摘要
数学图示在 K-12 教育中扮演着至关重要的角色，既是问题组成部分，也是学生理解的支架。然而，当前的 AI 工具，包括大型语言模型（LLMs），在可靠生成准确且具有教育意义的视觉图示方面表现不佳，即使提供了详细的描述。因此，在中学数学的图示可靠生成上仍存在显著的空白。
为了解决这一问题，我们引入了一种代理工作流，使 LLM 代理能够评估生成视觉图示的质量，并利用此反馈迭代改进输出。这个自我改进循环旨在提高 AI 生成图示的准确性和教育适宜性。
我们的研究探讨了两个问题。首先，LLMs 能否根据特定的视觉质量标准准确生成质量保障问题？其次，在给定有效的质量保障问题的情况下，视觉语言模型能否有效评估生成的 K-12 视觉辅助工具，并利用结果反馈进行迭代改进？
我们对代理工作流进行了探索性评估，识别出改进的关键领域，包括更强的空间推理能力和在生成的质量保障问题中更全面覆盖图示特征。我们的结果提供了初步证据，表明这种方法能够提高 AI 生成数学图示的可靠性和教育价值。
博主点评： 本文提出的代理工作流为 AI 在教育领域的应用提供了新的视角，尤其是在生成数学图示方面。通过自我反馈机制，LLM 不仅能生成图示，还能持续改进，这为未来的教育技术应用奠定了基础。关键在于如何进一步增强模型的空间推理能力，以满足教育的实际需求。