文章总结与翻译一、主要内容本文针对大型语言模型（LLMs）在教育场景中从"答案提供者"向"智能导师"转型时存在的动态适应能力不足问题，提出了一种基于多轮交互式强化学习的单向认知优化（UCO）方法。核心背景与问题现有方法存在两大关键缺陷：一是仅以学生输出正确性作为教学效果评估标准，无法区分学生是真正理解还是机械复述；二是不能通过交互式对话实时感知学生认知状态演变，难以动态调整教学策略以匹配学生认知水平。核心方法UCO 采用多轮交互式强化学习范式，通过师生模型持续交互生成在线训练轨迹，核心创新在于设计了两个协同作用的奖励函数：进度奖励（Progress Reward）：基于信息论中的熵减过程，通过潜在能力得分（学生模型对正确答案的置信度）和语义质量得分（学生输出与正确答案的语义相似度），量化学生从困惑到理解的认知进阶；支架奖励（Scaffold Reward）：基于维果茨基的最近发展区（ZPD）理论，将教学行为按认知负荷分为五个层级（元认知提示、策略提示、概念提示、分步提示、示例演示提示），动态定位学生的最近发展区，鼓励教师在该区域内提供有效教学。通过分组相对策略优化（GRPO）算法更新教师模型策略，实现以认知为导向的自适应教学优化。实验结果在 BigMath 和 MathTutorBench 两大基准数据集上