经由LLM的多智能体学习路径规划

将大语言模型（LLM）集成到智能辅导系统中，为高等教育个性化学习带来了变革性潜力。然而，大多数现有学习路径规划方法缺乏透明性、适应性和以学习者为中心的可解释性。为应对这些挑战，本研究提出了一种新颖的多智能体学习路径规划（MALPP）框架，它利用基于角色和规则的智能体协作机制，每个智能体由LLM驱动。该框架包括三个面向任务的智能体：学习者分析智能体、路径规划智能体和反思智能体。这些智能体通过结构化提示词和预定义规则协作，分析学习者画像、生成量身定制的学习路径，并通过可解释的反馈进行迭代完善。该系统以认知负荷理论和最近发展区理论为基础，确保推荐的路径在认知上对齐且具有教学意义。在MOOCCubeX数据集上使用七个LLM进行的实验表明，MALPP在路径质量、知识序列一致性和认知负荷对齐方面显著优于基线模型。消融研究进一步验证了协作机制和理论约束的有效性。本研究为可信、可解释的教育AI发展做出贡献，并展示了由LLM驱动的以学习者为中心的自适应教学的可扩展路径。