A Scoping Review of Large Language Model-Based Pedagogical Agents

📄 arXiv: 2604.12253v1 📥 PDF

作者: Shan Li, Juan Zheng

分类: cs.AI

发布日期: 2026-04-14

💡 一句话要点

综述基于大型语言模型的教学代理以推动教育创新

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

关键词: 大型语言模型 教学代理 教育技术 自然语言处理 系统集成 互动设计 学习分析

📋 核心要点

  1. 现有的教学代理研究多集中于传统方法，缺乏对大型语言模型的应用探索，导致其在自然语言处理能力上的潜力未被充分利用。
  2. 本研究通过系统性综述分析，提出了基于LLM的教学代理设计维度，强调其在教育中的多样化应用和创新潜力。
  3. 研究结果表明，LLM教学代理在多个教育领域展现出良好的适应性和互动性，推动了教育环境的变革。

📝 摘要（中文）

本综述研究了基于大型语言模型（LLM）的教学代理在教育环境中的新兴领域。尽管传统教学代理已被广泛研究，但LLM的整合代表了自然语言理解、推理和适应能力的变革性进展。根据PRISMA-ScR指南，我们分析了2022年11月至2025年1月间的52项研究，涵盖K-12、高等教育和非正式学习等多个领域。研究发现，这些代理在互动方式、领域范围、角色复杂性和系统集成等四个关键设计维度上表现出多样性。新兴趋势包括多代理系统、虚拟学生模拟、与沉浸式技术的集成以及与学习分析的结合。同时，我们讨论了隐私、准确性和学生自主性等重要的研究空白和伦理考量。此综述为研究人员和实践者提供了对LLM教学代理的全面理解，并识别出该快速发展的领域中的关键发展方向。

🔬 方法详解

问题定义：本论文旨在解决传统教学代理在自然语言理解和适应能力上的不足，特别是在教育环境中如何有效利用大型语言模型的潜力。

核心思路：通过系统性综述分析现有文献，识别基于LLM的教学代理的设计维度和应用场景，推动教育技术的创新与发展。

技术框架：研究遵循PRISMA-ScR指南，分析了来自五个主要数据库的52项研究，涵盖了不同教育阶段和领域的LLM教学代理。主要模块包括文献筛选、数据提取和结果分析。

关键创新：论文的创新点在于提出了四个关键设计维度（互动方式、领域范围、角色复杂性和系统集成），为未来的研究和实践提供了新的视角和框架。

关键设计：在设计维度中，互动方式分为反应式和主动式，领域范围包括特定领域和通用型，角色复杂性涵盖单一角色和多角色，而系统集成则区分独立和集成系统。

📊 实验亮点

研究结果显示，基于LLM的教学代理在多个教育领域表现出显著的适应性和互动性，尤其是在模拟自然学习环境和虚拟学生评估方面，推动了教育方法的创新。

🎯 应用场景

该研究的潜在应用领域包括K-12教育、高等教育及非正式学习环境。基于LLM的教学代理能够提供个性化学习体验，促进学生的自主学习和互动，未来可能在教育技术中发挥重要作用。

📄 摘要（原文）

This scoping review examines the emerging field of Large Language Model (LLM)-based pedagogical agents in educational settings. While traditional pedagogical agents have been extensively studied, the integration of LLMs represents a transformative advancement with unprecedented capabilities in natural language understanding, reasoning, and adaptation. Following PRISMA-ScR guidelines, we analyzed 52 studies across five major databases from November 2022 to January 2025. Our findings reveal diverse LLM-based agents spanning K-12, higher education, and informal learning contexts across multiple subject domains. We identified four key design dimensions characterizing these agents: interaction approach (reactive vs. proactive), domain scope (domain-specific vs. general-purpose), role complexity (single-role vs. multi-role), and system integration (standalone vs. integrated). Emerging trends include multi-agent systems that simulate naturalistic learning environments, virtual student simulation for agent evaluation, integration with immersive technologies, and combinations with learning analytics. We also discuss significant research gaps and ethical considerations regarding privacy, accuracy, and student autonomy. This review provides researchers and practitioners with a comprehensive understanding of LLM-based pedagogical agents while identifying crucial areas for future development in this rapidly evolving field.