[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,58 +2,213 @@
|
||||
id: wiki-2026-0508-emotionally-intelligent-tutoring
|
||||
title: Emotionally Intelligent Tutoring Systems (EITS)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-EITS]
|
||||
aliases: [EITS, affective tutor, AutoTutor, emotionally aware ITS]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [EdTech, AI, EmotionalComputing, Tutoring]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [edtech, ai-tutor, affective-computing, eits, emotion, learning, pedagogy]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: Tutoring system / LLM
|
||||
---
|
||||
|
||||
# [[Emotionally Intelligent Tutoring[[ system]]s (EITS)]] (정서 지능형 튜터링 시스템)
|
||||
# Emotionally Intelligent Tutoring Systems (EITS)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "학습자의 표정과 목소리 톤까지 읽어내는 '눈치 빠른' AI 선생님." 학습자의 정서 상태(좌절, 지루함, 호기심 등)를 실시간으로 감지하여 학습 내용과 격려 방식을 조절함으로써 학습 효과를 극대화하는 교육 시스템이다.
|
||||
## 매 한 줄
|
||||
> **"매 student 의 cognitive + emotional 의 동시 의 sense + respond 의 ITS"**. 매 frustration / boredom / confusion / engagement 의 detect → 매 strategy adjust. 매 famous: AutoTutor (Graesser), Affective AutoTutor. 매 modern: 매 LLM tutor + 매 facial / voice + 매 adaptive prompt.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **[[Affective Computing]]**: 카메라나 바이오센서를 통해 학습자의 얼굴 표정, 시선, 미세한 심박수 변화 등을 분석.
|
||||
- **Adaptive Intervention**: 지루해하면 흥미로운 예시를 던지고, 좌절하면 힌트를 주어 자신감을 회복시킴.
|
||||
- **Pedagogical Agents**: 단순한 텍스트가 아닌, 감정을 표현하는 아바타(Agent)를 통해 사회적 상호작용을 유도.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 개인 정보 보호 및 감정 감시(Privacy & Surveillance)에 대한 윤리적 이슈가 크다. 또한, AI가 감정을 '흉내'내는 것일 뿐 진짜 공감하는 것은 아니라는 점이 학습자에게 괴리감을 줄 수 있다. 최근에는 멀티모달(Multimodal) 센싱 기술의 비약적 발전으로 정확도가 크게 향상되었다.
|
||||
### 매 emotion of learning (D'Mello)
|
||||
- **Engagement**: 매 best.
|
||||
- **Confusion**: 매 productive (zone of proximal).
|
||||
- **Frustration**: 매 productive 의 X — 매 detect.
|
||||
- **Boredom**: 매 challenge ↑.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Affective-Computing , Instructional-Design-Models
|
||||
- Technology: [[Computer-Vision]]-Emotional-[[Analysis]]
|
||||
### 매 affect detection
|
||||
- **Behavioral**: 매 click, dwell, error.
|
||||
- **Facial**: 매 brow furrow.
|
||||
- **Posture**: 매 lean.
|
||||
- **Speech**: 매 hesitation.
|
||||
- **Self-report**: 매 emoji slider.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 response strategy
|
||||
- **Frustration** → 매 hint, scaffold.
|
||||
- **Boredom** → 매 challenge ↑, novelty.
|
||||
- **Confusion** → 매 dwell, allow.
|
||||
- **Engagement** → 매 maintain.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. **Math tutor**: 매 step-by-step.
|
||||
2. **Language**: 매 conversation practice.
|
||||
3. **Programming**: 매 debug help.
|
||||
4. **Adaptive learning**: 매 LMS.
|
||||
5. **Reading**: 매 comprehension.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Affect detection (multimodal)
|
||||
```python
|
||||
class AffectDetector:
|
||||
def __init__(self):
|
||||
self.face = FacialAnalyzer()
|
||||
self.behavior = BehaviorTracker()
|
||||
|
||||
def detect(self, frame, log):
|
||||
return {
|
||||
'engagement': 0.6 * self.face.attention(frame) + 0.4 * self.behavior.click_rate(log),
|
||||
'frustration': self.face.brow_furrow(frame) + self.behavior.delete_count(log),
|
||||
'confusion': self.behavior.idle_time(log),
|
||||
'boredom': self.face.yawn_count(frame) + self.behavior.skip_count(log),
|
||||
}
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### Strategy selector
|
||||
```python
|
||||
def select_strategy(affect, mastery):
|
||||
if affect['frustration'] > 0.7:
|
||||
return 'hint_with_encouragement'
|
||||
if affect['boredom'] > 0.6 and mastery > 0.7:
|
||||
return 'increase_difficulty'
|
||||
if affect['confusion'] > 0.5 and mastery < 0.5:
|
||||
return 'review_prerequisite'
|
||||
if affect['engagement'] > 0.7:
|
||||
return 'maintain_flow'
|
||||
return 'check_in'
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### LLM tutor with affect prompt
|
||||
```python
|
||||
def llm_tutor_response(student_msg, affect, history):
|
||||
affect_str = f"Frustration: {affect['frustration']:.1f}, Engagement: {affect['engagement']:.1f}"
|
||||
|
||||
prompt = f"""You are a patient, emotionally-aware tutor.
|
||||
Student affect: {affect_str}
|
||||
{'IMPORTANT: Student frustrated — validate first, then small step.' if affect['frustration'] > 0.6 else ''}
|
||||
{'IMPORTANT: Student bored — pivot to challenge.' if affect['boredom'] > 0.5 else ''}
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
History: {history[-3:]}
|
||||
Student: {student_msg}
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
Response:"""
|
||||
return llm.generate(prompt)
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Productive vs unproductive confusion (D'Mello)
|
||||
```python
|
||||
def classify_confusion(affect_history, performance):
|
||||
duration = affect_history.confusion_duration()
|
||||
progress = performance.recent_correct_rate()
|
||||
if duration > 60 and progress < 0.3:
|
||||
return 'unproductive' # 매 intervene
|
||||
return 'productive' # 매 let dwell
|
||||
```
|
||||
|
||||
### Mastery-aware (Bayesian Knowledge Tracing)
|
||||
```python
|
||||
class BKT:
|
||||
def __init__(self, p_init=0.1, p_learn=0.3, p_slip=0.1, p_guess=0.2):
|
||||
self.p_known = p_init
|
||||
self.p_learn, self.p_slip, self.p_guess = p_learn, p_slip, p_guess
|
||||
|
||||
def update(self, correct):
|
||||
if correct:
|
||||
num = self.p_known * (1 - self.p_slip)
|
||||
denom = num + (1 - self.p_known) * self.p_guess
|
||||
else:
|
||||
num = self.p_known * self.p_slip
|
||||
denom = num + (1 - self.p_known) * (1 - self.p_guess)
|
||||
self.p_known = num / denom + (1 - num / denom) * self.p_learn
|
||||
```
|
||||
|
||||
### Engagement intervention (recovery)
|
||||
```python
|
||||
def recover_engagement(disengaged_for_seconds):
|
||||
if disengaged_for_seconds < 30:
|
||||
return None
|
||||
if 30 <= disengaged_for_seconds < 120:
|
||||
return {'type': 'gentle_check_in', 'msg': 'Still with me?'}
|
||||
return {'type': 'pivot', 'msg': "Let's try something different."}
|
||||
```
|
||||
|
||||
### Self-report (emoji slider)
|
||||
```html
|
||||
<div class="affect-checkin">
|
||||
How are you feeling?
|
||||
<button data-emotion="frustrated">😤</button>
|
||||
<button data-emotion="confused">🤔</button>
|
||||
<button data-emotion="bored">😴</button>
|
||||
<button data-emotion="engaged">🤩</button>
|
||||
</div>
|
||||
```
|
||||
|
||||
### Empathy response template
|
||||
```python
|
||||
EMPATHIC_OPENERS = {
|
||||
'frustrated': ["This one is tricky — that's a normal feeling.", "Let's slow down a bit."],
|
||||
'confused': ["I see what's confusing — let me explain differently.", "Good question."],
|
||||
'bored': ["Let me show you why this matters.", "Here's a more interesting twist."],
|
||||
}
|
||||
|
||||
def open_response(detected_emotion):
|
||||
return random.choice(EMPATHIC_OPENERS.get(detected_emotion, ['']))
|
||||
```
|
||||
|
||||
### A/B test (affect-aware vs not)
|
||||
```python
|
||||
def evaluate_eits(group_a_baseline, group_b_eits):
|
||||
return {
|
||||
'completion_a': mean(s.completed for s in group_a_baseline),
|
||||
'completion_b': mean(s.completed for s in group_b_eits),
|
||||
'satisfaction_a': mean(s.rating for s in group_a_baseline),
|
||||
'satisfaction_b': mean(s.rating for s in group_b_eits),
|
||||
'mastery_a': mean(s.mastery for s in group_a_baseline),
|
||||
'mastery_b': mean(s.mastery for s in group_b_eits),
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Webcam OK | Multimodal facial + behavior |
|
||||
| No camera | Behavioral + self-report |
|
||||
| K-12 | Strong empathy emphasis |
|
||||
| Higher-ed | Productive confusion tolerated |
|
||||
| Adult learning | Less interruption |
|
||||
| Mental health risk | Clinician escalation path |
|
||||
|
||||
**기본값**: 매 multimodal affect + 매 BKT mastery + 매 LLM empathic response + 매 self-report fallback + 매 productive confusion 의 respect.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Education-Technology]] · [[Intelligent-Tutoring-Systems]]
|
||||
- 변형: [[AutoTutor]] · [[Emotional-AI (Affective Computing)]]
|
||||
- 응용: [[Adaptive-Learning]] · [[Bayesian-Knowledge-Tracing]]
|
||||
- Adjacent: [[Empathy-in-AI]] · [[Dynamic Difficulty Adjustment (DDA)]] · [[Corporate-LMS-Training]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 tutoring product. 매 K-12. 매 language learning.
|
||||
**언제 X**: 매 reference material. 매 assessment-only.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Surveillance feel**: 매 student 의 creep.
|
||||
- **All confusion = bad**: 매 productive 의 ignore.
|
||||
- **Static empathy**: 매 personalize X.
|
||||
- **Privacy violation**: 매 video 의 cloud send.
|
||||
- **Validate-only**: 매 challenge X.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (D'Mello & Graesser, AutoTutor, 2014+ EITS literature).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-20 | Auto-reinforced |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — affect-aware + 매 detect / strategy / BKT / LLM / A/B code |
|
||||
|
||||
Reference in New Issue
Block a user