制御可能な音声対話生成：K-12の非英語圏学習者向けLLM駆動の採点システム

概要: 大規模言語モデル（LLM）は、非ネイティブ環境において、熟達度の不一致により、K-12の英語学習者の教育的ニーズをしばしば満たせません。この広範な課題に対処するために、我々は、代表例として中国の国家カリキュラム（CSE）を用い、学習者の能力に合わせてLLMの出力を適応させる、熟達度に整合した枠組みを提案します。本枠組みは、新しいリソース群として、段階付けされた語彙リストと多ターン対話コーパスを含めることで、4段階の評価体系により語彙の複雑さを正確に制御できるようにします。
我々の主要な技術的貢献は、\textbf{DDPO}アルゴリズム、Diversity Driven Policy Optimization（多様性駆動方策最適化）であり、対話の多様性を維持しつつ対話の質を全体的に最適化することを目的とした、多ターンのGRPOベースの手法です。この方法は従来のアプローチを大きく上回り、語彙外率が低く、多様性が高いという結果を達成し、さらに会話の自然さと教育的価値を向上させます。CSEに基づいている一方で、本枠組みは柔軟性を備えており、他の教育基準にも容易に適応可能です。我々のモデル、データ、コードはすべてオープンソース化し、没入環境ではない環境においてK-12学習者が直面する固有の課題に効果的に対処しつつ、パーソナライズされた英語スピーキング練習のためのスケーラブルなプラットフォームを提供します。