TACT：面向教学自适应英语辅导的分类体系对齐后训练

大规模语言模型（LLMs）正越来越多地用于为英语作为第二语言（ESL）学习者提供对话练习。然而，有效的ESL辅导不仅需要流畅的响应生成：教师还必须根据学习者的行为和对话上下文选择适当的教育行动。人类-教师研究提供了适应性支持的原则，但这些原则通常是任务特定的，并且尚未充分整合到基于LLM的ESL导师训练和评估中。我们提出了TACT（Taxonomy-Aligned Conversational Tutor），这是一个基于人类背景的人工智能框架，用于后训练和评估教育性适应性ESL导师。借鉴已建立的文献，我们开发了两个互补的分类法：教师策略分类法，包含13种教师响应策略，以及学生移动分类法，根据学习者的移动类型和状态来描述学习行为。使用这些分类法，我们构建了TACTCorpus，该Corpus为260个真实教师-学生的对话添加了32,379个注释，并且经过质量控制的增强训练数据。然后，我们通过监督微调后继组相对策略优化，使Qwen3.5-4B生成TACTutor，以优化其结构化质量而非参考模仿。在TACTBench上，一个策略平衡诊断基准，包括78个真实辅导情境，TACTutor比其基础模型提高了20.30%，并且在相同的协议下超过了所有评估的私有基线，同时保持了基础模型在已建立外部教育基准上的性能；在一项盲目的研究中，50名学习者也给出了TACTutor在所有评估教师中的最高平均评分。我们公开了数据、基准和模型权重，为开发教育性适应性ESL导师提供了一个开放的基础。