对话式社交学习在人工智能代理中的应用：通过混合主导教育交互增强LLM本体获取

大型语言模型（LLM）在处理海量离线数据集方面展现出卓越能力，但在在线复杂知识获取与整合方面仍面临挑战。传统人工智能训练范式主要基于监督学习或强化学习，遵循"皮亚杰式"独立探索模式。这些方法通常依赖大型数据集和稀疏反馈信号，限制了模型从交互中高效学习的能力。

受维果茨基社会文化理论启发，本研究探索社会媒介学习范式解决这些局限的潜力。研究引入名为"AI社交健身房"的动态环境，其中AI学习者代理与知识渊博的AI教师代理进行二元教学对话。这些交互强调外部结构化对话作为知识获取的核心机制，与仅依赖内部推理或模式识别的方法形成对比。

研究重点分析不同教学策略对本体获取过程中AI学习效果的影响。实证结果表明：对话式方法——特别是那些结合自上而下解释与学习者发起提问的混合方向交互——显著增强LLM获取和应用新知识的能力，其表现优于单向教学方法以及直接访问结构化知识（训练数据集中通常存在的格式）。