新加坡管理大学研究办公室 ——副教授 Ouh Eng Lieh 告诉 研究办公室： “给予学生即时和频繁的反馈使得在线学习更有效。”

然而，根据大多数在线课程的设计，学生只有在接下来面对面的课堂上见到老师时，问题才能得到解答，疑问才能得到澄清。

几天到几周的时间延迟可能会阻碍学生的学习，因为这可能会使学生难以跟上并理解课程的后续主题。

只有当获得的知识存储在长期记忆中时，学习才会发生。

认知负荷理论( CLT)指出，要将短期知识转化为长期记忆，必须进行有效的认知负荷管理、反复的强化和疑惑的澄清。

“这就是为什么及时提供反馈对于保持学生无缝且有效的学习体验至关重要。它还可以帮助学生管理认知负荷并进行学习，”Ouh 教授向 研究办公室解释道。

他补充道：“我们发现 ， 反思提示本质上是提醒学生反思和记录学习内容的手段，它可以让学生记住并运用所学知识，从而显著提高学习效率。此外，通过利用 ChatGPT，我们可以将学生所写内容与课程背景或主题进行比较，从而评估学生的理解程度。”

“考虑到这些，我们希望开发一种可以提供个性化提示的学习工具，以便学生在在线课程中得到问题的解答或疑惑的澄清。我们将这个工具命名为&luo;Prompt Tutor&ruo;，它还将被编程为给学生布置额外的练习或生成测验，以磨练他们的学习能力，”Ouh 教授详细阐述道。

“据我们所知，我们相信这将是新加坡开发的第一个用于高等院校计算机课程教学的 Prompt Tutor，”Ouh 教授继续说道。

这个调查

欧教授的项目由教育部高等教育研究基金 (TRF) 资助。预计需要三年时间开发出功能齐全的 Prompt Tutor 并进行实验研究。

他与新加坡管理大学 (SMU) 的副教授 Tan Kar Way、助理教授 Lo Siaw Ling 以及新加坡新跃大学 (SUSS) 的 Lin Feng 博士合作。

该项研究以 Ouh 教授之前的研究为基础，他成功开发了一种 疑问识别机器学习模型 ，可以从书面反思中找出疑问。

Prompt Tutor 与 SMU 的ITSS(交互式教程软件系统)的集成， 使得研究团队能够通过为机器学习算法提供上下文来设计实时反馈。

研究项目的初始部分需要开发一个足够准确的提示导师——本质上是一个可以对学生的疑问提供至少 90% 准确答案或检测书面反思中的疑惑的提示导师。

总共将招募 80 名就读于 SMU 入门编程课程的学生参与该研究项目。其中 40 名学生将接触到 Prompt Tutor，其余 40 名学生则不会接触到。

研究方法分为四个步骤。

步骤 1：学生需要观看一段五分钟的视频，并写下对所学内容的反思。

第 2 步：使用疑问识别机器学习模型，对 Prompt Tutor 进行编程以检测学生反思中的疑问或不准确之处。

步骤 3：提示导师将根据课程主题的背景和准确性来评估学生的书面作业。如果发现任何疑问或不准确之处，提示导师将通过发送个性化提示通知学生，例如向学生提出后续问题，以便他/她进一步思考和学习。

步骤 4：如果没有检测到不准确之处，Prompt Tutor 将提示学生进行更多练习或生成测验以测试理解程度。

研究意义

这项研究的应用范围超出了计算机科学或信息系统课程的教学。

鉴于 Prompt Tutor 的开发是基于 CLT 的，因此与学科无关，它的用途可以轻松扩展到社会科学、医学甚至语言等领域的教学。

Prompt Tutor 除了使学生受益之外，还可以使教师受益——减少花在学生咨询上的时间。