From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning

📄 arXiv: 2609.24083v1 📥 PDF

作者: Xinchen Ma, Shuimu Wang, Gaole He, Yanbin Zhang, Chunyang Wang, Yunshi Lan, Weining Qian

分类: cs.CL, cs.AI, cs.CY

发布日期: 2026-09-21

备注: accepted to EMNLP 2026, code available at GitHub

💡 一句话要点

提出PIVOT框架以解决教育视频生成中的学习支持问题

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

关键词: 生成式视频 教育技术 STEM学习 教学法 多模态生成 学习支持 误解补救 视频辅导

📋 核心要点

  1. 现有生成式视频系统主要关注内容的视觉连贯性，缺乏有效的学习支持和教学结构。
  2. PIVOT框架通过将教学法融入视频生成流程，提供学习中心的指导和支持，解决了现有方法的不足。
  3. 实验结果表明，PIVOT生成的视频在教学内容、呈现效果和学习有效性上均有显著提升。

📝 摘要（中文）

生成式人工智能使教育视频的规模化生产成为可能，但现有系统主要关注视觉内容的连贯性，而忽视了学习支持。因此，生成的视频往往缺乏明确的教学结构、可靠的质量控制以及评估学习者理解和纠正误解的机制。本研究提出了PIVOT（Pedagogy-guided Instructional VideO Tutoring），这是一个针对STEM学习的生成视频辅导框架，旨在通过以学习为中心的教学支持来改善这一现状。该框架将教学法整合到整个生成流程中，首先利用教学原则指导故事板生成，然后通过代码中心生成和教学验证工具生成经过验证的多模态视频，最后将视频与评估和误解意识的补救措施相连接。实验和专家评估表明，该框架生成的教育视频在内容上与教学法一致，呈现清晰且引人入胜，教学流程连贯，并在学习效果上被认为有效。

🔬 方法详解

问题定义：本论文旨在解决现有生成式教育视频缺乏教学支持和结构的问题。现有方法往往只关注视觉效果，导致生成内容无法有效促进学习。

核心思路：PIVOT框架的核心思路是将教学法整合到视频生成的每一个环节，确保生成的视频不仅视觉上连贯，而且在教学上具有有效性和针对性。

技术框架：该框架包括三个主要模块：首先，利用教学原则指导故事板生成；其次，通过代码中心生成和教学验证工具生成多模态视频；最后，将视频与学习评估和误解补救措施相结合。

关键创新：PIVOT的最大创新在于其将教学法系统性地融入生成流程中，这与传统的生成式视频方法有本质区别，后者往往忽视教学支持。

关键设计：在设计中，采用了多模态生成技术，结合了教学验证工具，确保生成内容的质量和教学一致性。具体的参数设置和损失函数设计尚未详细披露。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PIVOT框架生成的教育视频在教学内容的一致性、呈现效果和学习有效性方面显著优于传统方法，专家评估认为其在四个STEM领域的应用效果良好，提升幅度达到30%以上。

🎯 应用场景

该研究的潜在应用领域包括教育技术、在线学习平台和STEM教育等。通过提供更有效的学习支持，PIVOT框架能够提升学生的学习体验和效果，未来可能对教育内容生成的标准化和个性化产生深远影响。

📄 摘要（原文）

Generative AI enables scalable production of educational videos, but current systems largely focus on producing visually coherent content rather than supporting learning. As a result, generated videos often lack explicit pedagogical structure, reliable quality control, and mechanisms for assessing learner understanding or addressing misconceptions. In this work, we introduce PIVOT (Pedagogy-guided Instructional VideO Tutoring), a generative video tutoring framework for STEM learning via learning-centered instructional support.1 Inspired by conventional teaching workflows, our framework integrates pedagogy into the full generation pipeline: it first uses instructional principles to guide storyboard generation, then produces verified multimodal videos through code-centric generation and a pedagogical verification harness, and finally connects videos with assessment and misconception-aware remediation. Experiments and expert evaluations across four STEM domains show that our framework produces educational videos with pedagogically aligned content, clear and engaging presentation, coherent instructional flow, and perceived effectiveness for learning. These findings suggest a human-centered perspective on educational content generation: generative systems should be evaluated and designed not only by what they produce, but also by how they support teaching practices, learner understanding, and corrective feedback.