LectūraAgents: 적응형 개인 맞춤형 AI 기반 학습 및 구체화된 교수법을 위한 다중 에이전트 프레임워크

LectūraAgents: A Multi-Agent Framework for Adaptive Personalized AI-Assisted Learning and Embodied Teaching

효과적인 개인 맞춤형 AI 기반 학습은 정확한 학습자별 교육 자료를 생성할 뿐만 아니라, 다양한 학습자에 맞춰 교육 방식을 동적으로 조정할 수 있는 시스템을 요구합니다. 그러나 기존의 교육 에이전트는 주로 강의 내용 자동화 및 시뮬레이션에 초점을 두었으며, 이는 종종 개별 학습자를 위한 다중 모달 및 구체화된 교수법을 모델링하는 데 한계가 있습니다. 이에, 우리는 개인 맞춤형 학습을 가능하게 하는 엔드투엔드 적응형 구체화된 교수법 프레임워크인 LectūraAgents를 제안합니다. LectūraAgents는 핵심적으로 교수자와 학생 간의 관계를 반영하며, ProfessorAgent가 연구, 계획, 검토 및 강의 내용의 구체화된 전달을 통해 전문적인 하위 에이전트 팀과 협력하여 학습자의 요구에 맞춰 내용을 조정합니다. 이 프레임워크는 다음과 같은 세 가지 주요 기여를 제공합니다: (1) 엔드투엔드 개인 맞춤형 학습을 위한 계층적 다중 에이전트 아키텍처; (2) ProfessorAgent가 교육적으로 동기 부여된 가시적인 교수 활동(예: 필기, 강조 표시, 밑줄 등)을 교육 환경에서 콘텐츠에 수행하는 적응형 구체화된 교수 메커니즘; (3) 학습자 프로필과 일관성 있는 교수 활동 시퀀스를 생성하기 위해 중요도 기반 휴리스틱 및 시간적 의미론적 분할을 사용하는 Teaching Action-Speech Alignment (TASA) 알고리즘. 우리는 LectūraAgents를 고등학교, 학부 및 대학원 수준의 다양한 과목에서 샘플별 척도 기반 분석을 사용하여 평가했으며, 생성된 강의 자료 및 교수 활동은 전문가 교육자가 평가하고 검증했습니다. 실험 결과는 기존 방식에 비해 강의 내용 품질, 구체화된 교수 품질, 평가 및 개인 맞춤형 학습 측면에서 일관된 개선 효과를 보여주며, LectūraAgents는 대규모 개인 맞춤형 학습을 위한 교육적으로 견고한 프레임워크로 자리매김할 수 있음을 시사합니다.

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.