Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education

📄 arXiv: 2605.12988v1 📥 PDF

作者: Mragisha Jain, Tirth Bhatt, Griffin Pitts, Aum Pandya, Peter Brusilovsky, Narges Norouzi, Arto Hellas, Juho Leinonen, Bita Akram

分类: cs.AI, cs.CY, cs.IR

发布日期: 2026-05-13

备注: Paper accepted to the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2026), co-located with ACL 2026

💡 一句话要点

提出KITE：一种基于检索增强的算法辅导系统，用于算法追踪和问题解决

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 智能辅导系统 检索增强生成 算法教学 苏格拉底式教学 个性化学习

📋 核心要点

  1. 学生在学习算法时，常常需要在理解追踪、调试推理错误以及应用流程到新问题实例上获得支持。
  2. KITE通过检索课程材料，结合意图感知的苏格拉底式回应策略，为学生提供定制化的提示和引导，从而提升算法问题解决能力。
  3. 实验结果表明，KITE能够生成上下文相关的教学回应，并能有效帮助学生模型提高在算法问题上的准确率。

📝 摘要（中文）

本文提出了一种基于检索增强生成（RAG）的智能辅导系统KITE（Knowledge-Informed Tutoring Engine），旨在作为算法推理和问题解决任务的课堂助教。KITE采用意图感知的苏格拉底式回应策略，根据不同的学生需求定制支持，提供有针对性的提示、引导性问题和渐进式支架，以增强学生的算法问题解决能力。为了使回应与课程内容保持一致，KITE使用多模态RAG流程，从课程材料中检索相关信息。通过基于RAGAs的指标评估回应的基础性和质量，专家评估教学质量，以及模拟学生管道（其中较弱的语言模型与KITE进行两轮对话并在收到反馈后产生修改后的答案）三种形式评估KITE。结果表明，KITE产生上下文相关的、教学上适当的回应。此外，使用模拟学生，KITE的反馈帮助学生模型在程序和追踪问题上产生更准确的后续回应，表明其支架可以支持算法问题解决。这项工作贡献了一种辅导架构和一种评估方法，用于评估检索基础的解释和支架式问题解决反馈。

🔬 方法详解

问题定义：学生在学习算法时，常常难以理解算法的执行过程（追踪），难以发现和纠正推理错误，也难以将已学算法应用到新的问题实例中。现有的算法教学方法往往缺乏个性化和针对性，无法有效满足学生的不同学习需求。

核心思路：KITE的核心思路是利用检索增强生成（RAG）技术，从课程材料中检索相关信息，并结合意图感知的苏格拉底式回应策略，为学生提供个性化的算法辅导。通过这种方式，KITE能够根据学生的具体问题和学习进度，提供有针对性的提示、引导性问题和渐进式支架，从而帮助学生更好地理解和掌握算法知识。

技术框架：KITE的整体架构包含以下几个主要模块：1) 课程材料知识库：存储课程相关的各种文档，例如讲义、PPT、例题等。2) 问题理解模块：分析学生提出的问题，识别学生的意图和知识盲点。3) 检索模块：根据问题理解的结果，从知识库中检索相关信息。4) 回应生成模块：结合检索到的信息和苏格拉底式回应策略，生成个性化的辅导回应。5) 交互模块：与学生进行交互，收集学生的反馈，并根据反馈调整辅导策略。

关键创新：KITE最重要的技术创新点在于其将检索增强生成（RAG）技术应用于算法辅导领域。与传统的智能辅导系统相比，KITE能够更好地利用课程材料中的知识，生成更准确、更相关的辅导回应。此外，KITE的意图感知苏格拉底式回应策略也能够更好地引导学生进行思考，从而提高学生的学习效果。

关键设计：KITE的关键设计包括：1) 使用多模态RAG流程，同时检索文本和代码等多种类型的信息。2) 设计意图感知的苏格拉底式回应策略，根据学生的意图选择合适的回应方式。3) 使用RAGAs指标评估回应的基础性和质量，并进行优化。4) 通过模拟学生管道评估KITE的辅导效果。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，KITE能够生成上下文相关的、教学上适当的回应。使用模拟学生进行评估，KITE的反馈能够帮助学生模型在程序和追踪问题上产生更准确的后续回应，表明其支架可以有效支持算法问题解决。RAGAs指标评估显示，KITE的回应具有较高的基础性和质量。

🎯 应用场景

KITE可应用于各种算法教学场景，例如在线课程、课堂教学辅助、自主学习等。它可以为学生提供个性化的算法辅导，帮助学生更好地理解和掌握算法知识，提高算法问题解决能力。未来，KITE还可以扩展到其他学科的教学中，为更多的学生提供个性化的学习支持。

📄 摘要（原文）

Students learning algorithms often need support as they interpret traces, debug reasoning errors, and apply procedures across unfamiliar problem instances. In this paper, we present KITE (Knowledge-Informed Tutoring Engine), a Retrieval-Augmented Generation (RAG)-based intelligent tutoring system designed to serve as a classroom teaching assistant for algorithmic reasoning and problem-solving tasks. KITE uses an intent-aware Socratic response strategy to tailor support to different student needs, responding with targeted hints, guiding questions, and progressive scaffolding intended to strengthen students' algorithmic problem-solving ability. To keep responses aligned with course content, KITE uses a multimodal RAG pipeline that retrieves relevant information from course materials. We evaluate KITE using three forms of assessment: RAGAs-based metrics for response grounding and quality, expert evaluation of pedagogical quality, and a simulated student pipeline in which a weaker language model interacts with KITE across two-turn dialogues and produces revised answers after receiving feedback. Results indicate that KITE produces contextually grounded and pedagogically appropriate responses. Further, using simulated students, KITE's feedback helped the student models produce more accurate follow-up responses on procedural and tracing questions, suggesting that its scaffolding can support algorithmic problem-solving. This work contributes a tutoring architecture and an evaluation approach for assessing retrieval-grounded explanations and scaffolded problem-solving feedback.