MARC

 008260126s2025        us                              c    eng  d
■001000017358062
■00520260202103638
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290625713
■035    ▼a(MiAaPQ)AAI32090139
■035    ▼a(MiAaPQ)Stanfordyw528ms1740
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a306
■1001  ▼aWang,  Rose  Elizabeth.
■24510▼aScaling  Expertise  Via  Language  Models:  with  Applications  to  Education
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a283  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  A.
■500    ▼aAdvisor:  Demszky,  Dora;Yang,  Diyi.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aAccess  to  expertise  shapes  how  individuals  learn,  develop,  and  succeed  across  society.  For  example,  in  education,  experienced  teachers  teach  students  and  train  novice  educators  through  effective  interactions.  However,  access  to  expertise  is  limited,  undermining  learning  at  scale.  While  language  models  promise  to  democratize  access,  they  often  mimic  surface-level  patterns  and  lack  the  human  touch  needed  to  support  learners  through  challenges.  In  this  thesis,  I  present  a  new  paradigm,  scalable  expertise,  that  reimagines  how  we  can  extend  human-like  expertise  by  adapting  and  leveraging  language  models  for  high-stakes,  real-world  interactions.  In  Part  I,  I  introduce  a  computational  method  to  extract  expert  reasoning  from  verbalized  talk  aloud  protocols,  enabling  language  models  to  handle  complex  tasks.  In  Part  II,  I  introduce  benchmarks  aligned  to  domain  needs  and,  resultingly,  provide  early  insights  into  the  reliability  of  language  models  for  intervening  on  real-world  interactions.  In  Part  III,  I  introduce  real-world  applications  of  scaling  expertise,  including  interventions  with  real-time  AI  assistance  and  methods  to  surface  interaction  patterns  between  real  teachers  and  students.  Finally,  I  conclude  by  discussing  open  questions  and  future  directions  for  the  paradigm  of  scalable  expertise.The  work  presented  in  this  thesis  has  broad  implications:  it  demonstrates  how  language  models---when  adapted,  evaluated  and  deployed  appropriately---can  enhance  the  human  touch  to  improve  real-world  behaviors  and  outcomes  at  scale.  While  this  thesis  focuses  on  applications  to  education,  it  establishes  the  foundation  for  scaling  expertise  to  other  high-stakes  domains  like  healthcare  and  law.  By  addressing  the  challenges  of  methods,  evaluations,  and  applications,  this  thesis  advances  a  human-centered  vision  of  AI  enhancing  human  learning  at  scale.
■590    ▼aSchool  code:  0212.
■650  4▼aFamilies  &  family  life
■650  4▼aTutoring
■650  4▼aEducation
■690    ▼a0515
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-01A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358062▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books