AITEE -- Agentische Tutor voor Elektrotechniek

Samenvatting

Intelligente tutoringsystemen gecombineerd met grote taalmodellen bieden een veelbelovende aanpak om aan de diverse behoeften van studenten te voldoen en zelfeffectief leren te bevorderen. Hoewel grote taalmodellen over een goede basiskennis van elektrotechniek beschikken, zijn ze nog onvoldoende in staat om specifieke vragen over elektrische circuits te beantwoorden. In dit artikel presenteren we AITEE, een agentgebaseerd tutoringsysteem voor elektrotechniek dat is ontworpen om studenten gedurende hun leerproces te begeleiden, individuele ondersteuning te bieden en zelfgestuurd leren te stimuleren. AITEE ondersteunt zowel handgetekende als digitale circuits via een aangepast reconstructieproces van circuits, waardoor natuurlijke interactie met studenten mogelijk wordt. Onze nieuwe op grafen gebaseerde gelijkenismaat identificeert relevante context uit lesmaterialen via een retrieval augmented generation-benadering, terwijl parallelle Spice-simulatie de nauwkeurigheid bij het toepassen van oplossingsmethodologieën verder verbetert. Het systeem implementeert een Socratische dialoog om leerautonomie te bevorderen door middel van begeleidende vragen. Experimentele evaluaties tonen aan dat AITEE baseline-benaderingen significant overtreft in het toepassen van domeinspecifieke kennis, waarbij zelfs middelgrote LLM-modellen acceptabele prestaties laten zien. Onze resultaten benadrukken het potentieel van agentgebaseerde tutors om schaalbare, gepersonaliseerde en effectieve leeromgevingen te bieden voor elektrotechniekonderwijs.

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.

AITEE -- Agentische Tutor voor Elektrotechniek

AITEE -- Agentic Tutor for Electrical Engineering

Samenvatting

Support