LectūraAgents: Un Marco Multiagente para el Aprendizaje Adaptativo Personalizado Asistido por IA y la Enseñanza Corporeizada

Resumen

El aprendizaje personalizado efectivo asistido por IA requiere sistemas que no solo puedan generar materiales educativos precisos y adaptados a cada estudiante, sino también ajustar dinámicamente su instrucción a diversos aprendices. Sin embargo, los agentes educativos existentes se han centrado principalmente en la automatización de contenidos de conferencias y en simulaciones, que a menudo no logran modelar métodos de enseñanza multimodales y corporeizados adaptados al individuo. Con este fin, proponemos LectūraAgents, un marco multiagente que permite el aprendizaje personalizado mediante enseñanza corporeizada adaptativa de extremo a extremo. En su núcleo, LectūraAgents refleja una relación profesor-estudiante, en la que un ProfesorAgente lidera un equipo colaborativo de agentes subordinados especializados a través de la investigación, planificación, revisión y entrega corporeizada de contenidos de clase que se adaptan a las necesidades del alumno. El marco ofrece tres contribuciones principales: (1) una arquitectura multiagente jerárquica para el aprendizaje personalizado de extremo a extremo; (2) un mecanismo de enseñanza corporeizada adaptativa, donde el ProfesorAgente ejecuta acciones de enseñanza visibles y pedagógicamente motivadas (por ejemplo, escribir a mano, resaltar, subrayar, etc.) sobre los contenidos en un entorno de enseñanza; y (3) un algoritmo de Alineación Acción-Habla en la Enseñanza (TASA) que emplea heurísticas basadas en prominencia y segmentación semántica temporal para generar secuencias coherentes de acciones de enseñanza alineadas con los perfiles de los aprendices. Evaluamos LectūraAgents en diversos cursos de niveles de secundaria, pregrado y posgrado utilizando análisis basados en rúbricas específicas de muestras; los materiales de clase generados y las acciones de enseñanza fueron evaluados y validados por educadores expertos. Los resultados experimentales muestran mejoras consistentes en la calidad del contenido de la clase, la calidad de la enseñanza corporeizada, la evaluación y la personalización en comparación con los enfoques existentes, posicionando a LectūraAgents como un marco pedagógicamente sólido para el aprendizaje personalizado a escala.

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.