절차적 기술 학습에서, 설명은 단계뿐만 아니라 그 뒤에 있는 인과적, 목표 지향적, 구성적 논리를 전달해야 한다. 대규모 언어 모델(LLM)은 종종 유창하지만 얕은 응답을 생성하여 이러한 구조를 놓친다. 본 논문은 TMK(Task-Method-Knowledge) 모델과 생성적 해석 레이어(TMK 구조에 의해 제약되면서 설명을 구성하는 LLM)를 결합하여 구조화된 다단계 설명을 제공하는 AI 코칭 시스템인 Ivy를 제시한다. TMK는 인과적 전환, 목표 계층, 문제 분해를 인코딩하고, 명시적인 구조적 경계 내에서 LLM을 안내한다. 세 가지 추론 차원에서 전문가와 독립적인 주석을 사용하여 GPT 및 검색 증강 GPT 기준선에 대한 Ivy 응답을 평가했다. 결과에 따르면, 기호적 제약 조건이 "어떻게" 및 "왜" 질문에 대한 설명의 구조적 품질을 일관되게 향상시키는 것으로 나타났다. 본 연구는 지능형 코칭 시스템에서 AI가 생성한 설명의 교육적 가치를 강화하는 확장 가능한 AI for 교육 접근 방식을 보여준다.
