Designing AI Tutors for Scalable Growth: Product Management Frameworks for Balancing Learning Impact and Commercial Success
Notice bibliographique
Résumé
Generative AI tutors are emerging as a powerful paradigm for pedagogical methods, yet designing interfaces to gain learner trust remains underexplored. This paper presents a pioneering Generative Language Interface (GLI) Ambiguity Calibration Framework for adaptive, scalable AI tutoring, fusing behavioral economics, cognitive psychology, and causal mediation modeling to optimize user outcomes across education, enterprise. Departing from prior work focused on conversational accuracy or fluency, our approach integrates dynamic user state modeling, real-time ambiguity adjustment, and curiosity-driven task sequencing to enhance short-term understanding and long-term retention. Evaluated with 2,164 participants across four domains, 500 real-world EdX learners, and over 15,000 interaction logs, the framework achieves a 23% improvement in learning outcomes, 17% reduction in cognitive load, and 12<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">%</sup> increase in user trust compared to Khanmigo and GPT-4-based tutors. As the first to combine ambiguity calibration, causal mediation, and adaptive orchestration, it offers a reproducible, statistically validated protocol for large-scale AI tutoring deployment, bridging lab-based prototypes and real-world applications. This work contributes an AI-native framework for scalable ambiguity calibration, introducing causal mediation and adaptive uncertainty control as general techniques extendable beyond tutoring to multi-domain interactive AI.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».