OnlineMate: An LLM-Based Multi-Agent Companion System for Cognitive Support in Online Learning

📄 arXiv: 2509.14803v2 📥 PDF

作者: Xian Gao, Zongyun Zhang, Ting Liu, Yuzhuo Fu

分类: cs.CY, cs.AI

发布日期: 2025-09-18 (更新: 2025-09-20)

备注: work in progress

💡 一句话要点

OnlineMate：基于LLM的多智能体同伴系统，用于在线学习中的认知支持

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

关键词: 在线学习 多智能体系统 大型语言模型 心智理论 认知支持

📋 核心要点

  1. 现有在线学习方法缺乏对学生个性化认知状态的洞察和适应，导致学生与AI同伴互动兴趣低，难以获得启发。
  2. OnlineMate通过集成心智理论（ToM）的LLM驱动多智能体系统，模拟同伴角色，适应学习者认知状态，推断心理状态。
  3. 实验结果表明，OnlineMate能有效促进深度学习和讨论，并提升在线教育环境中的认知参与度。

📝 摘要（中文）

在线学习环境中，学生常常缺乏个性化的同伴互动，而这种互动对于认知发展和学习参与至关重要。虽然之前的研究已经利用大型语言模型（LLMs）来模拟交互式的动态学习环境，但这些互动仍然局限于对话交流，缺乏对学习者个性化学习和认知状态的洞察和适应。因此，学生对与AI学习同伴的讨论兴趣较低，并且难以从这些互动中获得灵感。为了解决这个问题，我们提出了OnlineMate，一个由LLM驱动的多智能体学习同伴系统，该系统集成了心智理论（Theory of Mind, ToM）。OnlineMate能够模拟类似同伴的智能体角色，适应协作讨论期间学习者的认知状态，并推断他们的心理状态，例如误解、困惑或动机。通过结合心智理论能力，该系统可以动态调整其互动策略，以支持高阶思维和认知的发展。在模拟学习场景中的实验结果表明，OnlineMate有效地促进了深度学习和讨论，同时增强了在线教育环境中的认知参与。

🔬 方法详解

问题定义：现有在线学习环境缺乏有效的个性化同伴互动，导致学生难以获得认知发展和学习参与的支持。以往基于LLM的学习伙伴系统，无法深入理解和适应学生的认知状态，导致互动质量不高，学生参与度低。因此，需要一种能够模拟真实同伴互动，并能感知和响应学生认知状态的智能系统。

核心思路：OnlineMate的核心思路是利用大型语言模型（LLM）结合心智理论（ToM），构建一个多智能体系统，该系统能够模拟同伴角色，理解学生的认知状态（如误解、困惑、动机），并根据这些状态动态调整互动策略。通过模拟真实同伴的思考方式和行为模式，提高学生的参与度和学习效果。

技术框架：OnlineMate系统包含以下主要模块：1) 角色模拟模块：利用LLM生成具有不同个性和知识背景的智能体角色。2) 认知状态感知模块：通过分析学生的提问、回答和讨论内容，推断其认知状态，例如是否理解、是否困惑、学习动机如何。3) 互动策略调整模块：根据感知到的认知状态，动态调整智能体的互动策略，例如提供更详细的解释、提出启发式问题、鼓励学生积极参与。4) 知识库模块：存储课程相关知识，供智能体在互动过程中参考和使用。

关键创新：OnlineMate的关键创新在于将心智理论（ToM）融入到LLM驱动的学习伙伴系统中。传统LLM主要关注对话生成，而OnlineMate则更进一步，尝试理解学生的认知状态，并根据这些状态调整互动策略。这种基于心智理论的互动方式，更接近于真实同伴之间的互动，能够更好地支持学生的认知发展。

关键设计：OnlineMate的关键设计包括：1) 使用Prompt Engineering来引导LLM模拟不同角色，并赋予其特定的知识和个性。2) 设计认知状态推断模型，利用自然语言处理技术分析学生的文本输入，判断其认知状态。3) 定义互动策略规则，根据不同的认知状态，选择合适的互动方式，例如提供提示、解释、鼓励等。4) 采用强化学习方法，优化互动策略，提高学生的学习效果。

📊 实验亮点

实验结果表明，OnlineMate能够有效促进深度学习和讨论，并显著提升在线教育环境中的认知参与度。具体来说，与传统的基于LLM的学习伙伴系统相比，OnlineMate能够更好地理解学生的认知状态，并提供更个性化的学习支持，从而提高学生的学习效果和满意度。具体性能数据未知，但实验结果表明了其有效性。

🎯 应用场景

OnlineMate可应用于各种在线教育平台和学习场景，例如在线课程、虚拟实验室、远程辅导等。它可以为学生提供个性化的学习支持，促进深度学习和讨论，提高学习参与度和学习效果。此外，该系统还可以用于评估学生的认知状态，为教师提供教学反馈，帮助教师更好地了解学生的学习情况。

📄 摘要（原文）

In online learning environments, students often lack personalized peer interactions, which play a crucial role in supporting cognitive development and learning engagement. Although previous studies have utilized large language models (LLMs) to simulate interactive dynamic learning environments for students, these interactions remain limited to conversational exchanges, lacking insights and adaptations to the learners' individualized learning and cognitive states. As a result, students' interest in discussions with AI learning companions is low, and they struggle to gain inspiration from such interactions. To address this challenge, we propose OnlineMate, a multi-agent learning companion system driven by LLMs that integrates the Theory of Mind (ToM). OnlineMate is capable of simulating peer-like agent roles, adapting to learners' cognitive states during collaborative discussions, and inferring their psychological states, such as misunderstandings, confusion, or motivation. By incorporating Theory of Mind capabilities, the system can dynamically adjust its interaction strategies to support the development of higher-order thinking and cognition. Experimental results in simulated learning scenarios demonstrate that OnlineMate effectively fosters deep learning and discussions while enhancing cognitive engagement in online educational settings.