Key points are not available for this paper at this time.
다중 에이전트 대형 언어 모델은 개인화된 교육 콘텐츠를 제공하기 위한 유연하고 모듈화된 아키텍처를 약속합니다. 중학생(n = 23)을 대상으로 한 파일럿 무작위 대조 시험을 바탕으로, 우리는 프로파일러 에이전트가 학습자의 특정 선호도를 추론하고 리라이트 에이전트가 명시적인 메시지 전달 프로토콜을 통해 과학 구문을 동적으로 조정하는 두 에이전트 GPT-4 프레임워크를 소개합니다. 우리는 실시간 콘텐츠 적응을 가능하게 하기 위해 에이전트 간 통신 스키마로서 구조화된 시스템 및 사용자 프롬프트를 구현합니다. 순위 로지스틱 회귀 분석 결과는 학생들이 자신의 프로필에 맞는 텍스트를 더 선호할 가능성이 있음을 암시하며, 다중 에이전트 시스템 주도 개인화의 실행 가능성을 보여주고 이 파일럿 연구를 기반으로 추가 작업의 필요성을 강조합니다. 경험적 검증을 넘어, 우리는 에이전트 역할, 통신 인터페이스 및 확장성 고려사항을 자세히 설명하는 모듈형 다중 에이전트 아키텍처를 제시합니다. 우리는 디자인 모범 사례, 윤리적 안전 장치 및 K-12 환경에서 피드백 분석 에이전트와 같은 협업 에이전트 네트워크로 이 프레임워크를 확장할 수 있는 경로에 대해 논의합니다. 이러한 결과는 개인화된 학습을 위한 다중 에이전트 LLM 시스템에 대한 우리의 이론적 및 응용 이해를 발전시킵니다.
Vaccaro et al. (Sun,)는 이 질문을 연구했습니다.