무기 재료의 표적 발견은 방대한 조성 설계 공간과 포괄적 스크리닝의 높은 비용으로 인해 여전히 난제로 남아있습니다. 특정 작업에 특화된 생성형 AI는 효율적인 대안이지만, 실제 이점을 제공하기 전에 번거로운 학습 데이터 수집이 필요합니다. 반면, 범용 거대 언어 모델(LLM)은 특정 미세 조정 없이 단일 최적 재료 조성을 표적 생성하는 데 큰 잠재력을 보여주었습니다.
본 연구는 LLM이 대규모 설계 공간에서 특정 속성 공간의 전체 영역을 효과적이고 체계적으로 탐색할 수 있음을 입증합니다. 대규모 화학 공간에서 생성 작업의 벤치마크인 엘파솔라이트 재료를 활용하여, 반복적인 프롬프트-응답 프레임워크가 목표 영역 내 모든 저에너지 엘파솔라이트의 평균 96%를 복구할 수 있음을 확인했습니다.
이러한 성능은 주로 반복적인 문맥 내 학습에 의해 달성되었으며, 기존의 특정 작업 모델의 생성 능력을 뛰어넘습니다. 본 연구 결과는 범용 LLM이 역재료 설계 워크플로우를 위한 유연하고 접근 가능한 구성 요소임을 확립합니다.
지능형 튜터링 시스템(ITS)은 즉각적인 피드백을 제공하며 인간 튜터링을 모방하는 컴퓨터 시스템입니다. 생성형 인공지능(GenAI)의 발전과 함께 GenAI가 통합된 수많은 ITS가 개발되고 있습니다. 학생 참여는 학습 과정과 성과를 향상시키는 데 중요하므로, GenAI가 통합된 ITS가 교육 현장에서 학생 참여를 증진하는 효과를 탐구하는 것이 중요합니다.
본 연구는 GenAI 기반 ITS인 GPTutor를 사용한 학부생 880명을 대상으로 설명적 혼합 방법 사례 연구를 제시합니다. 먼저, 설문 조사를 통해 GPTutor와의 실제 상호작용과 행동적, 인지적, 정서적 참여의 세 가지 차원에서 학생들의 자기 보고식 참여도 간의 관계를 조사했습니다. 다음으로, 설문 참가자 중 일부를 대상으로 포커스 그룹을 실시하여 GPTutor가 학생 참여를 어떻게, 어떤 상황에서 개선했는지 심층적으로 이해하고, GPTutor 및 다른 GenAI 기반 ITS의 잠재적 설계 개선 사항을 탐색했습니다.
설문 조사 결과, 기능 사용과 학생 참여 사이에 복잡한 관계가 나타났습니다. 특히, 챗봇과의 상호작용은 행동적 및 정서적 참여와 유의미하고 긍정적인 관련이 있었으나 인지적 참여와는 관련이 없었습니다. 연습 문제 생성기 기능은 세 가지 참여 차원 모두와 유의미한 관련이 없었습니다. 포커스 그룹 결과는 이러한 관계를 조명하며, GPTutor가 유용하다고 인식될 때만 사용되었고, 이러한 유용성 인식은 과목 난이도 및 기존 지원 시스템의 질문 해결 능력에 대한 학생들의 인식에 의해 형성되었음을 밝혔습니다. 유용성은 학기 진행에 따라, 특히 시험이 다가올수록 증가하는 것으로 나타났습니다.
이 연구는 GenAI 기반 ITS 설계 및 구현에 대한 실질적인 시사점을 제공합니다. 학생들의 참여를 효과적으로 유도하기 위해서는 시스템의 인지된 유용성을 높이고, 특정 기능이 학생 참여의 다양한 측면에 미치는 영향을 고려한 맞춤형 설계 전략이 필요함을 시사합니다.
