LLM-Generated Personalized Analogies to Foster AI Literacy in Adult Novices
Notice bibliographique
Résumé
Broad Al literacy is essential in today's rapidly advancing technological landscape, extending beyond Al specialists to encompass the general public. However, the complexity of Al concepts poses significant barriers to learning for individuals without prior Al knowledge. While teaching through analogies is a well-recognized method to simplify complex information by connecting it to familiar concepts, adapting these analogies to match individual learner profiles remains a substantial challenge. This paper addresses this gap by proposing a novel method for personalizing educational analogies, enhancing the accessibility and engagement of AI concepts for a diverse audience. Our approach uses Large language models (LLMs) to dynamically tailor content to each learner's cognitive and cultural contexts, grounded in educational theories and practices. Utilizing a crowdsourced AIB testing framework through Prolific (N-60), this research contrasts conventional instructional methods with content incorporating LLM-enhanced personalized analogies. Data collection comprised pre- and post-tests, activity logs, and surveys featuring Likert-scale and open-ended questions. Quantitative analysis of key learning outcomes revealed significant improvements in comprehension and retention, evidenced by enhanced pre-and post- test scores (p < 0.01 and p < 0,05, respectively) and motivation, as indicated by increased engagement in survey responses (p < 0.05). Qualitative analysis revealed a need for more examples and visual aids to complement analogies and a preference for balancing analogies with detailed technical content. This study demonstrates the potential of Al-generated analogies to make complex Al concepts more accessible and engaging. Future research should refine analogy generation. incorporate multimedia elements, and explore long-term and cross-cultural impacts to further enhance Al education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».