AITEE -- Agentic Tutor for Electrical Engineering

📄 arXiv: 2505.21582v1 📥 PDF

作者: Christopher Knievel, Alexander Bernhardt, Christian Bernhardt

分类: cs.CY, cs.AI, cs.HC

发布日期: 2025-05-27

备注: 12 pages, 11 figures, 6 tables

💡 一句话要点

提出AITEE以解决电气工程教育中的个性化学习问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 智能辅导系统 大型语言模型 电气工程 个性化学习 电路重建 Socratic对话 图基相似度 Spice仿真

📋 核心要点

  1. 现有的智能辅导系统在处理电气工程特定问题时能力不足，无法满足学生的个性化学习需求。
  2. AITEE通过结合大型语言模型和电路重建技术，提供个性化的学习支持，促进学生的自我导向学习。
  3. 实验结果显示，AITEE在领域特定知识应用上显著优于传统方法，提升幅度明显，尤其在中等规模模型中表现良好。

📝 摘要（中文）

智能辅导系统结合大型语言模型为满足学生多样化需求和促进自我效能学习提供了有前景的方法。尽管大型语言模型在电气工程基础知识方面表现良好，但在处理电路特定问题时仍显不足。本文提出的AITEE是一个基于代理的电气工程辅导系统，旨在伴随学生的学习过程，提供个性化支持并促进自我导向学习。AITEE支持手绘和数字电路，通过适应的电路重建过程实现与学生的自然互动。我们的新型图基相似度度量通过检索增强生成方法识别讲座材料中的相关上下文，同时并行的Spice仿真进一步提高了解决方法的准确性。实验评估表明，AITEE在领域特定知识应用方面显著优于基线方法，即使是中等规模的LLM模型也表现出可接受的性能。我们的结果突显了代理辅导员在电气工程教育中提供可扩展、个性化和有效学习环境的潜力。

🔬 方法详解

问题定义：本文旨在解决现有智能辅导系统在电气工程领域中对特定电路问题的处理能力不足，无法满足学生个性化学习的需求。

核心思路：AITEE通过结合大型语言模型与电路重建技术，提供个性化的学习支持，采用苏格拉底式对话促进学生的自主学习。

技术框架：AITEE的整体架构包括电路重建模块、图基相似度度量模块和Spice仿真模块，支持手绘和数字电路的交互。

关键创新：引入了图基相似度度量和检索增强生成方法，能够有效识别相关上下文，并通过并行Spice仿真提高解决方案的准确性。

关键设计：系统设计中采用了适应的电路重建过程，确保与学生的自然互动，同时在模型训练中使用了特定的损失函数以优化学习效果。

📊 实验亮点

实验结果表明，AITEE在领域特定知识应用方面显著优于基线方法，尤其在中等规模的LLM模型中表现出可接受的性能，提升幅度达到XX%（具体数据未知）。

🎯 应用场景

AITEE的潜在应用领域包括高等教育中的电气工程课程，能够为学生提供个性化的学习支持，帮助他们更好地理解复杂的电路概念。未来，该系统可扩展至其他工程学科，推动智能教育的发展。

📄 摘要（原文）

Intelligent tutoring systems combined with large language models offer a promising approach to address students' diverse needs and promote self-efficacious learning. While large language models possess good foundational knowledge of electrical engineering basics, they remain insufficiently capable of addressing specific questions about electrical circuits. In this paper, we present AITEE, an agent-based tutoring system for electrical engineering designed to accompany students throughout their learning process, offer individualized support, and promote self-directed learning. AITEE supports both hand-drawn and digital circuits through an adapted circuit reconstruction process, enabling natural interaction with students. Our novel graph-based similarity measure identifies relevant context from lecture materials through a retrieval augmented generation approach, while parallel Spice simulation further enhances accuracy in applying solution methodologies. The system implements a Socratic dialogue to foster learner autonomy through guided questioning. Experimental evaluations demonstrate that AITEE significantly outperforms baseline approaches in domain-specific knowledge application, with even medium-sized LLM models showing acceptable performance. Our results highlight the potential of agentic tutors to deliver scalable, personalized, and effective learning environments for electrical engineering education.