AITEE — Tuteur Agentique pour le Génie Électrique

AITEE -- Agentic Tutor for Electrical Engineering

May 27, 2025

Auteurs: Christopher Knievel, Alexander Bernhardt, Christian Bernhardt

cs.AI

Résumé

Les systèmes de tutorat intelligents combinés à des modèles de langage de grande taille offrent une approche prometteuse pour répondre aux besoins divers des étudiants et promouvoir un apprentissage auto-efficace. Bien que les modèles de langage de grande taille possèdent une bonne connaissance de base en génie électrique, ils restent insuffisamment capables de répondre à des questions spécifiques sur les circuits électriques. Dans cet article, nous présentons AITEE, un système de tutorat basé sur des agents pour le génie électrique, conçu pour accompagner les étudiants tout au long de leur processus d'apprentissage, offrir un soutien individualisé et promouvoir l'apprentissage autonome. AITEE prend en charge les circuits dessinés à la main et numériques grâce à un processus de reconstruction de circuit adapté, permettant une interaction naturelle avec les étudiants. Notre nouvelle mesure de similarité basée sur les graphes identifie le contexte pertinent à partir des supports de cours grâce à une approche de génération augmentée par récupération, tandis qu'une simulation Spice parallèle améliore encore la précision dans l'application des méthodologies de résolution. Le système met en œuvre un dialogue socratique pour favoriser l'autonomie de l'apprenant à travers des questions guidées. Les évaluations expérimentales démontrent qu'AITEE surpasse significativement les approches de référence dans l'application des connaissances spécifiques au domaine, avec même des modèles de langage de taille moyenne montrant des performances acceptables. Nos résultats mettent en lumière le potentiel des tuteurs agentiques pour fournir des environnements d'apprentissage évolutifs, personnalisés et efficaces pour l'éducation en génie électrique.

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.