploring how tailored LLM-empowered environments can reshape collaborative learning outcomes and interaction patterns.