GuideAI: A Real-time Personalized Learning Solution with Adaptive Interventions
作者: Ananya Shukla, Chaitanya Modi, Satvik Bajpai, Siddharth Siddharth
分类: cs.HC, cs.AI
发布日期: 2026-01-28
备注: Accepted for publication at the 31st International Conference on Intelligent User Interfaces (IUI 2026)
💡 一句话要点
GuideAI：一种基于自适应干预的实时个性化学习解决方案
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 个性化学习 自适应干预 多模态融合 生物传感 认知负荷
📋 核心要点
- 现有LLM学习工具缺乏对学习者认知和生理状态的感知，难以进行个性化自适应学习。
- GuideAI通过整合多模态生物传感反馈，动态调整学习内容和节奏，实现认知和生理干预。
- 实验表明，GuideAI显著提升了知识保留和问题解决能力，并降低了认知负荷。
📝 摘要（中文）
大型语言模型（LLMs）已成为强大的学习工具，但它们缺乏对学习者认知和生理状态的感知，限制了其对用户学习风格的适应性。现有的学习技术主要侧重于结构化学习路径、知识追踪和通用自适应测试，但未能解决由认知负荷、注意力波动和参与度驱动的实时学习挑战。基于一项形成性用户研究（N=66）的发现，我们介绍了GuideAI，这是一个多模态框架，通过整合实时生物传感反馈（包括眼动追踪、心率变异性、姿势检测和数字笔记行为）来增强LLM驱动的学习。GuideAI通过认知优化（基于学习进度标记调整复杂性）、生理干预（呼吸指导和姿势校正）和注意力感知策略（使用眼动分析重定向注意力）来动态调整学习内容和节奏。此外，GuideAI支持跨不同知识领域的多种学习模式，包括基于文本、图像、音频和视频的教学。一项初步研究（N = 25）通过标准化评估评估了GuideAI对知识保留和认知负荷的影响。结果表明，解决问题的能力和基于回忆的知识评估均有显著提高。参与者在包括精神需求、挫败感和努力程度在内的关键NASA-TLX指标上也经历了显著降低，同时报告了增强的感知表现。这些发现表明，GuideAI有潜力弥合当前基于LLM的学习系统与个性化学习者需求之间的差距，为大规模的自适应、认知感知教育铺平道路。
🔬 方法详解
问题定义：论文旨在解决现有大型语言模型（LLM）驱动的学习系统缺乏对学习者认知和生理状态的感知，导致无法进行个性化和自适应学习的问题。现有方法主要依赖结构化学习路径和通用自适应测试，无法有效应对实时学习过程中出现的认知负荷、注意力波动和参与度变化等挑战。
核心思路：论文的核心思路是构建一个多模态框架GuideAI，通过实时采集学习者的生物传感数据（眼动追踪、心率变异性、姿势检测和数字笔记行为），并利用这些数据动态调整学习内容和节奏。这种方法旨在实现认知优化（调整学习内容复杂性）、生理干预（提供呼吸指导和姿势校正）和注意力感知策略（利用眼动分析重定向注意力），从而提高学习效率和效果。
技术框架：GuideAI的技术框架包含以下主要模块：1) 生物传感数据采集模块：负责实时采集学习者的眼动、心率、姿势和笔记数据。2) 数据处理与分析模块：对采集到的数据进行处理和分析，提取认知负荷、注意力水平和参与度等指标。3) 自适应干预模块：根据分析结果，动态调整学习内容（例如，调整文本难度、切换学习模式）和节奏（例如，暂停、重复、提供提示），并提供生理干预（例如，呼吸指导、姿势校正）。4) LLM集成模块：将LLM作为学习内容生成和问题解答的核心引擎，并根据学习者的状态进行定制。
关键创新：GuideAI的关键创新在于其多模态融合和实时自适应干预机制。与现有方法相比，GuideAI不仅关注学习者的知识水平，还关注其认知和生理状态，并根据这些状态进行实时调整，从而实现更个性化和有效的学习体验。此外，GuideAI支持多种学习模式（文本、图像、音频、视频），可以适应不同学习者的偏好。
关键设计：论文中未详细描述关键参数设置、损失函数或网络结构等技术细节。但可以推断，数据处理与分析模块可能使用了机器学习模型来预测认知负荷和注意力水平。自适应干预模块可能采用了基于规则或强化学习的方法来确定最佳干预策略。具体的技术细节需要参考论文的补充材料或后续研究。
🖼️ 关键图片
📊 实验亮点
初步实验结果表明，使用GuideAI的学习者在问题解决能力和知识回忆方面均有显著提高。同时，参与者在NASA-TLX量表中，精神需求、挫败感和努力程度等指标均显著降低，且感知表现得到增强。这些结果表明GuideAI在提升学习效果和改善学习体验方面具有显著潜力。
🎯 应用场景
GuideAI具有广泛的应用前景，可应用于在线教育平台、企业培训系统和个性化辅导等领域。通过实时监测学习者的认知和生理状态，并提供自适应干预，GuideAI可以显著提高学习效率和效果，降低学习者的认知负荷和焦虑感。未来，GuideAI有望成为一种普及的智能学习工具，促进教育公平和个性化发展。
📄 摘要（原文）
Large Language Models (LLMs) have emerged as powerful learning tools, but they lack awareness of learners' cognitive and physiological states, limiting their adaptability to the user's learning style. Contemporary learning techniques primarily focus on structured learning paths, knowledge tracing, and generic adaptive testing but fail to address real-time learning challenges driven by cognitive load, attention fluctuations, and engagement levels. Building on findings from a formative user study (N=66), we introduce GuideAI, a multi-modal framework that enhances LLM-driven learning by integrating real-time biosensory feedback including eye gaze tracking, heart rate variability, posture detection, and digital note-taking behavior. GuideAI dynamically adapts learning content and pacing through cognitive optimizations (adjusting complexity based on learning progress markers), physiological interventions (breathing guidance and posture correction), and attention-aware strategies (redirecting focus using gaze analysis). Additionally, GuideAI supports diverse learning modalities, including text-based, image-based, audio-based, and video-based instruction, across varied knowledge domains. A preliminary study (N = 25) assessed GuideAI's impact on knowledge retention and cognitive load through standardized assessments. The results show statistically significant improvements in both problem-solving capability and recall-based knowledge assessments. Participants also experienced notable reductions in key NASA-TLX measures including mental demand, frustration levels, and effort, while simultaneously reporting enhanced perceived performance. These findings demonstrate GuideAI's potential to bridge the gap between current LLM-based learning systems and individualized learner needs, paving the way for adaptive, cognition-aware education at scale.