Control Systems and Computers

https://doi.org/10.15407/csc.2024.03.068

Shvyndia A.M, Nikolaienko A.Yu. Personalization of User Experience in Language Learning through Large Language Model Assistants. Сontrol Systems and Computers. 2024. № 3. C. 68-76.

УДК 004.942

А.М. Швиндя, студент, Київський національний університет України імені Тараса Шевченка, вул. Богдана Гаврилишина, 24, м. Київ, Україна, 04116, ORCID: https://orcid.org/0009-0002-3319-4502, andrey.shvyndya22@gmail.com

А.Ю. Ніколаєнко, к.т.н., асистент, Київський національний університет України імені Тараса Шевченка, вул. Богдана Гаврилишина, 24, м. Київ, Україна, 04116, ORCID: https://orcid.org/0000-0002-2402-2947, n_nastja@knu.ua

ПЕРСОНАЛІЗАЦІЯ ДОСВІДУ КОРИСТУВАЧА У ВИВЧЕННІ ІНОЗЕМНИХ МОВ ЗАВДЯКИ ВЕЛИКИМ МОВНИМ МОДЕЛЯМ

Вступ. Вивчення мов потребує комплексного підходу для досягнення ефективності. Традиційні програмні рішення часто не виправдовують очікувань, оскільки або занадто зосереджуються на наданні контенту, або використовують універсальний підхід. Це може обмежувати учня через невраховування його індивідуального стилю навчання. Зростає потреба в персоналізованих інструментах для вивчення мов. Штучний інтелект, особливо великі мовні моделі, має великий потенціал для досягнення необхідного рівня персоналізації.

Мета: аналіз методів, принципів і стратегій інженерії запитів (промптів) для ефективної взаємодії з великими мовними моделями. Це дає змогу розробити алгоритм генерації тестів на основі контекстуального введення користувача.

Методи. Використано систематичний підхід до розроблення алгоритму генерування тестів, починаючи з аналізу ключових принципів інженерії запитів із подальшим розглядом стратегій на основі цих принципів. Останнім етапом є створення узгодженої структури промпту на основі визначених принципів і стратегій.

Результати. Розроблено та інтегровано до API скрипт для генерування тестів, що став складовою інтерактивної платформи для вивчення іноземних мов.

Висновки. Інтеграція LLM у платформи для вивчення мов може зі значною ефективністю забезпечити персоналізовані та залежні від контексту користувача навчальні процеси, хоча й поточні обмеження включають затримки у часі відповіді та частково обмежену різноманітність контенту. Очікується, що майбутні вдосконалення технологій асистентів LLM сприятимуть вирішенню цих проблем.

Завантажити повний текст! (англійською)

Ключові слова: персоналізація, вивчення іноземних мов, штучний інтелект, великі мовні моделі, інженерія промптів, OpenAI, асистенти ШІ.

1. Bączkowska, A. (2021). “An Overview of Popular Website Platforms and Mobile Apps for Language Learning.” Forum Filologiczne Ateneum, 1(9), pp. 9-35, https://doi.org/10.36575/2353-2912/1(9)2021.009.
2. Arce, N.H., & Valdivia, A.C. (2020). “Adapting competitiveness and gamification to a digital platform for foreign language learning”. International Journal of Emerging Technologies in Learning (iJET), 15.20, pp. 194-209.
3. Kukulska-Hulme, A. (2016). Personalization of language learning through mobile technologies. Cambridge University Press, Cambridge, UK.
4. Chen, X., Zou, D., Xie, H., & Cheng, G. (2021). “Twenty years of personalized language learning”. Educational Technology & Society, 24(1), pp. 205-
5. Baskara, R. (2023). “Exploring the implications of ChatGPT for language learning in higher education”.Indonesian Journal of English Language Teaching and Applied Linguistics, 7(2), pp. 343-358.
6. Hatmanto, E. D., & Sari, M. I. (2023). “Aligning Theory and Practice: Leveraging Chat GPT for Effective English Language Teaching and Learning”. In E3S Web of Conferences, Vol. 440, p. 05001.
7. Shaikh, S., Yayilgan, S.Y., Klimova, B., Pikhart, M. (2023). “Assessing the Usability of ChatGPT for Formal English Language Learning”. J. Investig. Health Psychol. Educ., 13, pp. 1937-1960.
8. Detailed guide to Prompt Engineering from Matt Crabtree. [online]. Available at: <https://www.datacamp.com/blog/what-is-prompt-engineering-the-future-of-ai-communication> [Accessed 11 May 2024].
9. White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., … & Schmidt, D.C. (2023). A prompt pattern catalog to enhance prompt engineering with chatgpt. arXiv preprint arXiv:2302.11382. Cornell University, February 2023.
10. Ekin, S. (2023). “Prompt engineering for ChatGPT: a quick guide to techniques, tips, and best practices”. Authorea Preprints. May 04.
11. Bozkurt, A., & Sharma, R. C. (2023). “Generative AI and Prompt Engineering: The Art of Whispering to Let the Genie Out of the Algorithmic World”. Asian Journal of Distance Education, 18(2), pp. I-VII.

Received 04.06.2024