LectūraAgents: een multi-agentframework voor adaptief gepersonaliseerd AI-ondersteund leren en belichaamd onderwijs

Samenvatting

Effectief gepersonaliseerd AI-ondersteund leren vereist systemen die niet alleen nauwkeurige, lerende-specifieke educatieve materialen kunnen genereren, maar ook hun instructie dynamisch kunnen aanpassen aan diverse lerenden. Echter, bestaande educatieve agenten hebben zich voornamelijk gericht op automatisering van college-inhoud en simulaties, die vaak tekortschieten in het modelleren van multimodale en belichaamde instructiemethoden die zijn afgestemd op de individuele lerende. Daartoe stellen we LectūraAgents voor – een multi-agentraamwerk dat gepersonaliseerd leren mogelijk maakt door end-to-end adaptief belichaamd onderwijs. In de kern weerspiegelt LectūraAgents een professor-studentrelatie, waarin een ProfessorAgent een samenwerkend team van gespecialiseerde ondergeschikte agenten leidt bij onderzoek, planning, beoordeling en belichaamde overdracht van college-inhouden die zich aanpassen aan de behoeften van een lerende. Het raamwerk biedt drie hoofdcontributies: (1) een hiërarchische multi-agentarchitectuur voor end-to-end gepersonaliseerd leren; (2) een adaptief belichaamd onderwijsmeganisme, waarin de ProfessorAgent zichtbare en pedagogisch gemotiveerde onderwijshandelingen uitvoert (bijv. handschrift, markeren, onderstrepen, etc.) over inhouden in een onderwijsomgeving; en (3) een Teaching Action-Speech Alignment (TASA)-algoritme dat gebruikmaakt van salientie-gebaseerde heuristieken en temporele semantische segmentatie om coherente reeksen van onderwijshandelingen te genereren die zijn afgestemd op lerendenprofielen. We evalueren LectūraAgents op diverse cursussen op middelbare school-, bachelor- en masterniveau met behulp van steekproefspecifieke rubric-gebaseerde analyse; waarbij gegenereerd collegemateriaal en onderwijshandelingen worden beoordeeld en gevalideerd door deskundige docenten. Experimentele resultaten tonen consistente verbeteringen in de kwaliteit van college-inhoud, belichaamde onderwijskwaliteit, beoordeling en personalisatie ten opzichte van bestaande benaderingen, wat LectūraAgents positioneert als een pedagogisch goed gefundeerd raamwerk voor grootschalig gepersonaliseerd leren.

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.