Multi-sourced AI Tutor for Non-Native English Speaker Students

📄 arXiv: 2610.22163v1 📥 PDF

作者: Yiyin Shen, Xinyi Ai, Weibing Wang, Rogers Jeffrey Leo John, Meenakshi Syamkumar

分类: cs.AI

发布日期: 2026-10-15

💡 一句话要点

提出多源AI辅导系统以解决非母语英语学生的学习障碍

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

关键词: AI辅导系统 非母语英语 语言障碍 检索增强生成 技术术语词汇表 计算机教育 双语支持

📋 核心要点

  1. 非母语英语学生在计算机课程中面临语言障碍，现有支持手段不足以满足其需求。
  2. 本文提出了一种多源AI辅导系统，能够处理外语问题并提供双语回答，增强学生理解能力。
  3. 实验结果显示，系统能够正确回答83.52%的问题，并为76.92%的问题提供高质量翻译，效果显著。

📝 摘要（中文）

随着国际学生在计算机课程中的人数增加，非母语英语学生面临语言障碍，影响学习效果。为此，本文开发了一种通用AI辅导系统，能够处理外语问题（目前主要针对普通话），并提供双语回答。该系统还生成技术术语的词汇表及其解释，以增强理解。我们采用了一种专门的检索增强生成（RAG）管道，结合新颖的问题提取机制，有效利用多样的课程材料回答学生提问。通过对91个Piazza帖子进行评估，系统正确回答了83.52%的帖子，并为76.92%的问题提供了高质量翻译，生成了64.47%的技术术语词汇表。这些结果表明多源RAG管道在增强AI辅导系统方面的潜力，尤其是为非母语学生提供支持。

🔬 方法详解

问题定义：本文旨在解决非母语英语学生在计算机课程中因语言障碍导致的学习困难。现有的教学支持手段无法有效满足这些学生的需求，尤其是在理解技术术语和课程内容方面。

核心思路：我们开发了一种通用AI辅导系统，能够处理学生用外语提出的问题，并提供双语回答。通过生成技术术语的词汇表和解释，帮助学生更好地理解课程内容。

技术框架：系统采用检索增强生成（RAG）管道，结合新颖的问题提取机制。整体流程包括接收学生提问、提取关键信息、检索相关课程材料、生成回答和词汇表。

关键创新：最重要的创新在于引入了多源RAG管道和问题提取机制，使得系统能够有效整合多样的课程材料，提升回答的准确性和相关性。

关键设计：系统设计中，关键参数包括检索算法的选择和生成模型的调优，损失函数采用了针对双语生成的特定设计，以确保翻译和解释的质量。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，AI辅导系统在91个Piazza帖子中正确回答了83.52%的问题，并为76.92%的问题提供了高质量翻译，生成了64.47%的技术术语词汇表。这些数据展示了系统在实际应用中的有效性和实用性。

🎯 应用场景

该研究的AI辅导系统可广泛应用于计算机教育领域，尤其是针对非母语英语学生的课程中。通过提供双语支持和技术术语解释，系统能够显著提升学生的学习体验和理解能力，未来有潜力扩展至其他学科和语言的教育场景。

📄 摘要（原文）

Large language models (LLMs) are increasingly being adopted as teaching tools in computing education, particularly for developing AI tutors capable of answering student questions. With the rise in enrollment of international students in computing programs, researchers have begun to explore the difficulties that non-native English speaker (NNES) students face in computing courses due to language barriers. To aid such students, we developed a general-purpose AI tutor system that can process student questions in foreign languages (currently focused on Mandarin) and provide bilingual responses. Our system also incorporates the functionality of generating a glossary of technical terms and their explanations to enhance comprehension. Our approach utilizes a specialized Retrieval-Augmented Generation (RAG) pipeline with a novel question extraction mechanism, enabling us to effectively utilize a diverse array of course materials for answering student queries. We evaluated our AI tutor using 91 Piazza posts, demonstrating that it could answer 83.52% of the posts correctly and in a helpful manner. The tutor also provided high-quality translations for 76.92% of the questions and generated technical term glossaries for 64.47% of them. Our findings underscore the potential of multi-source RAG pipeline in enhancing AI tutor systems, offering support for non-native speakers that are challenging to provide with traditional supporting staff of a computing course.