AgentSchool: 교육을 위한 LLM 기반 다중 에이전트 시뮬레이션

AgentSchool: An LLM-Powered Multi-Agent Simulation for Education

LLM(대규모 언어 모델)이 교실에 빠르게 도입되고 있지만, 교육 AI의 효과를 검증하는 것은 여전히 매우 어렵습니다. 개입은 발달 단계에 있는 학습자에게 영향을 미치며, 이들의 인지적 및 사회적 발전 과정은 되돌릴 수 없습니다. 또한 실제 환경에서의 실험은 시간이 오래 걸리고 윤리적인 제약이 있으며, 기관의 규제에도 묶여 있습니다. LLM 기반 교육 시뮬레이터는 잠재적인 해결책으로 등장했지만, 많은 시뮬레이터가 학습을 단순화된 역할극 형태로 구현하거나, 기존 교실 환경을 재현하는 데만 집중하여 교육 개혁에 필요한 혁신적인 측면을 구조적으로 저해할 수 있습니다. 본 연구에서는 AgentSchool이라는 LLM 기반 다중 에이전트 시뮬레이터를 소개합니다. AgentSchool은 학습을 단순히 프롬프트에 따른 행동으로 표현하는 것이 아니라, 상태 변화(state transition)로 모델링합니다. AgentSchool은 가중치가 부여된 지식 그래프, 사고 워크플로우 풀, 명확한 오개념을 갖춘 인지적으로 성장 가능한 학생 에이전트와, 학습 영역(Zone of Proximal Development)에 맞춰 계획하고, 안내하며, 성찰하는 적응형 교사 에이전트를 결합합니다. 또한, 구성 가능한 환경 생성기를 통해 формальный (formal) 및 비формальный (informal) 학습 환경을 구축하고, 상호 작용 규모, 시간 분해능, 시뮬레이션 기간을 분리하는 다중 스케일 시뮬레이터를 사용합니다. 실험 결과, 구조화된 학생 에이전트는 기준 시뮬레이터보다 더 세분화된 숙달 및 오개념 추적 결과를 생성하며, 교사 에이전트 비교에서는 ZPD(최근 발달 영역) 기반 적응과 일관된 패턴을 보입니다. 또한, AgentSchool은 교실 사회 이론과 부합하는 주변 참여, 집단 형성, 공격으로 인한 결속, 의견 주도자 등장 등의 현실적인 추적 결과를 생성합니다. 교육 연구 도구로서의 역할 외에도, AgentSchool은 장기 기억, 다중 에이전트 조정, 조직 압력 하에서의 미래 기관 논리 등을 테스트하기 위한 사회적으로 의미 있는 플랫폼을 제공합니다.

Despite the rapid deployment of LLMs into classrooms, validating educational AI remains uniquely intractable: interventions act on developing learners whose cognitive and social trajectories are irreversibly shaped, while real-world trials are slow, ethically constrained, and institutionally locked. LLM-based educational simulators have emerged as a potential remedy, but many still collapse learning into persona-conditioned role-play and, when optimized only to reproduce existing classrooms, can structurally penalize the institutional novelty that pedagogical reform requires. In this work, we introduce AgentSchool, an LLM-driven multi-agent simulator that models learning as state transition rather than prompted behavior. AgentSchool couples cognitively growable student agents -- equipped with weighted subject knowledge graphs, thinking-workflow pools, and explicit misconceptions -- with adaptive teacher agents that plan, scaffold, and reflect along the Zone of Proximal Development, embedded in a configurable scenery generator that situates instruction within both formal and informal learning fields, and a multi-scale simulator that decouples interaction scale, temporal granularity, and simulation duration. Experiments show that structured student agents produce more differentiated mastery and misconception traces than a baseline simulator, while teacher-agent comparisons show backbone-dependent patterns consistent with ZPD-informed adaptation. Further, AgentSchool generates plausible traces of peripheral participation, clique formation, aggressor-induced cohesion, and opinion-leader emergence consistent with classroom social theories. Beyond its role as an educational research instrument, AgentSchool frames education as a socially meaningful testbed for long-horizon memory, multi-agent coordination, and future institutional reasoning under organizational pressure.