From Execution to Education: A Bloom-Aligned Framework for Measuring Educational Control in LLMs

📄 arXiv: 2607.08009v1 📥 PDF

作者: Yi Zhang, Julia Rayz

分类: cs.CL, cs.CY

发布日期: 2026-07-09

备注: 24 pages, 20 figures

💡 一句话要点

提出Bloom对齐框架以测量LLMs的教育控制能力

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

关键词: 大型语言模型 教育控制 Bloom分类法 认知需求 编程教育 模型评估 智能辅导系统

📋 核心要点

  1. 现有大型语言模型在教育任务中难以平衡任务的难度与学习者的认知需求，导致教育效果不理想。
  2. 提出Bloom对齐框架，通过修订的Bloom分类法评估模型在教育控制中的表现，重点关注认知需求的调整。
  3. 实验结果显示，模型在增加认知需求方面表现良好，但在降低认知需求时存在显著困难，揭示了教育控制的局限性。

📝 摘要（中文）

本文介绍了一种Bloom对齐框架，用于测量大型语言模型（LLMs）在教育中的控制能力，即在保持任务指令意图的同时，将其认知需求转向特定学习目标。我们将该框架应用于计算机科学教育中的编程任务，研究解决任务与为学习者调整任务之间的差距。通过修订的Bloom分类法作为认知需求的操作尺度，我们评估了两种干预设置：一般难度控制和Bloom控制。对比Qwen3-Next模型对2,520个任务的评估结果显示，尽管模型能够可靠地增加认知需求，但在降低认知需求方面存在困难。进一步的结果分析表明，强大的执行性能并不自动意味着Bloom对齐的教育控制能力。

🔬 方法详解

问题定义：本文旨在解决大型语言模型在教育任务中无法有效调整认知需求的问题。现有方法在保持任务指令意图的同时，难以适应学习者的不同需求。

核心思路：提出Bloom对齐框架，利用修订的Bloom分类法作为认知需求的操作尺度，评估模型在教育控制中的表现，特别是在难度调整和Bloom层次目标的实现上。

技术框架：框架包括两个主要模块：一般难度控制和Bloom控制。通过对比Qwen3-Next模型的不同版本，分析其在2,520个任务上的表现。

关键创新：该框架的创新之处在于将教育控制与Bloom分类法结合，提供了一种新的评估模型能力的方法，揭示了模型在教育任务中的表现与其执行能力之间的差异。

关键设计：实验中使用了Qwen3-Next-80B-A3B-Instruct与Qwen3-Coder-Next模型，采用了语义-增量聚类和层级Fisher判别比率探测等技术手段，确保了对模型表现的精确评估。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，两个模型在增加认知需求方面表现出色，但在降低认知需求时均存在显著困难。Qwen3-Next-80B-A3B-Instruct模型在一般难度控制方面表现出更清晰的中层可分离性，而Qwen3-Coder-Next模型在Bloom控制对比中则显示出更深的峰值。

🎯 应用场景

该研究的潜在应用领域包括教育技术、智能辅导系统和个性化学习平台。通过优化大型语言模型的教育控制能力，可以提升学习者的学习体验和效果，促进教育公平与质量的提升。

📄 摘要（原文）

We introduce a Bloom-aligned framework for measuring educational control in Large Language Models (LLMs): the ability to preserve a task's instructional intent while shifting its cognitive demand toward specified learning objectives. We apply this framework to programming tasks in computer science education to study the gap between solving tasks and adapting them for learners. Using revised Bloom's Taxonomy as an operational scale of cognitive demand, we evaluate two intervention settings: general difficulty control, where models are asked to make tasks harder or easier, and Bloom's control, where models are asked to target higher or lower Bloom's levels. We evaluate a matched Qwen3-Next model pair, comparing Qwen3-Next-80B-A3B-Instruct with Qwen3-Coder-Next across 2,520 tasks from three benchmarks. The framework reveals a robust directional asymmetry: both models reliably increase cognitive demand, but struggle to lower it. We further characterize these outcomes with semantic-delta clustering and layer-wise Fisher's Discriminant Ratio probing. Within this controlled comparison, the general model shows clearer middle-layer separability for both general difficulty and Bloom-control contrasts, whereas the coder model shows weaker separability for general difficulty and a deeper peak for Bloom-control contrasts. These results show that strong execution performance does not automatically entail Bloom-aligned educational control.