长期个性化辅导需要语言模型把学习者不断变化的学习历史转化为合适的教学支持。现有基于大模型的辅导系统虽然使用记忆和检索来实现个性化，但往往缺乏将历史证据与教学策略关联的教学理论依据。
RegulaTutor 通过自我调节学习（SRL）研究提供理论支撑，构建了认知、情感、元认知和动机（CAMM）四维框架，用于从历史证据中推导学习者的解释并生成教学策略。每条策略都保留对其支持证据的链接，并在新观察到的学习行为出现时进行更新。
该工作流分为多个阶段：首先收集学习者的历史证据；随后基于 CAMM 框架生成解释和教学政策；最后将政策反馈给学习者并记录执行结果。
为系统化改进提供了 PairRoute 离线流程。PairRoute 通过分析中间执行记录，将错误区分为 harness（系统接入层）、model（模型层）和混合层三类，并针对 harness 提出针对性修正。随后对仍然存在的模型错误在已选 harness 下构建阶段级监督，以确保模型改进的可验证性。
本文重点在历史证据获取环节进行精细化改进，因为该环节是个性化教学的根基，能够让输出与学习记录和参考答案进行对照。实验表明，RegulaTutor 在历史证据准确性、学习者诊断以及教学质量评估上均优于基线配置。PairRoute 的实验结果显示，经过迭代后单模型的历史证据准确率显著提升。
这些结果表明，RegulaTutor 能够通过随学习者历史演进的教学策略以及针对性的系统改进，支持终身个性化教育。
点评