Naukowcy ze studiów opublikowanego na arXiv opracowali nowatorski framework, który pozwala personalizować odpowiedzi asystentów edukacyjnych opartych na LLM-ach poprzez zaawansowany prompt engineering. Zamiast przeuczonego modelu, system koduje atrybuty ucznia bezpośrednio w strukturalnych promptach, które warunkują zachowanie generatywnego modelu w real-time.
Framework bierze pod uwagę sześć wymiarów profilu ucznia: samoocenę, preferencję poziomu abstrakcji, preferencję ilości informacji, orientację percepcyjną, styl przetwarzania informacji oraz poziom zrozumienia. Te kombinacje tworzą 96 odrębnych profili learnerów. Dodatkowo system analizuje złożoność kognitywną każdego pytania ucznia przy pomocy taksonomii Bloom'a, aby dostosować głębokość odpowiedzi. Wszystkie te dane są wplatane w prompty kierowane do modelu, bez konieczności jego retrainingu.
Badania przeprowadzono zarówno poprzez metryki NLP jak i studium z pięcioma uczestnikami. Wyniki pokazały statystycznie znaczące różnice w stylu i strukturze odpowiedzi w zależności od stosowanej personalizacji. To podejście ma potencjał aby uczynić asystentów edukacyjnych bardziej adaptacyjnymi wobec potrzeb uczniów, jednocześnie zachowując skalowalność na tysiące użytkowników bez kosztownego fine-tuningu dla każdego indywidualnego profilu.