LectūraAgents : Un cadre multi-agents pour l'apprentissage adaptatif personnalisé assisté par IA et l'enseignement incarné

Résumé

Un apprentissage efficace et personnalisé assisté par IA nécessite des systèmes capables non seulement de générer des contenus pédagogiques précis et adaptés à chaque apprenant, mais aussi d’adapter dynamiquement leur enseignement à des apprenants diversifiés. Cependant, les agents éducatifs existants se sont principalement concentrés sur l’automatisation du contenu des cours et les simulations, ce qui ne permet souvent pas de modéliser des méthodes pédagogiques multimodales et incarnées adaptées à l’apprenant individuel. À cette fin, nous proposons LectūraAgents – un cadre multi-agents qui permet un apprentissage personnalisé grâce à un enseignement incarné adaptatif de bout en bout. Au cœur de LectūraAgents se trouve une relation professeur-étudiant, dans laquelle un AgentProfesseur dirige une équipe collaborative d’agents subordonnés spécialisés à travers la recherche, la planification, la révision et la présentation incarnée de contenus de cours qui s’adaptent aux besoins de l’apprenant. Le cadre offre trois contributions principales : (1) une architecture hiérarchique multi-agents pour un apprentissage personnalisé de bout en bout ; (2) un mécanisme d’enseignement incarné adaptatif, dans lequel l’AgentProfesseur exécute des actions pédagogiques visibles et motivées pédagogiquement (par exemple, écrire à la main, surligner, souligner, etc.) sur le contenu dans un environnement d’enseignement ; et (3) un algorithme d’Alignement Action Parole d’Enseignement (TASA) qui utilise des heuristiques basées sur la saillance et une segmentation sémantique temporelle pour générer des séquences d’actions pédagogiques cohérentes alignées sur les profils des apprenants. Nous évaluons LectūraAgents sur divers cours de niveau lycée, licence et master à l’aide d’une analyse basée sur des grilles d’évaluation spécifiques à l’échantillon ; les supports de cours générés et les actions pédagogiques sont évalués et validés par des éducateurs experts. Les résultats expérimentaux montrent des gains constants en termes de qualité du contenu des cours, de qualité de l’enseignement incarné, d’évaluation et de personnalisation par rapport aux approches existantes, positionnant LectūraAgents comme un cadre pédagogiquement bien fondé pour un apprentissage personnalisé à grande échelle.

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.