SLOW：面向AI辅导认知适应的策略性逻辑推理开放工作区

尽管大语言模型（LLM）已在教育对话中展现出出色的流畅性，大多数生成式辅导系统主要依靠直觉式的单次生成运作。这种对快思考的依赖排除了专门的推理工作区，迫使多种诊断与策略信号以混同的方式被处理。其结果是，学习者认知诊断、情感感知与教学决策紧密纠缠，限制了辅导系统进行审慎教学调整的能力。我们提出SLOW，一个有理论依据的辅导框架，在一个透明的决策工作区内支持对学习者状态的审慎推理。受人类辅导双过程理论的启发，SLOW将学习者状态推断与教学动作选择显式分离。该框架整合了从学习者语言中解析因果证据、结合反事实稳定性分析的模糊认知诊断，以及前瞻性情感推理，以预判教学选择可能如何影响学习者的情感轨迹。这些信号被联合考量，用以指导在教学与情感两个层面均对齐的辅导策略。采用人机混合评判的评估表明，个性化、情感敏感度与清晰度均有显著提升。消融研究进一步确认了每个模块的必要性，展示了SLOW如何通过可视化的决策过程实现可解释且可靠的智能辅导。这项工作推进了基于LLM的自适应教学的可解释性与教育有效性。