LectūraAgents: Ein Multi-Agenten-Framework für adaptives personalisiertes KI-gestütztes Lernen und verkörpertes Lehren

Zusammenfassung

Effektives personalisiertes KI-gestütztes Lernen erfordert Systeme, die nicht nur lernerspezifische Lehrmaterialien präzise erstellen, sondern ihren Unterricht auch dynamisch an unterschiedliche Lernende anpassen können. Bisherige Bildungsagenten konzentrieren sich jedoch vor allem auf die Automatisierung von Vorlesungsinhalten und Simulationen, die oft nicht ausreichen, um multimodale und verkörperte Instruktionsmethoden abzubilden, die auf den einzelnen Lernenden zugeschnitten sind. Zu diesem Zweck schlagen wir LectūraAgents vor – ein Multi-Agenten-Framework, das personalisiertes Lernen durch adaptive verkörperte Lehre von Anfang bis Ende ermöglicht. Im Kern spiegelt LectūraAgents eine Professor-Studenten-Beziehung wider, bei der ein ProfessorAgent ein kollaboratives Team spezialisierter untergeordneter Agenten durch Recherche, Planung, Überprüfung und verkörperte Vermittlung von Vorlesungsinhalten führt, die sich an die Bedürfnisse eines Lernenden anpassen. Das Framework bietet drei Hauptbeiträge: (1) eine hierarchische Multi-Agenten-Architektur für durchgängiges personalisiertes Lernen; (2) einen adaptiven verkörperten Lehmechanismus, bei dem der ProfessorAgent sichtbare und pädagogisch motivierte Lehraktionen (z. B. handschriftliches Schreiben, Hervorheben, Unterstreichen usw.) in einer Lehrumgebung ausführt; und (3) einen Teaching Action-Speech Alignment (TASA)-Algorithmus, der salienzbasierte Heuristiken und temporale semantische Segmentierung nutzt, um kohärente Sequenzen von Lehraktionen zu generieren, die auf Lernprofile abgestimmt sind. Wir evaluieren LectūraAgents anhand verschiedener Kurse auf Oberstufen-, Bachelor- und Masterniveau mittels stichprobenbasierter Rubrikanalyse; die erstellten Vorlesungsmaterialien und Lehraktionen werden von erfahrenen Pädagogen bewertet und validiert. Die experimentellen Ergebnisse zeigen durchweg Verbesserungen der Vorlesungsinhaltsqualität, der verkörperten Lehrqualität, der Bewertung und der Personalisierung im Vergleich zu bestehenden Ansätzen und positionieren LectūraAgents als pädagogisch fundiertes Framework für personalisiertes Lernen in großem Maßstab.

English

Effective personalized AI-assisted learning demands systems that can not only generate accurate learner-specific educational materials, but also dynamically adapt their instruction to diverse learners. However, existing educational agents have primarily focused on lecture content automation and simulations, which often fall short of modelling multimodal and embodied instructional methods tailored for the individual learner. To this end, we propose LectūraAgents - a multi-agent framework that enables personalized learning through end-to-end adaptive embodied teaching. At its core, LectūraAgents mirrors a professor-student relationship, in which a ProfessorAgent leads a collaborative team of specialized subordinate agents through research, planning, review, and embodied delivery of lecture contents that adapt to a learner's needs. The framework offers three main contributions: (1) a hierarchical multi-agent architecture for end-to-end personalized learning; (2) an adaptive embodied teaching mechanism, wherein the ProfessorAgent executes visible and pedagogically motivated teaching actions (e.g., handwrite, highlight, underline, etc.) over contents in a teaching environment; and (3) a Teaching Action-Speech Alignment (TASA) algorithm that employs salience-based heuristics and temporal semantic segmentation to generate coherent teaching action sequences aligned with learner profiles. We evaluate LectūraAgents on diverse courses at high school, undergraduate, and graduate levels using sample-specific rubric-based analysis; with generated lecture materials and teaching actions assessed and validated by expert educators. Experimental results show consistent gains in lecture content quality, embodied teaching quality, assessment, and personalization over existing approaches, positioning LectūraAgents as a pedagogically well-grounded framework for personalized learning at scale.