LectūraAgents: Мультиагентная структура для адаптивного персонализированного ИИ-ассистированного обучения и воплощенного преподавания

Аннотация

Эффективное персонализированное обучение с поддержкой ИИ требует систем, способных не только генерировать точные учебные материалы, адаптированные к конкретному обучающемуся, но и динамически адаптировать свои инструкции к различным учащимся. Однако существующие образовательные агенты в основном сосредоточены на автоматизации лекционного контента и симуляциях, что часто не позволяет моделировать мультимодальные и воплощенные методы обучения, адаптированные к индивидуальному обучающемуся. Для решения этой проблемы мы предлагаем LectūraAgents — многоагентную структуру, обеспечивающую персонализированное обучение за счет сквозного адаптивного воплощенного преподавания. В основе LectūraAgents лежит отношение «профессор–студент», в котором ProfessorAgent руководит коллаборативной командой специализированных подчиненных агентов, осуществляя исследование, планирование, проверку и воплощенное представление лекционных материалов, адаптированных к потребностям обучающегося. Структура предлагает три основных вклада: (1) иерархическая многоагентная архитектура для сквозного персонализированного обучения; (2) механизм адаптивного воплощенного преподавания, в котором ProfessorAgent выполняет видимые и педагогически обоснованные обучающие действия (например, запись от руки, подсветка, подчеркивание и т.д.) с контентом в учебной среде; и (3) алгоритм согласования речевых и обучающих действий (TASA), использующий эвристики на основе значимости и временную семантическую сегментацию для генерации последовательностей обучающих действий, согласованных с профилем обучающегося. Мы оценили LectūraAgents на различных курсах уровней старшей школы, бакалавриата и магистратуры с использованием образно-ориентированного рубричного анализа; сгенерированные лекционные материалы и обучающие действия были оценены и валидированы экспертами-педагогами. Экспериментальные результаты демонстрируют устойчивое улучшение качества лекционного контента, качества воплощенного преподавания, оценки и персонализации по сравнению с существующими подходами, что позиционирует LectūraAgents как педагогически обоснованную структуру для масштабного персонализированного обучения.

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.