AITEE – Agentischer Tutor für Elektrotechnik

AITEE -- Agentic Tutor for Electrical Engineering

May 27, 2025

Autoren: Christopher Knievel, Alexander Bernhardt, Christian Bernhardt

cs.AI

Zusammenfassung

Intelligente Tutorensysteme in Kombination mit großen Sprachmodellen bieten einen vielversprechenden Ansatz, um die unterschiedlichen Bedürfnisse von Studierenden zu adressieren und selbstwirksames Lernen zu fördern. Obwohl große Sprachmodelle über ein gutes Grundlagenwissen in den Grundlagen der Elektrotechnik verfügen, sind sie noch nicht ausreichend in der Lage, spezifische Fragen zu elektrischen Schaltungen zu beantworten. In diesem Artikel stellen wir AITEE vor, ein agentenbasiertes Tutorensystem für die Elektrotechnik, das Studierende während ihres Lernprozesses begleitet, individuelle Unterstützung bietet und selbstgesteuertes Lernen fördert. AITEE unterstützt sowohl handgezeichnete als auch digitale Schaltungen durch einen angepassten Schaltungsrekonstruktionsprozess, was eine natürliche Interaktion mit den Studierenden ermöglicht. Unser neuartiges graphenbasiertes Ähnlichkeitsmaß identifiziert relevanten Kontext aus Vorlesungsmaterialien durch einen Retrieval-Augmented-Generation-Ansatz, während parallele Spice-Simulationen die Genauigkeit bei der Anwendung von Lösungsmethoden weiter verbessern. Das System implementiert einen sokratischen Dialog, um die Lernautonomie durch gezieltes Fragen zu fördern. Experimentelle Auswertungen zeigen, dass AITEE Baseline-Ansätze in der domänenspezifischen Wissensanwendung deutlich übertrifft, wobei selbst mittelgroße LLM-Modelle akzeptable Leistungen zeigen. Unsere Ergebnisse unterstreichen das Potenzial agentenbasierter Tutoren, skalierbare, personalisierte und effektive Lernumgebungen für die Elektrotechnikausbildung zu schaffen.

English

Intelligent tutoring systems combined with large language models offer a promising approach to address students' diverse needs and promote self-efficacious learning. While large language models possess good foundational knowledge of electrical engineering basics, they remain insufficiently capable of addressing specific questions about electrical circuits. In this paper, we present AITEE, an agent-based tutoring system for electrical engineering designed to accompany students throughout their learning process, offer individualized support, and promote self-directed learning. AITEE supports both hand-drawn and digital circuits through an adapted circuit reconstruction process, enabling natural interaction with students. Our novel graph-based similarity measure identifies relevant context from lecture materials through a retrieval augmented generation approach, while parallel Spice simulation further enhances accuracy in applying solution methodologies. The system implements a Socratic dialogue to foster learner autonomy through guided questioning. Experimental evaluations demonstrate that AITEE significantly outperforms baseline approaches in domain-specific knowledge application, with even medium-sized LLM models showing acceptable performance. Our results highlight the potential of agentic tutors to deliver scalable, personalized, and effective learning environments for electrical engineering education.