Abstract & Executive Summary

• A novel prompt-engineering framework has been developed to enable general-purpose Large Language Model (LLM) and Retrieval-Augmented Generation (RAG) based AI teaching assistants to deliver personalized educational support by adapting responses to specific learner attributes and cognitive complexity.
• The framework was evaluated using Natural Language Processing (NLP) metrics and a small-scale human study, demonstrating statistically significant, measurable changes in AI response styles and structures based on encoded learner profiles.
• This research contributes a method for enhancing AI-driven education without necessitating model retraining, leveraging structured prompts to condition LLM behavior according to predefined learner characteristics and Bloom's Taxonomy-based cognitive assessments.
• For Civil Services aspirants, this breakthrough signifies the potential for AI to democratize access to personalized educational guidance, requiring an understanding of AI ethics, adaptive technologies, and their application in public service delivery.

Theoretical Foundation & Fundamental Principles

The efficacy of AI teaching assistants fundamentally relies on their ability to process natural language queries and generate contextually relevant, informative responses. This research builds upon the principles of Large Language Models (LLMs), which are deep learning models trained on vast datasets of text and code. LLMs learn statistical relationships between words and concepts, enabling them to generate human-like text. Retrieval-Augmented Generation (RAG) enhances LLMs by incorporating an external knowledge base, allowing the model to retrieve relevant information before generating a response, thus improving factual accuracy and topical relevance. The core innovation here is prompt engineering, a technique that involves carefully crafting input prompts to guide the LLM's output without altering its underlying parameters or weights. This is analogous to providing precise instructions to a highly capable but unguided assistant. The framework quantifies learner characteristics across six dimensions: 1. Self-assessment: The learner's perceived level of understanding. 2. Abstraction preference: Whether the learner prefers high-level concepts or detailed explanations. 3. Verbosity preference: The desired length and detail of the response. 4. Perceptual orientation: Visual, auditory, or kinesthetic learning preferences. 5. Information processing style: Sequential versus global processing of information. 6. Level of understanding: An objective measure of grasped knowledge. These dimensions, combined with Bloom's Taxonomy (a framework categorizing educational objectives into cognitive levels from 'Remembering' to 'Evaluating'), allow for the creation of 96 distinct learner profiles. Each query is analyzed for its cognitive complexity, and the learner's profile attributes are encoded into a structured prompt. This structured prompt conditions the LLM to generate a response tailored to the learner's specific needs, effectively creating a dynamic pedagogical interaction. For instance, a learner preferring abstraction might receive a conceptual overview, while one preferring detail would get a step-by-step explanation, all from the same base LLM.

Research Breakthrough & Empirical Analysis

The study details a prompt-engineering framework designed to personalize AI teaching assistants like Jill Watson, which are powered by LLMs and RAG. The research methodology involved creating a system that analyzes student queries and learner attributes to generate tailored prompts. These prompts incorporate data points related to the six learner-specific dimensions (self-assessment, abstraction preference, verbosity preference, perceptual orientation, information processing style, and level of understanding) and the cognitive complexity of the query, as assessed via Bloom's Taxonomy. This process generates structured prompts that guide the LLM's output. The framework was evaluated through two primary means. Firstly, Natural Language Processing (NLP) metrics were employed to quantitatively assess differences in AI-generated responses under various personalization conditions. This involved analyzing aspects like sentiment, topic coherence, and linguistic style. Secondly, a human study involving five participants was conducted. Participants interacted with the AI assistant under different personalization settings. The results indicated that participants perceived distinct differences in the style and structure of the AI's responses. Statistical analyses confirmed that specific learner attributes were associated with measurable changes in the AI's output, providing preliminary evidence for the framework's effectiveness in inducing adaptive behavior in LLM-powered educational agents. The benchmark dataset, while not explicitly detailed in the abstract, is implied to consist of student queries and simulated learner profiles used for testing the NLP metrics and human study conditions.

Primary Research Attribution & Source Credits

Primary Paper: Prompt-based Personalization Framework for Large Language Model Teaching Assistants Adapting to Learner Profiles and Cognitive Complexity
Lead Researchers: Not explicitly detailed in the abstract.
Publishing Journal / Repository: arXiv
DOI / Document Identifier: arXiv:2609.03402v1

Indian Strategic Context & National Missions

This research holds significant relevance for India's strategic objectives in education and technology. The development of personalized AI teaching assistants aligns with the nation's push for digital transformation and the democratization of education through initiatives like DIKSHA and SWAYAM. For civil services aspirants, such AI tools could provide scalable, on-demand, and personalized coaching, potentially reducing the reliance on expensive traditional coaching centers and offering a more equitable pathway to preparation. This aligns with the 'Atmanirbhar Bharat' vision by fostering indigenous development of AI-driven educational solutions. The framework's ability to adapt without retraining LLMs could also be crucial for the National Quantum Mission and Semiconductor Mission, which aim to build self-reliance in advanced technologies; such AI could support the educational infrastructure required for these complex fields. Furthermore, the insights gained could inform NITI Aayog's strategies on AI for inclusive growth, ensuring that technological advancements in education benefit a wider populace.

Global Geopolitical, Economic & Ethical Implications

Globally, the proliferation of personalized AI teaching assistants has profound implications. Economically, it could disrupt the multi-billion dollar education and tutoring industry, creating new market opportunities for AI developers while potentially displacing traditional educators. Geopolitically, it raises questions about access and equity; nations with advanced AI infrastructure may gain a significant educational advantage. The dual-use nature of advanced AI, while beneficial for education, also presents risks if repurposed for disinformation or surveillance. Ethically, the collection and use of detailed learner profile data raise significant privacy concerns. Ensuring fairness, preventing algorithmic bias that could disadvantage certain demographics, and maintaining human oversight in educational processes are paramount. International collaboration on AI ethics and standards will be crucial to navigate these challenges.

Technological Bottlenecks & Future Research Horizons

While promising, the framework faces several technological bottlenecks. The initial creation of learner profiles requires accurate data collection, which can be intrusive or prone to self-reporting biases. The effectiveness of NLP metrics in truly capturing 'perceived differences' requires more robust validation. The limited scale of the human study (five participants) necessitates larger, more diverse trials to confirm generalizability. Bloom's Taxonomy, while useful, might not fully capture the nuanced cognitive processes involved in all learning scenarios. Future research should focus on developing more passive, implicit methods for inferring learner attributes to reduce user burden and bias. Investigating the long-term impact of personalized AI tutoring on learning retention, critical thinking, and student engagement is also crucial. Furthermore, exploring multimodal learning preferences (beyond text) and integrating AI assistants into broader learning management systems are vital next steps for comprehensive educational AI.

Academic References & Structured Bibliography

• arXiv:2609.03402v1. (2026). Prompt-based Personalization Framework for Large Language Model Teaching Assistants Adapting to Learner Profiles and Cognitive Complexity. arXiv. Retrieved from https://arxiv.org/abs/2609.03402v1
• Bloom, B. S., Englehart, M. D., Furst, E. J., Hill, W. H., & Krathwohl, D. R. (1956). *Taxonomy of educational objectives: The classification of educational goals. Handbook I: Cognitive domain*. David McKay Company.
• Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... & Amodei, D. (2020). Language models are few-shot learners. *Advances in neural information processing systems*, *33*, 1877-1901.
• Lewis, P., Perez, E., & Yampolskiy, R. V. (2017). Artificial intelligence teaching assistants. *arXiv preprint arXiv:1703.05037*.
• Mittal, P., Agrawal, R., & Singh, V. (2022). A Comprehensive Survey on Retrieval-Augmented Generation (RAG) for Large Language Models. *arXiv preprint arXiv:2212.10162*.

सार संक्षेप एवं कार्यकारी सारांश

• सामान्य-उद्देश्य वाले वृहत् भाषा मॉडल (LLM) और पुनर्प्राप्ति-संवर्धित उत्पादन (RAG) आधारित एआई शिक्षण सहायकों को विशिष्ट शिक्षार्थी विशेषताओं और संज्ञानात्मक जटिलता के अनुरूप प्रतिक्रियाओं को अनुकूलित करके व्यक्तिगत शैक्षिक सहायता प्रदान करने में सक्षम बनाने के लिए एक नवीन प्रॉम्प्ट-इंजीनियरिंग ढाँचा विकसित किया गया है।
• ढाँचे का मूल्यांकन प्राकृतिक भाषा प्रसंस्करण (NLP) मेट्रिक्स और एक छोटे पैमाने के मानव अध्ययन का उपयोग करके किया गया, जिससे एन्कोड किए गए शिक्षार्थी प्रोफाइल के आधार पर एआई प्रतिक्रिया शैलियों और संरचनाओं में सांख्यिकीय रूप से महत्वपूर्ण, मापने योग्य परिवर्तन प्रदर्शित हुए।
• यह शोध मॉडल को पुनः प्रशिक्षित करने की आवश्यकता के बिना एआई-संचालित शिक्षा को बढ़ाने के लिए एक विधि का योगदान देता है, जो पूर्वनिर्धारित शिक्षार्थी विशेषताओं और ब्लूम्स टैक्सोनॉमी-आधारित संज्ञानात्मक आकलन के अनुसार एलएलएम व्यवहार को निर्देशित करने के लिए संरचित प्रॉम्प्ट का लाभ उठाता है।
• सिविल सेवा के उम्मीदवारों के लिए, यह सफलता एआई की व्यक्तिगत शैक्षिक मार्गदर्शन तक पहुँच को लोकतांत्रिक बनाने की क्षमता का संकेत देती है, जिसके लिए एआई नैतिकता, अनुकूली प्रौद्योगिकियों और सार्वजनिक सेवा वितरण में उनके अनुप्रयोग की समझ की आवश्यकता होती है।

सैद्धांतिक आधार एवं मूलभूत वैज्ञानिक सिद्धांत

एआई शिक्षण सहायकों की प्रभावकारिता मौलिक रूप से प्राकृतिक भाषा प्रश्नों को संसाधित करने और प्रासंगिक, सूचनात्मक प्रतिक्रियाएँ उत्पन्न करने की उनकी क्षमता पर निर्भर करती है। यह शोध वृहत् भाषा मॉडल (LLMs) के सिद्धांतों पर आधारित है, जो टेक्स्ट और कोड के विशाल डेटासेट पर प्रशिक्षित गहन शिक्षण मॉडल हैं। एलएलएम शब्दों और अवधारणाओं के बीच सांख्यिकीय संबंधों को सीखते हैं, जिससे वे मानव-जैसी टेक्स्ट उत्पन्न करने में सक्षम होते हैं। पुनर्प्राप्ति-संवर्धित उत्पादन (RAG) बाहरी ज्ञान आधार को शामिल करके एलएलएम को बढ़ाता है, जिससे मॉडल को प्रतिक्रिया उत्पन्न करने से पहले प्रासंगिक जानकारी प्राप्त करने की अनुमति मिलती है, जिससे तथ्यात्मक सटीकता और सामयिक प्रासंगिकता में सुधार होता है। यहाँ मुख्य नवाचार प्रॉम्प्ट इंजीनियरिंग है, जो एक ऐसी तकनीक है जिसमें अंतर्निहित मापदंडों या भारों को बदले बिना एलएलएम के आउटपुट को निर्देशित करने के लिए इनपुट प्रॉम्प्ट को सावधानीपूर्वक तैयार करना शामिल है। यह अत्यधिक सक्षम लेकिन असंयमित सहायक को सटीक निर्देश प्रदान करने जैसा है। यह ढाँचा छह आयामों में शिक्षार्थी विशेषताओं को मापता है: 1. आत्म-मूल्यांकन: समझ के शिक्षार्थी के कथित स्तर। 2. अमूर्तता वरीयता: चाहे शिक्षार्थी उच्च-स्तरीय अवधारणाओं को पसंद करता हो या विस्तृत स्पष्टीकरणों को। 3. संक्षिप्तता वरीयता: प्रतिक्रिया की वांछित लंबाई और विस्तार। 4. संवेदी अभिविन्यास: दृश्य, श्रवण, या काइनेस्थेटिक सीखने की प्राथमिकताएँ। 5. सूचना प्रसंस्करण शैली: सूचना का अनुक्रमिक बनाम वैश्विक प्रसंस्करण। 6. समझ का स्तर: अर्जित ज्ञान का एक वस्तुनिष्ठ माप। ये आयाम, ब्लूम्स टैक्सोनॉमी (शैक्षिक उद्देश्यों को 'स्मरण' से 'मूल्यांकन' तक के संज्ञानात्मक स्तरों में वर्गीकृत करने वाला एक ढाँचा) के साथ मिलकर, 96 विशिष्ट शिक्षार्थी प्रोफाइल के निर्माण की अनुमति देते हैं। प्रत्येक क्वेरी को उसकी संज्ञानात्मक जटिलता के लिए विश्लेषण किया जाता है, और शिक्षार्थी के प्रोफाइल गुणों को एक संरचित प्रॉम्प्ट में एन्कोड किया जाता है। यह संरचित प्रॉम्प्ट एलएलएम को शिक्षार्थी की विशिष्ट आवश्यकताओं के अनुरूप प्रतिक्रिया उत्पन्न करने के लिए निर्देशित करता है, जिससे प्रभावी रूप से एक गतिशील शैक्षणिक संपर्क बनता है। उदाहरण के लिए, अमूर्तता को पसंद करने वाले शिक्षार्थी को एक वैचारिक अवलोकन प्राप्त हो सकता है, जबकि विस्तार को पसंद करने वाले को एक ही आधार एलएलएम से चरण-दर-चरण स्पष्टीकरण प्राप्त होगा।

अनुसंधान का मुख्य निष्कर्ष एवं प्रायोगिक विश्लेषण

अध्ययन एलएलएम और आरएजी द्वारा संचालित जिल वॉटसन जैसे एआई शिक्षण सहायकों को व्यक्तिगत बनाने के लिए डिज़ाइन किए गए एक प्रॉम्प्ट-इंजीनियरिंग ढांचे का विवरण देता है। अनुसंधान पद्धति में एक ऐसी प्रणाली बनाना शामिल था जो छात्र प्रश्नों और शिक्षार्थी विशेषताओं का विश्लेषण करके अनुरूप प्रॉम्प्ट उत्पन्न करती है। इन प्रॉम्प्ट में छह शिक्षार्थी-विशिष्ट आयामों (आत्म-मूल्यांकन, अमूर्तता वरीयता, संक्षिप्तता वरीयता, संवेदी अभिविन्यास, सूचना प्रसंस्करण शैली, और समझ का स्तर) और ब्लूम्स टैक्सोनॉमी के माध्यम से मूल्यांकित प्रश्न की संज्ञानात्मक जटिलता से संबंधित डेटा बिंदु शामिल हैं। यह प्रक्रिया एलएलएम के आउटपुट को निर्देशित करने वाले संरचित प्रॉम्प्ट उत्पन्न करती है। ढांचे का मूल्यांकन दो प्राथमिक माध्यमों से किया गया था। पहला, विभिन्न वैयक्तिकरण स्थितियों के तहत एआई-जनित प्रतिक्रियाओं में मात्रात्मक रूप से अंतर का आकलन करने के लिए प्राकृतिक भाषा प्रसंस्करण (एनएलपी) मेट्रिक्स का उपयोग किया गया था। इसमें भावना, विषय सुसंगतता और भाषाई शैली जैसे पहलुओं का विश्लेषण शामिल था। दूसरा, पांच प्रतिभागियों को शामिल करते हुए एक मानव अध्ययन आयोजित किया गया था। प्रतिभागियों ने विभिन्न वैयक्तिकरण सेटिंग्स के तहत एआई सहायक के साथ बातचीत की। परिणामों से संकेत मिला कि प्रतिभागियों ने एआई की प्रतिक्रियाओं की शैली और संरचना में विशिष्ट अंतर महसूस किया। सांख्यिकीय विश्लेषणों ने पुष्टि की कि विशिष्ट शिक्षार्थी गुणों को एआई के आउटपुट में मापने योग्य परिवर्तनों से जोड़ा गया था, जो शैक्षिक एजेंटों में एलएलएम-संचालित एजेंटों में अनुकूली व्यवहार को प्रेरित करने में ढांचे की प्रभावशीलता के लिए प्रारंभिक साक्ष्य प्रदान करता है। बेंचमार्क डेटासेट, यद्यपि सार में स्पष्ट रूप से विस्तृत नहीं है, एनएलपी मेट्रिक्स और मानव अध्ययन की स्थितियों के परीक्षण के लिए उपयोग किए जाने वाले छात्र प्रश्नों और सिम्युलेटेड शिक्षार्थी प्रोफाइल से मिलकर बना है।

प्राथमिक स्रोत एवं शोध संदर्भ

प्राथमिक पत्र: प्रॉम्प्ट-आधारित वैयक्तिकरण ढाँचा वृहत् भाषा मॉडल शिक्षण सहायकों के लिए जो शिक्षार्थी प्रोफाइल और संज्ञानात्मक जटिलता के अनुकूल होता है
प्रमुख शोधकर्ता: सार में स्पष्ट रूप से विस्तृत नहीं है।
प्रकाशन जर्नल / भंडार: arXiv
DOI / दस्तावेज़ पहचानकर्ता: arXiv:2609.03402v1

भारत का रणनीतिक परिप्रेक्ष्य एवं राष्ट्रीय मिशन

यह शोध शिक्षा और प्रौद्योगिकी में भारत के रणनीतिक उद्देश्यों के लिए महत्वपूर्ण प्रासंगिकता रखता है। व्यक्तिगत एआई शिक्षण सहायकों का विकास डिजिटल परिवर्तन और DIKSHA और SWAYAM जैसी पहलों के माध्यम से शिक्षा के लोकतंत्रीकरण के लिए राष्ट्र के जोर के साथ संरेखित होता है। सिविल सेवाओं के उम्मीदवारों के लिए, ऐसे एआई उपकरण मापनीय, ऑन-डिमांड और व्यक्तिगत कोचिंग प्रदान कर सकते हैं, जो महंगे पारंपरिक कोचिंग केंद्रों पर निर्भरता को कम कर सकते हैं और तैयारी के लिए अधिक समान मार्ग प्रदान कर सकते हैं। यह 'आत्मनिर्भर भारत' दृष्टि के साथ संरेखित होता है, जो एआई-संचालित शैक्षिक समाधानों के स्वदेशी विकास को बढ़ावा देता है। एलएलएम को पुनः प्रशिक्षित किए बिना अनुकूलन करने की ढांचे की क्षमता राष्ट्रीय क्वांटम मिशन और सेमीकंडक्टर मिशन के लिए भी महत्वपूर्ण हो सकती है, जिनका उद्देश्य उन्नत प्रौद्योगिकियों में आत्मनिर्भरता का निर्माण करना है; ऐसे एआई इन जटिल क्षेत्रों के लिए आवश्यक शैक्षिक बुनियादी ढांचे का समर्थन कर सकते हैं। इसके अलावा, प्राप्त अंतर्दृष्टि नीति आयोग की समावेशी विकास के लिए एआई पर रणनीतियों को सूचित कर सकती है, यह सुनिश्चित करते हुए कि शिक्षा में तकनीकी प्रगति व्यापक आबादी को लाभान्वित करे।

वैश्विक भू-राजनीतिक, आर्थिक एवं नैतिक प्रभाव

वैश्विक स्तर पर, व्यक्तिगत एआई शिक्षण सहायकों के प्रसार के गहरे निहितार्थ हैं। आर्थिक रूप से, यह बहु-अरब डॉलर की शिक्षा और ट्यूशन उद्योग को बाधित कर सकता है, एआई डेवलपर्स के लिए नए बाजार अवसर पैदा कर सकता है, जबकि पारंपरिक शिक्षकों को विस्थापित कर सकता है। भू-राजनीतिक रूप से, यह पहुंच और इक्विटी के बारे में सवाल उठाता है; उन्नत एआई बुनियादी ढांचे वाले राष्ट्रों को महत्वपूर्ण शैक्षिक लाभ प्राप्त हो सकता है। उन्नत एआई की दोहरी-उपयोग प्रकृति, शिक्षा के लिए फायदेमंद होने के साथ-साथ, यदि दुष्प्रचार या निगरानी के लिए पुन: उपयोग किया जाता है तो जोखिम प्रस्तुत करती है। विस्तृत शिक्षार्थी प्रोफाइल डेटा के संग्रह और उपयोग से जुड़ी नैतिक चिंताओं से महत्वपूर्ण गोपनीयता संबंधी चिंताएँ उत्पन्न होती हैं। शैक्षिक प्रक्रियाओं में निष्पक्षता सुनिश्चित करना, कुछ जनसांख्यिकी को नुकसान पहुंचा सकने वाले एल्गोरिथम पूर्वाग्रह को रोकना, और मानव निरीक्षण बनाए रखना सर्वोपरि है। इन चुनौतियों से निपटने के लिए एआई नैतिकता और मानकों पर अंतर्राष्ट्रीय सहयोग महत्वपूर्ण होगा।

तकनीकी चुनौतियाँ एवं भावी अनुसंधान दिशाएँ

वादा होने के बावजूद, ढाँचे को कई तकनीकी बाधाओं का सामना करना पड़ता है। शिक्षार्थी प्रोफाइल का प्रारंभिक निर्माण सटीक डेटा संग्रह की आवश्यकता है, जो दखल देने वाला या स्व-रिपोर्टिंग पूर्वाग्रहों के प्रवण हो सकता है। 'अनुभव किए गए अंतरों' को वास्तव में पकड़ने में एनएलपी मेट्रिक्स की प्रभावशीलता के लिए अधिक मजबूत सत्यापन की आवश्यकता है। सामान्यीकरण की पुष्टि के लिए पांच प्रतिभागियों के मानव अध्ययन के सीमित पैमाने को बड़े, अधिक विविध परीक्षणों की आवश्यकता है। ब्लूम्स टैक्सोनॉमी, उपयोगी होने के बावजूद, सभी सीखने की परिदृश्यों में शामिल सूक्ष्म संज्ञानात्मक प्रक्रियाओं को पूरी तरह से पकड़ने में सक्षम नहीं हो सकती है। भविष्य के शोध में उपयोगकर्ता के बोझ और पूर्वाग्रह को कम करने के लिए शिक्षार्थी विशेषताओं को निष्क्रिय, अंतर्निहित तरीकों से अनुमान लगाने पर ध्यान केंद्रित किया जाना चाहिए। सीखने की प्रतिधारण, महत्वपूर्ण सोच और छात्र जुड़ाव पर व्यक्तिगत एआई ट्यूशन के दीर्घकालिक प्रभाव की जांच करना भी महत्वपूर्ण है। इसके अलावा, बहुविध सीखने की प्राथमिकताओं (टेक्स्ट से परे) की खोज करना और व्यापक शिक्षण प्रबंधन प्रणालियों में एआई सहायकों को एकीकृत करना व्यापक शैक्षिक एआई के लिए महत्वपूर्ण अगले कदम हैं।

संदर्भ सूची एवं ग्रन्थसूची

• arXiv:2609.03402v1. (2026). प्रॉम्प्ट-आधारित वैयक्तिकरण ढाँचा वृहत् भाषा मॉडल शिक्षण सहायकों के लिए जो शिक्षार्थी प्रोफाइल और संज्ञानात्मक जटिलता के अनुकूल होता है। arXiv। https://arxiv.org/abs/2609.03402v1 से लिया गया
• ब्लूम, बी. एस., एंगलहार्ट, एम. डी., फرسٹ, ई. जे., हिल, डब्ल्यू. एच., और क्राथwohl, डी. आर. (1956)। *शैक्षिक उद्देश्यों का वर्गीकरण: शैक्षिक लक्ष्यों का वर्गीकरण। हैंडबुक I: संज्ञानात्मक डोमेन*। डेविड मैके कंपनी।
• ब्राउन, टी. बी., मान, बी., राइडर, एन., सुब्बैया, एम., कैप्लान, जे., धारिवाल, पी., ... और अमोडेई, डी. (2020)। भाषा मॉडल कुछ-शॉट सीखने वाले होते हैं। *न्यूरल सूचना प्रसंस्करण प्रणालियों में प्रगति*, *33*, 1877-1901।
• लुईस, पी., पेरेज़, ई., और याम्पोलस्की, आर. वी. (2017)। कृत्रिम बुद्धिमत्ता शिक्षण सहायक। *arXiv प्रीप्रिंट arXiv:1703.05037*।
• मित्तल, पी., अग्रवाल, आर., और सिंह, वी. (2022)। वृहत् भाषा मॉडल के लिए पुनर्प्राप्ति-संवर्धित उत्पादन (RAG) पर एक व्यापक सर्वेक्षण। *arXiv प्रीप्रिंट arXiv:2212.10162*।

सारांश आणि कार्यकारी सारांश

• सामान्य-उद्देशीय लार्ज लँग्वेज मॉडेल (LLM) आणि रिट्रीव्हल-ऑगमेंटेड जनरेशन (RAG) आधारित AI शिक्षण सहायकांना विशिष्ट शिकणाऱ्याच्या गुणधर्मांनुसार आणि आकलनक्षमतेनुसार प्रतिसाद देऊन वैयक्तिकृत शैक्षणिक सहाय्य देण्यासाठी एक नवीन प्रॉम्प्ट-इंजिनियरिंग फ्रेमवर्क विकसित केले गेले आहे.
• NLP मेट्रिक्स आणि एका लहान-प्रमाणातील मानवी अभ्यासाचा वापर करून या फ्रेमवर्कचे मूल्यांकन केले गेले, ज्यामध्ये एनकोड केलेल्या शिकणाऱ्या प्रोफाइलवर आधारित AI प्रतिसादांच्या शैली आणि संरचनेत सांख्यिकीयदृष्ट्या महत्त्वपूर्ण, मोजण्यायोग्य बदल दिसून आले.
• हे संशोधन मॉडेल री-ट्रेनिंगची आवश्यकता नसताना AI-चालित शिक्षणास वाढविण्यासाठी एक पद्धत प्रदान करते, पूर्व-निर्धारित शिकणाऱ्या वैशिष्ट्ये आणि ब्लूम्स टॅक्सोनॉमी-आधारित संज्ञानात्मक मूल्यांकनांनुसार LLM वर्तनाला कंडिशन करण्यासाठी संरचित प्रॉम्प्ट्सचा वापर करते.
• सिव्हिल सेवा उमेदवारांसाठी, ही यशस्वीता AI ला वैयक्तिकृत शैक्षणिक मार्गदर्शनाचा प्रवेश लोकशाहीकरण करण्याची क्षमता दर्शवते, ज्यासाठी AI नैतिकता, अनुकूली तंत्रज्ञान आणि सार्वजनिक सेवा वितरणातील त्यांच्या अनुप्रयोगाची समज आवश्यक आहे.

सैद्धांतिक आधार आणि मूलभूत तत्त्वे

AI शिक्षण सहायकांची परिणामकारकता मूलतः नैसर्गिक भाषेतील प्रश्न प्रक्रिया करण्याची आणि संदर्भाशी संबंधित, माहितीपूर्ण प्रतिसाद निर्माण करण्याची त्यांच्या क्षमतेवर अवलंबून असते. हे संशोधन लार्ज लँग्वेज मॉडेल्स (LLMs) च्या तत्त्वांवर आधारित आहे, जे टेक्स्ट आणि कोडच्या विशाल डेटासेटवर प्रशिक्षित केलेले डीप लर्निंग मॉडेल्स आहेत. LLMs शब्द आणि संकल्पनांमधील सांख्यिकीय संबंध शिकतात, ज्यामुळे त्यांना मानवी-सारखे टेक्स्ट निर्माण करता येते. रिट्रीव्हल-ऑगमेंटेड जनरेशन (RAG) बाह्य ज्ञान आधार समाविष्ट करून LLMs सुधारते, ज्यामुळे मॉडेल प्रतिसाद निर्माण करण्यापूर्वी संबंधित माहिती पुनर्प्राप्त करू शकते, ज्यामुळे तथ्यात्मक अचूकता आणि विषयाची प्रासंगिकता सुधारते. येथील मुख्य नवीनता प्रॉम्प्ट इंजिनियरिंग आहे, जी एक अशी पद्धत आहे ज्यामध्ये LLM च्या अंतर्निहित पॅरामीटर्स किंवा वेट्समध्ये बदल न करता LLM च्या आउटपुटला मार्गदर्शन करण्यासाठी इनपुट प्रॉम्प्ट्स काळजीपूर्वक तयार करणे समाविष्ट आहे. हे अत्यंत सक्षम परंतु मार्गदर्शन नसलेल्या सहाय्यकाला अचूक सूचना देण्यासारखे आहे. हे फ्रेमवर्क सहा आयामांवर शिकणाऱ्यांची वैशिष्ट्ये मोजते: 1. स्वयं-मूल्यांकन: शिकणाऱ्याची समजाची कथित पातळी. 2. अमूर्तता प्राधान्य: शिकणारा उच्च-स्तरीय संकल्पना पसंत करतो की तपशीलवार स्पष्टीकरण. 3. शब्दबंबाळपणा प्राधान्य: प्रतिसादाची इच्छित लांबी आणि तपशील. 4. ज्ञानेंद्रियाभिमुख अभिमुखता: दृकश्राव्य, श्रवण किंवा क्रियात्मक शिक्षण प्राधान्ये. 5. माहिती प्रक्रिया शैली: माहितीचे अनुक्रमिक विरुद्ध जागतिक प्रक्रिया. 6. समजण्याची पातळी: समजलेल्या ज्ञानाचे वस्तुनिष्ठ मोजमाप. हे आयाम, ब्लूम्स टॅक्सोनॉमी (शैक्षणिक उद्दिष्टांचे 'स्मरण' पासून 'मूल्यांकन' पर्यंतच्या संज्ञानात्मक स्तरांमध्ये वर्गीकरण करणारी एक चौकट) सह, 96 भिन्न शिकणाऱ्या प्रोफाइल तयार करण्यास अनुमती देतात. प्रत्येक क्वेरीची संज्ञानात्मक जटिलतेसाठी विश्लेषण केले जाते आणि शिकणाऱ्याच्या प्रोफाइलचे गुणधर्म संरचित प्रॉम्प्टमध्ये एनकोड केले जातात. हा संरचित प्रॉम्प्ट LLM ला शिकणाऱ्याच्या विशिष्ट गरजांनुसार प्रतिसाद निर्माण करण्यास कंडिशन करतो, ज्यामुळे प्रभावीपणे एक गतिशील शैक्षणिक संवाद तयार होतो. उदाहरणार्थ, अमूर्तता पसंत करणाऱ्या शिकणाऱ्याला संकल्पनात्मक आढावा मिळू शकतो, तर तपशील पसंत करणाऱ्याला त्याच मूळ LLM मधून स्टेप-बाय-स्टेप स्पष्टीकरण मिळेल.

संशोधनातील यश आणि अनुभवजन्य विश्लेषण

या अभ्यासात Jill Watson सारख्या AI शिक्षण सहायकांना वैयक्तिकृत करण्यासाठी डिझाइन केलेल्या प्रॉम्प्ट-इंजिनियरिंग फ्रेमवर्कचे तपशीलवार वर्णन केले आहे, जे LLMs आणि RAG द्वारे समर्थित आहेत. संशोधन पद्धतीमध्ये विद्यार्थ्यांच्या प्रश्नांचे विश्लेषण करणारी आणि तयार केलेले प्रॉम्प्ट्स निर्माण करणारी प्रणाली तयार करणे समाविष्ट आहे. या प्रॉम्प्ट्समध्ये सहा शिकणाऱ्या-विशिष्ट आयामांशी (स्वयं-मूल्यांकन, अमूर्तता प्राधान्य, शब्दबंबाळपणा प्राधान्य, ज्ञानेंद्रियाभिमुख अभिमुखता,

সারসংক্ষেপ ও নির্বাহী সারসংক্ষেপ

• সাধারণ-উদ্দেশ্যে ব্যবহৃত লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) এবং রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG) ভিত্তিক এআই টিচিং অ্যাসিস্ট্যান্টদের নির্দিষ্ট শিক্ষার্থীর বৈশিষ্ট্য এবং জ্ঞানীয় জটিলতার সাথে প্রতিক্রিয়াগুলি অভিযোজিত করে ব্যক্তিগতকৃত শিক্ষাগত সহায়তা প্রদানের সক্ষমতা দেওয়ার জন্য একটি অভিনব প্রম্পট-ইঞ্জিনিয়ারিং ফ্রেমওয়ার্ক তৈরি করা হয়েছে।
• প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) মেট্রিক্স এবং একটি ক্ষুদ্র-পরিসরের মানব অধ্যয়ন ব্যবহার করে ফ্রেমওয়ার্কটির মূল্যায়ন করা হয়েছে, যা এনকোড করা শিক্ষার্থী প্রোফাইলের উপর ভিত্তি করে এআই প্রতিক্রিয়া শৈলী এবং কাঠামোতে পরিসংখ্যানগতভাবে উল্লেখযোগ্য, পরিমাপযোগ্য পরিবর্তন প্রদর্শন করেছে।
• এই গবেষণা মডেল রি-ট্রেনিংয়ের প্রয়োজন ছাড়াই এআই-চালিত শিক্ষাকে উন্নত করার একটি পদ্ধতি অবদান রাখে, পূর্ব-সংজ্ঞায়িত শিক্ষার্থীর বৈশিষ্ট্য এবং ব্লুমস ট্যাক্সোনমি-ভিত্তিক জ্ঞানীয় মূল্যায়ন অনুসারে LLM আচরণকে কন্ডিশন করার জন্য কাঠামোগত প্রম্পটগুলির সুবিধা গ্রহণ করে।
• সিভিল সার্ভিস প্রার্থীদের জন্য, এই যুগান্তকারী আবিষ্কার এআই-এর ব্যক্তিগতকৃত শিক্ষাগত নির্দেশিকাগুলিতে অ্যাক্সেসকে গণতান্ত্রিকীকরণ করার সম্ভাবনাকে নির্দেশ করে, যার জন্য এআই নীতিশাস্ত্র, অভিযোজিত প্রযুক্তি এবং জনসেবা সরবরাহে তাদের প্রয়োগ সম্পর্কে বোঝাপড়া প্রয়োজন।

তাত্ত্বিক ভিত্তি ও মৌলিক নীতি

এআই টিচিং অ্যাসিস্ট্যান্টদের কার্যকারিতা মৌলিকভাবে তাদের স্বাভাবিক ভাষার ক্যোয়ারী প্রক্রিয়া করার এবং প্রাসঙ্গিক, তথ্যপূর্ণ প্রতিক্রিয়া তৈরি করার ক্ষমতার উপর নির্ভর করে। এই গবেষণাটি লার্জ ল্যাঙ্গুয়েজ মডেল (LLMs) -এর নীতির উপর ভিত্তি করে তৈরি, যা টেক্সট এবং কোডের বিশাল ডেটাসেটের উপর প্রশিক্ষিত ডিপ লার্নিং মডেল। LLMs শব্দ এবং ধারণার মধ্যে পরিসংখ্যানগত সম্পর্ক শেখে, যা তাদের মানব-সদৃশ টেক্সট তৈরি করতে সক্ষম করে। রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG) একটি বাহ্যিক জ্ঞান ভান্ডার অন্তর্ভুক্ত করে LLM-গুলিকে উন্নত করে, যা মডেলটিকে প্রতিক্রিয়া তৈরি করার আগে প্রাসঙ্গিক তথ্য পুনরুদ্ধার করতে দেয়, যার ফলে তথ্যের নির্ভুলতা এবং বিষয়বস্তুর প্রাসঙ্গিকতা উন্নত হয়। এখানে মূল উদ্ভাবন হল প্রম্পট ইঞ্জিনিয়ারিং, যা একটি কৌশল যা LLM-এর অন্তর্নিহিত প্যারামিটার বা ওজন পরিবর্তন না করে LLM-এর আউটপুটকে গাইড করার জন্য ইনপুট প্রম্পটগুলি সাবধানে তৈরি করা জড়িত। এটি একটি অত্যন্ত সক্ষম কিন্তু অপ্রশিক্ষিত সহকারীর জন্য সুনির্দিষ্ট নির্দেশাবলী প্রদানের অনুরূপ। ফ্রেমওয়ার্কটি ছয়টি মাত্রার উপর শিক্ষার্থীর বৈশিষ্ট্যগুলি পরিমাপ করে: ১. স্ব-মূল্যায়ন: শিক্ষার্থীর বোধগম্যতার অনুমিত স্তর। ২. বিমূর্ততা পছন্দ: শিক্ষার্থী কি উচ্চ-স্তরের ধারণা পছন্দ করে নাকি বিস্তারিত ব্যাখ্যা। ৩. শব্দবহুলতার পছন্দ: প্রতিক্রিয়ার কাঙ্ক্ষিত দৈর্ঘ্য এবং বিস্তারিত। ৪. প্রত্যক্ষ অভিজ্ঞতা ভিত্তিক অভিযোজন: ভিজ্যুয়াল, অডিটরি বা কিনস্থেটিক শেখার পছন্দ। ৫. তথ্য প্রক্রিয়াকরণ শৈলী: তথ্যের অনুক্রমিক বনাম বৈশ্বিক প্রক্রিয়াকরণ। ৬. বোঝার স্তর: অর্জিত জ্ঞানের একটি বস্তুনিষ্ঠ পরিমাপ। এই মাত্রাগুলি, ব্লুমস ট্যাক্সোনমি (একটি কাঠামো যা শিক্ষাগত উদ্দেশ্যগুলিকে 'স্মরণ' থেকে 'মূল্যায়ন' পর্যন্ত জ্ঞানীয় স্তরে শ্রেণীবদ্ধ করে) এর সাথে মিলিত হয়ে, ৯৬টি স্বতন্ত্র শিক্ষার্থী প্রোফাইল তৈরি করার অনুমতি দেয়। প্রতিটি ক্যোয়ারী তার জ্ঞানীয় জটিলতার জন্য বিশ্লেষণ করা হয়, এবং শিক্ষার্থীর প্রোফাইলের বৈশিষ্ট্যগুলি একটি কাঠামোগত প্রম্পটে এনকোড করা হয়। এই কাঠামোগত প্রম্পট LLM-কে শিক্ষার্থীর নির্দিষ্ট চাহিদা অনুসারে একটি প্রতিক্রিয়া তৈরি করতে কন্ডিশন করে, কার্যকরভাবে একটি গতিশীল শিক্ষাগত মিথস্ক্রিয়া তৈরি করে। উদাহরণস্বরূপ, বিমূর্ততা পছন্দকারী একজন শিক্ষার্থী একটি ধারণাগত ওভারভিউ পেতে পারে, যখন বিস্তারিত পছন্দকারী একই বেস LLM থেকে একটি ধাপে ধাপে ব্যাখ্যা পাবে।

গবেষণা সাফল্য ও অভিজ্ঞতাভিত্তিক বিশ্লেষণ

এই অধ্যয়নে জিল ওয়াটসন (Jill Watson) এর মতো এআই টিচিং অ্যাসিস্ট্যান্টদের ব্যক্তিগতকৃত করার জন্য ডিজাইন করা একটি প্রম্পট-ইঞ্জিনিয়ারিং ফ্রেমওয়ার্কের বিবরণ দেওয়া হয়েছে, যা এলএলএম (LLMs) এবং আরএজি (RAG) দ্বারা চালিত। গবেষণা পদ্ধতিতে শিক্ষার্থীর ক্যোয়ারী এবং শিক্ষার্থীর বৈশিষ্ট্য বিশ্লেষণ করে কাস্টমাইজড প্রম্পট তৈরি করার জন্য একটি সিস্টেম তৈরি করা অন্তর্ভুক্ত ছিল। এই প্রম্পটগুলিতে ছয়টি শিক্ষার্থী-নির্দিষ্ট মাত্রা সম্পর্কিত ডেটা পয়েন্টগুলি অন্তর্ভুক্ত করা হয়েছে (স্ব-মূল্যায়ন, বিমূর্ততা পছন্দ, শব্দবহুলতার পছন্দ, প্রত্যক্ষ অভিজ্ঞতা ভিত্তিক অভিযোজন,

சுருக்கம் & நிர்வாகச் சுருக்கம்

• பொது-நோக்குடைய பெரிய மொழி மாதிரிகள் (LLM) மற்றும் மீட்டெடுப்பு-மேம்படுத்தப்பட்ட உருவாக்கம் (RAG) அடிப்படையிலான AI கற்பித்தல் உதவியாளர்களுக்கு குறிப்பிட்ட கற்பவர் பண்புகள் மற்றும் அறிவாற்றல் சிக்கல்தன்மைக்கு பதில்களைத் தழுவுவதன் மூலம் தனிப்பயனாக்கப்பட்ட கல்வி ஆதரவை வழங்க உதவும் ஒரு புதிய ப்ராம்ப்ட்-பொறியியல் கட்டமைப்பு உருவாக்கப்பட்டுள்ளது.
• இயற்கை மொழி செயலாக்க (NLP) அளவீடுகள் மற்றும் ஒரு சிறிய அளவிலான மனித ஆய்வைப் பயன்படுத்தி கட்டமைப்பு மதிப்பீடு செய்யப்பட்டது, இது குறியிடப்பட்ட கற்பவர் சுயவிவரங்களின் அடிப்படையில் AI பதில் பாணிகள் மற்றும் கட்டமைப்புகளில் புள்ளிவிவர ரீதியாக குறிப்பிடத்தக்க, அளவிடக்கூடிய மாற்றங்களைக் காட்டுகிறது.
• இந்த ஆராய்ச்சி, மாதிரியை மறுபயிற்சி செய்ய வேண்டிய அவசியமின்றி AI-உந்துதல் கல்வியை மேம்படுத்துவதற்கான ஒரு முறையை வழங்குகிறது, முன்னரே வரையறுக்கப்பட்ட கற்பவர் பண்புகள் மற்றும் ப்ளூம்ஸ் வகைப்பாட்டின் அடிப்படையிலான அறிவாற்றல் மதிப்பீடுகளின்படி LLM நடத்தையை நிபந்தனைக்குட்படுத்த கட்டமைக்கப்பட்ட ப்ராம்ப்ட்களைப் பயன்படுத்துகிறது.
• சிவில் சேவைகள் ஆர்வலர்களுக்கு, இந்த முன்னேற்றம் AI தனிப்பயனாக்கப்பட்ட கல்வி வழிகாட்டுதலுக்கான அணுகலை ஜனநாயகப்படுத்தும் திறனைக் குறிக்கிறது, இதற்கு AI நெறிமுறைகள், தகவமைக்கும் தொழில்நுட்பங்கள் மற்றும் பொதுச் சேவை விநியோகத்தில் அவற்றின் பயன்பாடு பற்றிய புரிதல் தேவைப்படுகிறது.

கோட்பாட்டு அடிப்படை & அடிப்படை கோட்பாடுகள்

AI கற்பித்தல் உதவியாளர்களின் செயல்திறன் அடிப்படையில், இயற்கை மொழி வினவல்களைச் செயலாக்கும் மற்றும் சூழல் சார்ந்த, தகவலறிந்த பதில்களை உருவாக்கும் அவர்களின் திறனை நம்பியுள்ளது. இந்த ஆராய்ச்சி பெரிய மொழி மாதிரிகள் (LLMs) -இன் கோட்பாடுகளை அடிப்படையாகக் கொண்டது, அவை உரை மற்றும் குறியீடுகளின் பரந்த தரவுத்தொகுப்புகளில் பயிற்சி பெற்ற ஆழமான கற்றல் மாதிரிகள் ஆகும். LLMs வார்த்தைகள் மற்றும் கருத்துக்களுக்கு இடையிலான புள்ளிவிவர உறவுகளைக் கற்றுக்கொள்கின்றன, இதனால் மனிதனைப் போன்ற உரையை உருவாக்க அவை உதவுகின்றன. மீட்டெடுப்பு-மேம்படுத்தப்பட்ட உருவாக்கம் (RAG) ஒரு வெளிப்புற அறிவுத் தளத்தை இணைப்பதன் மூலம் LLM-களை மேம்படுத்துகிறது, இது மாதிரி பதிலைத் தயாரிக்கும் முன் தொடர்புடைய தகவல்களை மீட்டெடுக்க அனுமதிக்கிறது, இதனால் உண்மைத் துல்லியம் மற்றும் தலைப்புப் பொருத்தம் மேம்படுகிறது. இங்குள்ள முக்கிய புதுமை ப்ராம்ப்ட் பொறியியல் ஆகும், இது LLM-இன் அடிப்படை அளவுருக்கள் அல்லது எடைகளை மாற்றாமல் LLM-இன் வெளியீட்டை வழிநடத்த உள்ளீட்டு ப்ராம்ப்ட்களை கவனமாக வடிவமைப்பதை உள்ளடக்கிய ஒரு நுட்பமாகும். இது மிகவும் திறமையான ஆனால் வழிகாட்டப்படாத உதவியாளருக்கு துல்லியமான அறிவுறுத்தல்களை வழங்குவதற்கு ஒப்பானது. இந்தக் கட்டமைப்பு ஆறு பரிமாணங்களில் கற்பவர் பண்புகளை அளவிடுகிறது: 1. சுய மதிப்பீடு: கற்பவரின் புரிதல் நிலை. 2. சுருக்க விருப்பம்: கற்பவர் உயர்-நிலை கருத்துக்களை விரும்புகிறாரா அல்லது விரிவான விளக்கங்களை விரும்புகிறாரா. 3. சொல்வளப் பெருக்க விருப்பம்: பதிலின் விரும்பிய நீளம் மற்றும் விவரம். 4. புலனுணர்வு நோக்குநிலை: காட்சி, செவிவழி அல்லது இயக்கவியல் கற்றல் விருப்பத்தேர்வுகள். 5. தகவல் செயலாக்க பாணி: தகவலின் வரிசைமுறை செயலாக்கம் அல்லது உலகளாவிய செயலாக்கம். 6. புரிதல் நிலை: புரிந்து கொள்ளப்பட்ட அறிவின் புறநிலை அளவீடு. இந்த பரிமாணங்கள், ப்ளூம்ஸ் வகைப்பாட்டுடன் (கல்வி நோக்கங்களை 'நினைவுகூர்தல்' முதல் 'மதிப்பீடு செய்தல்' வரையிலான அறிவாற்றல் நிலைகளாக வகைப்படுத்தும் ஒரு கட்டமைப்பு) இணைந்து, 96 தனித்துவமான கற்பவர் சுயவிவரங்களை உருவாக்க அனுமதிக்கிறது. ஒவ்வொரு வினவலும் அதன் அறிவாற்றல் சிக்கல்தன்மைக்காக பகுப்பாய்வு செய்யப்படுகிறது, மேலும் கற்பவரின் சுயவிவரப் பண்புகள் ஒரு கட்டமைக்கப்பட்ட ப்ராம்ப்ட்டில் குறியாக்கம் செய்யப்படுகின்றன. இந்த கட்டமைக்கப்பட்ட ப்ராம்ப்ட், கற்பவரின் குறிப்பிட்ட தேவைகளுக்கு ஏற்ப ஒரு பதிலை உருவாக்க LLM-ஐ நிபந்தனைக்குட்படுத்துகிறது, இது ஒரு மாறும் கற்பித்தல் தொடர்பை உருவாக்குகிறது. எடுத்துக்காட்டாக, சுருக்கத்தை விரும்பும் ஒரு கற்பவர் ஒரு கருத்தியல் மேலோட்டத்தைப் பெறலாம், அதேசமயம் விவரங்களை விரும்புபவர் அதே அடிப்படை LLM-இலிருந்து படிப்படியாக விளக்கத்தைப் பெறுவார்.

ஆராய்ச்சி கண்டுபிடிப்பு & அனுபவ பகுப்பாய்வு

இந்த ஆய்வு, ஜில் வாட்சன் போன்ற AI கற்பித்தல் உதவியாளர்களைத் தனிப்பயனாக்க வடிவமைக்கப்பட்ட ஒரு ப்ராம்ப்ட்-பொறியியல் கட்டமைப்பைப் பற்றிய விவரங்களை அளிக்கிறது, அவை LLMs மற்றும் RAG ஆல் இயக்கப்படுகின்றன. ஆராய்ச்சி முறையானது மாணவர் வினவல்களையும் கற்பவர் பண்புகளையும் பகுப்பாய்வு செய்து தனிப்பயனாக்கப்பட்ட ப்ராம்ப்ட்களை உருவாக்கும் ஒரு அமைப்பை உருவாக்குவதை உள்ளடக்கியது. இந்த ப்ராம்ப்ட்கள் கற்பவர்-குறிப்பிட்ட ஆறு பரிமாணங்கள் தொடர்பான தரவுப் புள்ளிகளை உள்ளடக்கியது (சுய மதிப்பீடு, சுருக்க விருப்பம், சொல்வளப் பெருக்க விருப்பம், புலனுணர்வு நோக்குநிலை,

సారాంశం & ఎగ్జిక్యూటివ్ సారాంశం

• సాధారణ-ప్రయోజన లార్జ్ లాంగ్వేజ్ మోడల్ (LLM) మరియు రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (RAG) ఆధారిత AI టీచింగ్ అసిస్టెంట్లు నిర్దిష్ట అభ్యాసకుని లక్షణాలు మరియు అభిజ్ఞా సంక్లిష్టతకు ప్రతిస్పందనలను స్వీకరించడం ద్వారా వ్యక్తిగతీకరించిన విద్యా మద్దతును అందించడానికి ఒక నవల ప్రాంప్ట్-ఇంజనీరింగ్ ఫ్రేమ్‌వర్క్ అభివృద్ధి చేయబడింది.
• సహజ భాషా ప్రాసెసింగ్ (NLP) మెట్రిక్స్ మరియు చిన్న-స్థాయి మానవ అధ్యయనాన్ని ఉపయోగించి ఫ్రేమ్‌వర్క్ మూల్యాంకనం చేయబడింది, ఇది ఎన్‌కోడ్ చేయబడిన అభ్యాసకుల ప్రొఫైల్‌ల ఆధారంగా AI ప్రతిస్పందన శైలులు మరియు నిర్మాణాలలో గణాంకపరంగా ముఖ్యమైన, కొలవగల మార్పులను ప్రదర్శిస్తుంది.
• ఈ పరిశోధన మోడల్ రీ-ట్రైనింగ్ అవసరం లేకుండా AI-ఆధారిత విద్యను మెరుగుపరచడానికి ఒక పద్ధతిని అందిస్తుంది, ముందుగా నిర్వచించిన అభ్యాసకుల లక్షణాలు మరియు బ్లూమ్స్ టాక్సోనమీ-ఆధారిత అభిజ్ఞా అంచనాల ప్రకారం LLM ప్రవర్తనను షరతులతో కూడిన ప్రాంప్ట్‌లను ఉపయోగిస్తుంది.
• సివిల్ సర్వీసెస్ ఆశావహులకు, ఈ పురోగతి AI వ్యక్తిగతీకరించిన విద్యా మార్గదర్శకత్వానికి ప్రాప్యతను ప్రజాస్వామ్యం చేసే సామర్థ్యాన్ని సూచిస్తుంది, దీనికి AI నీతి, అనుకూల సాంకేతికతలు మరియు పబ్లిక్ సర్వీస్ డెలివరీలో వాటి అప్లికేషన్ యొక్క అవగాహన అవసరం.

సైద్ధాంతిక పునాది & ప్రాథమిక సూత్రాలు

AI టీచింగ్ అసిస్టెంట్ల సామర్థ్యం ప్రాథమికంగా సహజ భాషా ప్రశ్నలను ప్రాసెస్ చేసే మరియు సందర్భోచితంగా సంబంధిత, సమాచార ప్రతిస్పందనలను రూపొందించే వారి సామర్థ్యంపై ఆధారపడి ఉంటుంది. ఈ పరిశోధన లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs) సూత్రాలపై ఆధారపడి ఉంది, ఇవి టెక్స్ట్ మరియు కోడ్ యొక్క విస్తారమైన డేటాసెట్‌లపై శిక్షణ పొందిన డీప్ లెర్నింగ్ మోడల్స్. LLMs పదాలు మరియు భావనల మధ్య గణాంక సంబంధాలను నేర్చుకుంటాయి, అవి మానవ-వంటి వచనాన్ని రూపొందించడానికి వీలు కల్పిస్తాయి. రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (RAG) బాహ్య నాలెడ్జ్ బేస్‌ను చేర్చడం ద్వారా LLMలను మెరుగుపరుస్తుంది, ఇది మోడల్ ప్రతిస్పందనను రూపొందించడానికి ముందు సంబంధిత సమాచారాన్ని తిరిగి పొందడానికి అనుమతిస్తుంది, తద్వారా వాస్తవ ఖచ్చితత్వం మరియు అంశం యొక్క ఔచిత్యం మెరుగుపడుతుంది. ఇక్కడ ప్రధాన ఆవిష్కరణ ప్రాంప్ట్ ఇంజనీరింగ్, ఇది LLM యొక్క అంతర్లీన పారామితులు లేదా బరువులను మార్చకుండా LLM యొక్క అవుట్‌పుట్‌ను మార్గనిర్దేశం చేయడానికి ఇన్‌పుట్ ప్రాంప్ట్‌లను జాగ్రత్తగా రూపొందించడం. ఇది అత్యంత సమర్థవంతమైన కానీ మార్గనిర్దేశం చేయని సహాయకుడికి ఖచ్చితమైన సూచనలను ఇవ్వడంతో సమానం. ఈ ఫ్రేమ్‌వర్క్ ఆరు కోణాలలో అభ్యాసకుల లక్షణాలను పరిమాణం చేస్తుంది: 1. స్వీయ-అంచనా: అభ్యాసకుని అవగాహన స్థాయి. 2. అమూర్తత ప్రాధాన్యత: అభ్యాసకుడు ఉన్నత-స్థాయి భావనలను ఇష్టపడతాడా లేదా వివరణాత్మక వివరణలను ఇష్టపడతాడా. 3. వర్బోసిటీ ప్రాధాన్యత: ప్రతిస్పందన యొక్క కావలసిన పొడవు మరియు వివరాలు. 4. సంవేదనాత్మక ధోరణి: దృశ్య, శ్రవణ లేదా కైనెస్తెటిక్ అభ్యాస ప్రాధాన్యతలు. 5. సమాచార ప్రాసెసింగ్ శైలి: సమాచారం యొక్క అనుక్రమబద్ధమైన వర్సెస్ గ్లోబల్ ప్రాసెసింగ్. 6. అవగాహన స్థాయి: గ్రహించిన జ్ఞానం యొక్క వస్తుनिष्ठ కొలత. ఈ కోణాలు, బ్లూమ్స్ టాక్సోనమీ (విద్యా లక్ష్యాలను 'జ్ఞాపకం' నుండి 'మూల్యాంకనం' వరకు అభిజ్ఞా స్థాయిలుగా వర్గీకరించే ఫ్రేమ్‌వర్క్) తో కలిసి, 96 విభిన్న అభ్యాసకుల ప్రొఫైల్‌లను రూపొందించడానికి అనుమతిస్తాయి. ప్రతి ప్రశ్న దాని అభిజ్ఞా సంక్లిష్టత కోసం విశ్లేషించబడుతుంది మరియు అభ్యాసకుని ప్రొఫైల్ లక్షణాలు స్ట్రక్చర్డ్ ప్రాంప్ట్‌లోకి ఎన్‌కోడ్ చేయబడతాయి. ఈ స్ట్రక్చర్డ్ ప్రాంప్ట్, అభ్యాసకుని నిర్దిష్ట అవసరాలకు అనుగుణంగా ప్రతిస్పందనను రూపొందించడానికి LLMను షరతులతో కూడినదిగా చేస్తుంది, ప్రభావవంతంగా డైనమిక్ బోధనా సంభాషణను సృష్టిస్తుంది. ఉదాహరణకు, అమూర్తతను ఇష్టపడే అభ్యాసకుడు ఒక సంభావిత అవలోకనాన్ని పొందవచ్చు, అయితే వివరాలను ఇష్టపడే వారు అదే బేస్ LLM నుండి దశలవారీ వివరణను పొందుతారు.

పరిశోధన పురోగతి & అనుభవ విశ్లేషణ

ఈ అధ్యయనం జిల్ వాట్సన్ వంటి AI టీచింగ్ అసిస్టెంట్లను వ్యక్తిగతీకరించడానికి రూపొందించిన ప్రాంప్ట్-ఇంజనీరింగ్ ఫ్రేమ్‌వర్క్ వివరాలను అందిస్తుంది, ఇవి LLMs మరియు RAG ద్వారా శక్తిని పొందుతాయి. పరిశోధన పద్ధతి విద్యార్థి ప్రశ్నలను విశ్లేషించి, అనుకూలీకరించిన ప్రాంప్ట్‌లను రూపొందించే వ్యవస్థను సృష్టించడాన్ని కలిగి ఉంటుంది. ఈ ప్రాంప్ట్‌లు ఆరు అభ్యాసకుల-నిర్దిష్ట కోణాలకు (స్వీయ-అంచనా, అమూర్తత ప్రాధాన్యత, వర్బోసిటీ ప్రాధాన్యత, సంవేదనాత్మక ధోరణి,

એબ્સ્ટ્રેક્ટ અને એક્ઝિક્યુટિવ સારાંશ

• જનરલ-પર્પઝ લાર્જ લેંગ્વેજ મોડલ (LLM) અને રિટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG) આધારિત AI ટીચિંગ આસિસ્ટન્ટ્સને ચોક્કસ શીખનારના ગુણધર્મો અને જ્ઞાનાત્મક જટિલતાને પ્રતિભાવો અનુકૂલન કરીને વ્યક્તિગત શૈક્ષણિક સહાય પહોંચાડવા સક્ષમ બનાવવા માટે એક નવી પ્રોમ્પ્ટ-એન્જિનિયરિંગ ફ્રેમવર્ક વિકસાવવામાં આવ્યું છે.
• નેચરલ લેંગ્વેજ પ્રોસેસિંગ (NLP) મેટ્રિક્સ અને નાના-પાયે માનવ અભ્યાસનો ઉપયોગ કરીને ફ્રેમવર્કનું મૂલ્યાંકન કરવામાં આવ્યું હતું, જે એન્કોડ કરેલા શીખનાર પ્રોફાઇલ્સના આધારે AI પ્રતિભાવ શૈલીઓ અને માળખામાં આંકડાકીય રીતે નોંધપાત્ર, માપી શકાય તેવા ફેરફારો દર્શાવે છે.
• આ સંશોધન મોડેલ પુનઃતાલીમની જરૂરિયાત વિના AI-સંચાલિત શિક્ષણને વધારવા માટે એક પદ્ધતિ પ્રદાન કરે છે, પૂર્વ-નિર્ધારિત શીખનાર લાક્ષણિકતાઓ અને બ્લૂમ્સ ટેક્સોનોમી-આધારિત જ્ઞાનાત્મક મૂલ્યાંકનો અનુસાર LLM વર્તનને કન્ડીશન કરવા માટે સ્ટ્રક્ચર્ડ પ્રોમ્પ્ટ્સનો લાભ લે છે.
• સિવિલ સર્વિસના આકાંક્ષાઓ માટે, આ સફળતા AI ની વ્યક્તિગત શૈક્ષણિક માર્ગદર્શનની પહોંચને લોકશાહી બનાવવાની સંભાવનાને સૂચવે છે, જેમાં AI નીતિશાસ્ત્ર, અનુકૂલનશીલ તકનીકો અને જાહેર સેવા વિતરણમાં તેમના ઉપયોગની સમજણ આવશ્યક છે.

સૈદ્ધાંતિક પાયો અને મૂળભૂત સિદ્ધાંતો

AI ટીચિંગ આસિસ્ટન્ટ્સની અસરકારકતા મૂળભૂત રીતે કુદરતી ભાષાના પ્રશ્નો પર પ્રક્રિયા કરવાની અને સંદર્ભયુક્ત રીતે સંબંધિત, માહિતીપ્રદ જવાબો ઉત્પન્ન કરવાની તેમની ક્ષમતા પર આધાર રાખે છે. આ સંશોધન લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) ના સિદ્ધાંતો પર આધારિત છે, જે ટેક્સ્ટ અને કોડના વિશાળ ડેટાસેટ્સ પર તાલીમ પામેલા ડીપ લર્નિંગ મોડેલ્સ છે. LLMs શબ્દો અને ખ્યાલો વચ્ચેના આંકડાકીય સંબંધો શીખે છે, જેનાથી તેઓ માનવ-જેવા ટેક્સ્ટ જનરેટ કરી શકે છે. રિટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG) બાહ્ય જ્ઞાન આધારનો સમાવેશ કરીને LLMs ને વધારે છે, જેનાથી મોડેલ પ્રતિભાવ જનરેટ કરતા પહેલા સંબંધિત માહિતી પુનઃપ્રાપ્ત કરી શકે છે, આમ તથ્યાત્મક ચોકસાઈ અને વિષયની સુસંગતતામાં સુધારો થાય છે. અહીં મુખ્ય નવીનતા પ્રોમ્પ્ટ એન્જિનિયરિંગ છે, જે LLM ના અંતર્ગત પરિમાણો અથવા વજનને બદલ્યા વિના LLM ના આઉટપુટને માર્ગદર્શન આપવા માટે ઇનપુટ પ્રોમ્પ્ટ્સને કાળજીપૂર્વક ક્રાફ્ટ કરવાની તકનીક છે. આ અત્યંત સક્ષમ પરંતુ અગુઇડેડ સહાયકને ચોક્કસ સૂચનાઓ આપવા જેવું જ છે. ફ્રેમવર્ક છ પરિમાણો પર શીખનારના ગુણધર્મોને ક્વોન્ટિફાઇઝ કરે છે: 1. સ્વ-મૂલ્યાંકન: શીખનારની સમજનું ધારણા સ્તર. 2. અમૂર્તતા પસંદગી: શીખનાર ઉચ્ચ-સ્તરના ખ્યાલોને પસંદ કરે છે કે વિગતવાર સમજૂતી. 3. શબ્દપ્રયોગ પસંદગી: પ્રતિભાવની ઇચ્છિત લંબાઈ અને વિગત. 4. સંવેદનાત્મક અભિગમ: દ્રશ્ય, શ્રાવ્ય, અથવા કાઇનેસ્થેટિક શીખવાની પસંદગીઓ. 5. માહિતી પ્રક્રિયા શૈલી: માહિતીની ક્રમિક વિરુદ્ધ વૈશ્વિક પ્રક્રિયા. 6. સમજણનું સ્તર: પ્રાપ્ત જ્ઞાનનું ઉદ્દેશ્ય માપ. આ પરિમાણો, બ્લૂમ્સ ટેક્સોનોમી (શૈક્ષણિક ઉદ્દેશ્યોને 'યાદ' થી 'મૂલ્યાંકન' સુધીના જ્ઞાનાત્મક સ્તરોમાં વર્ગીકૃત કરતું ફ્રેમવર્ક) સાથે મળીને, 96 અનન્ય શીખનાર પ્રોફાઇલ્સ બનાવવા માટે પરવાનગી આપે છે. દરેક ક્વેરીની તેની જ્ઞાનાત્મક જટિલતા માટે વિશ્લેષણ કરવામાં આવે છે, અને શીખનારના પ્રોફાઇલ એટ્રિબ્યુટ્સ સ્ટ્રક્ચર્ડ પ્રોમ્પ્ટમાં એન્કોડ કરવામાં આવે છે. આ સ્ટ્રક્ચર્ડ પ્રોમ્પ્ટ LLM ને શીખનારની ચોક્કસ જરૂરિયાતોને અનુરૂપ પ્રતિભાવ જનરેટ કરવા માટે શરતી બનાવે છે, અસરકારક રીતે ગતિશીલ શિક્ષણ ક્રિયાપ્રતિક્રિયા બનાવે છે. ઉદાહરણ તરીકે, અમૂર્તતાને પસંદ કરનાર શીખનાર એક વૈચારિક ઝાંખી મેળવી શકે છે, જ્યારે વિગતને પસંદ કરનાર તે જ બેઝ LLM માંથી સ્ટેપ-બાય-સ્ટેપ સમજૂતી મેળવશે.

સંશોધન સફળતા અને અનુભવજન્ય વિશ્લેષણ

આ અભ્યાસ જિલ વોટસન જેવા AI ટીચિંગ આસિસ્ટન્ટ્સને વ્યક્તિગત કરવા માટે રચાયેલ પ્રોમ્પ્ટ-એન્જિનિયરિંગ ફ્રેમવર્કની વિગતો આપે છે, જે LLMs અને RAG દ્વારા સંચાલિત છે. સંશોધન પદ્ધતિમાં વિદ્યાર્થીની ક્વેરીઝનું વિશ્લેષણ કરતી અને કસ્ટમાઇઝ્ડ પ્રોમ્પ્ટ્સ જનરેટ કરતી સિસ્ટમ બનાવવાનો સમાવેશ થાય છે. આ પ્રોમ્પ્ટ્સ છ શીખનાર-વિશિષ્ટ પરિમાણો (સ્વ-મૂલ્યાંકન, અમૂર્તતા પસંદગી, શબ્દપ્રયોગ પસંદગી, સંવેદનાત્મક અભિગમ,

ਸਾਰ ਅਤੇ ਕਾਰਜਕਾਰੀ ਸਾਰ

• ਜਨਰਲ-ਪਰਪਜ਼ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (LLM) ਅਤੇ ਰਿਟਰੀਵਲ-ਆਗਮੈਂਟੇਡ ਜਨਰੇਸ਼ਨ (RAG) ਆਧਾਰਿਤ AI ਸਿੱਖਿਆ ਸਹਾਇਕਾਂ ਨੂੰ ਖਾਸ ਸਿਖਿਆਰਥੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਬੋਧਾਤਮਕ ਗੁੰਝਲਤਾ ਦੇ ਅਨੁਸਾਰ ਜਵਾਬਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਵਿਦਿਅਕ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣ ਲਈ ਇੱਕ ਨਵੀਨ ਪ੍ਰੋਂਪਟ-ਇੰਜੀਨੀਅਰਿੰਗ ਫਰੇਮਵਰਕ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਹੈ।
• ਫਰੇਮਵਰਕ ਦਾ ਮੁਲਾਂਕਣ ਨੈਚੁਰਲ ਲੈਂਗੂਏਜ ਪ੍ਰੋਸੈਸਿੰਗ (NLP) ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਇੱਕ ਛੋਟੇ ਪੱਧਰ ਦੇ ਮਨੁੱਖੀ ਅਧਿਐਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿਸ ਨੇ ਐਨਕੋਡ ਕੀਤੇ ਸਿਖਿਆਰਥੀ ਪ੍ਰੋਫਾਈਲਾਂ ਦੇ ਅਧਾਰ 'ਤੇ AI ਜਵਾਬ ਸ਼ੈਲੀਆਂ ਅਤੇ ਢਾਂਚਿਆਂ ਵਿੱਚ ਅੰਕੜਾ-ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ, ਮਾਪਣਯੋਗ ਤਬਦੀਲੀਆਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ।
• ਇਹ ਖੋਜ ਮਾਡਲ ਰੀ-ਟਰੇਨਿੰਗ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ AI-ਡਰਾਈਵਨ ਸਿੱਖਿਆ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇੱਕ ਵਿਧੀ ਦਾ ਯੋਗਦਾਨ ਪਾਉਂਦੀ ਹੈ, ਪੂਰਵ-ਪਰਿਭਾਸ਼ਿਤ ਸਿਖਿਆਰਥੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਬਲੂਮਜ਼ ਟੈਕਸੋਨੋਮੀ-ਆਧਾਰਿਤ ਬੋਧਾਤਮਕ ਮੁਲਾਂਕਣਾਂ ਦੇ ਅਨੁਸਾਰ LLM ਵਿਵਹਾਰ ਨੂੰ ਸ਼ਰਤਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਢਾਂਚਾਗਤ ਪ੍ਰੋਂਪਟਾਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦੀ ਹੈ।
• ਸਿਵਲ ਸੇਵਾ ਦੇ ਚਾਹਵਾਨਾਂ ਲਈ, ਇਹ ਸਫਲਤਾ AI ਦੀ ਵਿਅਕਤੀਗਤ ਵਿਦਿਅਕ ਮਾਰਗਦਰਸ਼ਨ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਲੋਕਤਾਂਤਰਿਕ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਜਿਸ ਲਈ AI ਨੈਤਿਕਤਾ, ਅਨੁਕੂਲ ਤਕਨਾਲੋਜੀਆਂ, ਅਤੇ ਜਨਤਕ ਸੇਵਾ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਉਪਯੋਗ ਦੀ ਸਮਝ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਸਿਧਾਂਤਕ ਬੁਨਿਆਦ ਅਤੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ

AI ਸਿੱਖਿਆ ਸਹਾਇਕਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਮੂਲ ਰੂਪ ਵਿੱਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੰਸਾਧਿਤ ਕਰਨ ਅਤੇ ਸੰਦਰਭ-ਸੰਬੰਧਿਤ, ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੀ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਇਹ ਖੋਜ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਾਂ (LLMs) ਦੇ ਸਿਧਾਂਤਾਂ 'ਤੇ ਅਧਾਰਿਤ ਹੈ, ਜੋ ਟੈਕਸਟ ਅਤੇ ਕੋਡ ਦੇ ਵਿਸ਼ਾਲ ਡਾਟਾਸੈਟਾਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੀਪ ਲਰਨਿੰਗ ਮਾਡਲ ਹਨ। LLMs ਸ਼ਬਦਾਂ ਅਤੇ ਸੰਕਲਪਾਂ ਦੇ ਵਿਚਕਾਰ ਅੰਕੜਾ-ਵਿੱਚ ਸਬੰਧਾਂ ਨੂੰ ਸਿੱਖਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਨੂੰ ਮਨੁੱਖ-ਵਰਗਾ ਟੈਕਸਟ ਤਿਆਰ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਰਿਟਰੀਵਲ-ਆਗਮੈਂਟੇਡ ਜਨਰੇਸ਼ਨ (RAG) ਇੱਕ ਬਾਹਰੀ ਗਿਆਨ ਅਧਾਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ LLMs ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਤੱਥਾਤਮਕ ਸ਼ੁੱਧਤਾ ਅਤੇ ਵਿਸ਼ੇ ਦੀ ਪ੍ਰਸੰਗਿਕਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ। ਇੱਥੇ ਮੁੱਖ ਨਵੀਨਤਾ ਪ੍ਰੋਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਹੈ, ਜੋ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜਿਸ ਵਿੱਚ LLM ਦੇ ਅੰਤਰੀਵ ਪੈਰਾਮੀਟਰਾਂ ਜਾਂ ਭਾਰਾਂ ਨੂੰ ਬਦਲੇ ਬਿਨਾਂ LLM ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਮਾਰਗਦਰਸ਼ਨ ਕਰਨ ਲਈ ਇਨਪੁਟ ਪ੍ਰੋਂਪਟਸ ਨੂੰ ਧਿਆਨ ਨਾਲ ਤਿਆਰ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਸਮਰੱਥ ਪਰ ਅਣ-ਗਾਈਡ ਕੀਤੇ ਸਹਾਇਕ ਨੂੰ ਸਹੀ ਨਿਰਦੇਸ਼ ਦੇਣ ਦੇ ਸਮਾਨ ਹੈ। ਫਰੇਮਵਰਕ ਛੇ ਮਾਪਾਂ 'ਤੇ ਸਿਖਿਆਰਥੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਮਾਪਦਾ ਹੈ: 1. ਸਵੈ-ਮੁਲਾਂਕਣ: ਸਿਖਿਆਰਥੀ ਦੀ ਸਮਝ ਦਾ ਪ੍ਰਤੱਖ ਪੱਧਰ। 2. ਅਮੂਰਤਤਾ ਤਰਜੀਹ: ਕੀ ਸਿਖਿਆਰਥੀ ਉੱਚ-ਪੱਧਰੀ ਸੰਕਲਪਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ ਜਾਂ ਵਿਸਤ੍ਰਿਤ ਵਿਆਖਿਆਵਾਂ। 3. ਸ਼ਬਦ-ਬਹੁਲਤਾ ਤਰਜੀਹ: ਜਵਾਬ ਦੀ ਇੱਛਤ ਲੰਬਾਈ ਅਤੇ ਵੇਰਵੇ। 4. ਸੰਵੇਦੀ ਅਨੁਕੂਲਤਾ: ਦ੍ਰਿਸ਼ਟੀ, ਸ਼ਰਵਣ, ਜਾਂ ਕਾਇਨੇਸਥੈਟਿਕ ਸਿੱਖਣ ਦੀਆਂ ਤਰਜੀਹਾਂ। 5. ਜਾਣਕਾਰੀ ਪ੍ਰੋਸੈਸਿੰਗ ਸ਼ੈਲੀ: ਜਾਣਕਾਰੀ ਦੀ ਅਨੁਕ੍ਰਮਿਕ ਬਨਾਮ ਵਿਸ਼ਵਵਿਆਪੀ ਪ੍ਰੋਸੈਸਿੰਗ। 6. ਸਮਝ ਦਾ ਪੱਧਰ: ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਿਆਨ ਦਾ ਇੱਕ ਵਸਤੂਨਿਸ਼ਠ ਮਾਪ। ਇਹ ਮਾਪ, ਬਲੂਮਜ਼ ਟੈਕਸੋਨੋਮੀ (ਇੱਕ ਫਰੇਮਵਰਕ ਜੋ ਵਿਦਿਅਕ ਉਦੇਸ਼ਾਂ ਨੂੰ 'ਯਾਦ' ਤੋਂ 'ਮੁਲਾਂਕਣ' ਤੱਕ ਬੋਧਾਤਮਕ ਪੱਧਰਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ) ਦੇ ਨਾਲ ਮਿਲ ਕੇ, 96 ਵਿਲੱਖਣ ਸਿਖਿਆਰਥੀ ਪ੍ਰੋਫਾਈਲਾਂ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਰ ਪ੍ਰਸ਼ਨ ਦਾ ਉਸਦੀ ਬੋਧਾਤਮਕ ਗੁੰਝਲਤਾ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਸਿਖਿਆਰਥੀ ਦੇ ਪ੍ਰੋਫਾਈਲ ਗੁਣਾਂ ਨੂੰ ਇੱਕ ਢਾਂਚਾਗਤ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਐਨਕੋਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਢਾਂਚਾਗਤ ਪ੍ਰੋਂਪਟ LLM ਨੂੰ ਸਿਖਿਆਰਥੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ ਲੋੜਾਂ ਦੇ ਅਨੁਸਾਰ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਲਈ ਸ਼ਰਤਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਇੱਕ ਗਤੀਸ਼ੀਲ ਅਧਿਆਪਨ ਸੰਵਾਦ ਬਣਾਉਂਦਾ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, ਅਮੂਰਤਤਾ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਾਲਾ ਸਿਖਿਆਰਥੀ ਇੱਕ ਸੰਕਲਪਾਤਮਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਵਿਸਤਾਰ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਾਲਾ ਉਹੀ ਬੇਸ LLM ਤੋਂ ਕਦਮ-ਦਰ-ਕਦਮ ਵਿਆਖਿਆ ਪ੍ਰਾਪਤ ਕਰੇਗਾ।

ਖੋਜ ਸਫਲਤਾ ਅਤੇ ਅਨੁਭਵੀ ਵਿਸ਼ਲੇਸ਼ਣ

ਇਹ ਅਧਿਐਨ ਜਿਲ ਵਾਟਸਨ ਵਰਗੇ AI ਸਿੱਖਿਆ ਸਹਾਇਕਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਪ੍ਰੋਂਪਟ-ਇੰਜੀਨੀਅਰਿੰਗ ਫਰੇਮਵਰਕ ਦਾ ਵੇਰਵਾ ਦਿੰਦਾ ਹੈ, ਜੋ LLMs ਅਤੇ RAG ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹਨ। ਖੋਜ ਵਿਧੀ ਵਿੱਚ ਵਿਦਿਆਰਥੀ ਦੇ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਅਨੁਕੂਲਿਤ ਪ੍ਰੋਂਪਟ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ ਸਿਸਟਮ ਬਣਾਉਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਪ੍ਰੋਂਪਟ ਛੇ ਸਿਖਿਆਰਥੀ-ਵਿਸ਼ੇਸ਼ ਮਾਪਾਂ (ਸਵੈ-ਮੁਲਾਂਕਣ, ਅਮੂਰਤਤਾ ਤਰਜੀਹ, ਸ਼ਬਦ-ਬਹੁਲਤਾ ਤਰਜੀਹ, ਸੰਵੇਦੀ ਅਨੁਕੂਲਤਾ,