摘要
本文是对在 ICAART 2026 会议上提出的 LEA（学习参与助手）论文的扩展，介绍了一种结合课程特定的检索增强生成（RAG）与结构化知识组件（KC）模型的自适应 AI 辅导代理，涵盖集成的聊天、辅导和测验模式。此前的工作仅通过模拟验证了 LEA 在单一 STEM 课程（CMP511）中的有效性，使用合成学习者代理进行测试。
本论文扩展了这一研究，首次报告了 LEA 在真实学生（n = 8, CMP511）中的课堂部署，以及其跨课程可扩展性的首次实证测试，系统部署跨越了两个学术层次和两个学科领域。研究结果显示，在不同模式下，模拟预测与真实部署之间存在显著差异，表明仅依靠合成评估无法预见所有真实部署的方面。
采用基于 RAGAS 的跨课程可扩展性评估（660 个问题）发现，答案相关性和上下文精确度在不同课程之间相对稳定（分别为 0.88-0.94 和 0.88-0.90），而随着课程距离的增加，忠实度则下降（从 0.69 降至 0.50），这一初步发现可能反映了生成逻辑与系统原始主题的调优，而非可扩展性限制。这些发现表明，尽管编排层无需修改，但所有下游组件的完全课程无关性仍需进一步研究。
博主点评： LEA 的研究在教育技术领域展现了新的可能性，尤其是通过真实课堂验证其可扩展性。研究结果中的忠实度下降提示我们，AI 辅导系统在多课程环境中的应用仍需细致调整，以确保其在不同学科间的有效性和适应性。对于教育工作者来说，这一发现提供了重要的实证依据，表明了 AI 教学工具在实际应用中的复杂性。