LectūraAgents: Um Framework Multiagente para Aprendizagem Adaptativa Personalizada Assistida por IA e Ensino Incorporado

Resumo

A aprendizagem eficaz e personalizada assistida por IA exige sistemas que não apenas gerem materiais educacionais precisos e específicos para cada aluno, mas também adaptem dinamicamente sua instrução a diferentes aprendizes. No entanto, os agentes educacionais existentes têm se concentrado principalmente na automação de conteúdos de palestras e simulações, que muitas vezes não conseguem modelar métodos de ensino multimodais e incorporados, adaptados ao aprendiz individual. Para isso, propomos o LectūraAgents — uma estrutura multiagente que possibilita aprendizado personalizado por meio de ensino incorporado adaptativo de ponta a ponta. Em seu núcleo, o LectūraAgents reflete uma relação professor-aluno, na qual um ProfessorAgente lidera uma equipe colaborativa de agentes subordinados especializados em pesquisa, planejamento, revisão e entrega incorporada de conteúdos de aula que se adaptam às necessidades do aprendiz. A estrutura oferece três contribuições principais: (1) uma arquitetura multiagente hierárquica para aprendizado personalizado de ponta a ponta; (2) um mecanismo de ensino incorporado adaptativo, no qual o ProfessorAgente executa ações de ensino visíveis e pedagogicamente motivadas (por exemplo, escrever à mão, destacar, sublinhar, etc.) sobre conteúdos em um ambiente de ensino; e (3) um algoritmo de Alinhamento Ação-Fala no Ensino (TASA — Teaching Action-Speech Alignment) que emprega heurísticas baseadas em saliência e segmentação semântica temporal para gerar sequências coerentes de ações de ensino alinhadas aos perfis dos aprendizes. Avaliamos o LectūraAgents em diversos cursos de nível médio, graduação e pós-graduação, utilizando análise baseada em rubricas específicas de amostras, com materiais de aula gerados e ações de ensino avaliados e validados por educadores especialistas. Os resultados experimentais mostram ganhos consistentes na qualidade do conteúdo das aulas, na qualidade do ensino incorporado, na avaliação e na personalização em relação às abordagens existentes, posicionando o LectūraAgents como uma estrutura pedagogicamente fundamentada para aprendizado personalizado em larga 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.