LearnLM: Het verbeteren van Gemini voor Leren

Samenvatting

De generatieve AI-systemen van vandaag zijn afgestemd om standaard informatie te presenteren in plaats van gebruikers te betrekken in het leerproces zoals een menselijke tutor zou doen. Om de brede reeks potentiële onderwijsgebruiksscenario's voor deze systemen aan te pakken, herschikken we de uitdaging van het injecteren van pedagogisch gedrag als een van pedagogische instructieopvolging, waarbij trainings- en evaluatievoorbeelden systeemniveau-instructies bevatten die de specifieke pedagogische kenmerken beschrijven die aanwezig zijn of gewenst zijn in daaropvolgende modelomwentelingen. Deze benadering vermijdt het vastleggen van onze modellen aan een specifieke definitie van pedagogie, en stelt in plaats daarvan leraren of ontwikkelaars in staat om het gewenste modelgedrag te specificeren. Het opent ook een pad naar het verbeteren van Gemini-modellen voor leren - door de toevoeging van onze pedagogische gegevens aan post-training mengsels - naast hun snel groeiende reeks mogelijkheden. Beide vertegenwoordigen belangrijke veranderingen ten opzichte van ons oorspronkelijke technische rapport. We tonen aan hoe training met pedagogische instructieopvolging een LearnLM-model oplevert (beschikbaar op Google AI Studio) dat aanzienlijk de voorkeur geniet van deskundige beoordelaars in een divers scala van leerscenario's, met gemiddelde voorkeurssterktes van 31\% boven GPT-4o, 11\% boven Claude 3.5, en 13\% boven het Gemini 1.5 Pro-model waar LearnLM op gebaseerd was.

English

Today's generative AI systems are tuned to present information by default rather than engage users in service of learning as a human tutor would. To address the wide range of potential education use cases for these systems, we reframe the challenge of injecting pedagogical behavior as one of pedagogical instruction following, where training and evaluation examples include system-level instructions describing the specific pedagogy attributes present or desired in subsequent model turns. This framing avoids committing our models to any particular definition of pedagogy, and instead allows teachers or developers to specify desired model behavior. It also clears a path to improving Gemini models for learning -- by enabling the addition of our pedagogical data to post-training mixtures -- alongside their rapidly expanding set of capabilities. Both represent important changes from our initial tech report. We show how training with pedagogical instruction following produces a LearnLM model (available on Google AI Studio) that is preferred substantially by expert raters across a diverse set of learning scenarios, with average preference strengths of 31\% over GPT-4o, 11\% over Claude 3.5, and 13\% over the Gemini 1.5 Pro model LearnLM was based on.

LearnLM: Het verbeteren van Gemini voor Leren

LearnLM: Improving Gemini for Learning

Samenvatting

Support