Enhancing Exploratory Learning through Exploratory Search with the Emergence of LLM

本文是LLM系列文章，针对《Enhancing Exploratory Learning through Exploratory Search with the Emergence of Large Language Models》的翻译。

摘要

在信息时代，学习者如何发现、评估和有效使用信息已成为一个具有挑战性的问题，特别是随着大型语言模型（LLM）的复杂性增加，这进一步使学习者在信息检索和搜索活动中感到困惑。本研究试图通过将探索性搜索策略与探索性学习理论相结合来揭示这种复杂性，从学生学习的角度形成一种新的探索性学习理论模型。我们的工作通过结合高频探索和反馈循环来适应科尔布的学习模式，旨在促进学生深层认知和高阶认知技能的发展。此外，本文还讨论并提出了先进的LLM如何融入信息检索和信息论，以支持学生的探索性搜索，从理论上促进学生与计算机的互动，并支持他们在新时代LLM的学习之旅。

1 引言

2 文献综述

3 方法

4 分析与发现

5 讨论

6 结论

随着信息时代的到来，有效地发现、评估和利用海量信息进行学习和反思已成为学习者面临的挑战性问题。尽管探索性搜索策略在教育领域有着巨大的潜力，但将探索性搜索的先进概念与教育领域的学习理论相结合的研究却很少。同时，随着LLM等生成式人工智能技术的引入，如何正确培养学生更具探索性也成为一个棘手的问题。本研究试图从学生学习的角度，通过将信息检索的探索性搜索策略整合到学习过程中来解决这一差距。该方法旨在形成一种新颖的探索性学习模型，将探索性搜索与学习理论相结合。该模型将Kolb的学习模式适应信息时代，注重高频探索和反馈循环，帮助学生在不确定性下探索新信息，促进深