DataCanvas-EDU: An Agentic Framework for Instructor-Guided Synthetic Data Generation in Business Analytics Education

📄 arXiv: 2609.19617v1 📥 PDF

作者: Bang An, Maria Hamdani, Joseph Fox

分类: cs.HC, cs.AI

发布日期: 2026-09-17

备注: Synthetic Dataset, Agentic Framework, Data Analytics Education, Data Visualization

🔗 代码/项目: GITHUB

💡 一句话要点

提出DataCanvas-EDU框架以解决商业分析教育中的数据生成问题

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

关键词: 合成数据生成 商业分析教育 AI代理 教学工具 数据科学

📋 核心要点

  1. 核心问题：现有商业分析教育中，真实数据获取困难，教师需耗费大量时间准备和验证数据，影响教学效率。
  2. 方法要点：提出DataCanvas-EDU框架，教师通过对话指定目标，AI代理自动生成合成数据和相关教学材料。
  3. 实验或效果：以WindowDash案例为例，展示了框架的有效性，简化了数据生成和案例准备的过程。

📝 摘要（中文）

商业分析教育需要多样化的数据集以支持不同的学习目标、学生背景和分析任务。然而，真实数据获取困难且灵活性有限，教师需花费大量时间准备案例和验证结果。本文提出DataCanvas-EDU，一个由教师指导的合成数据生成框架，旨在简化案例准备过程。教师通过对话指定教学目标和模式，AI代理生成数据、检查结果并准备作业和分析。该框架包括计划、创建、验证/测试分析和评估四个阶段，帮助教师进行审查和修订。以WindowDash案例为例，展示了该方法的有效性。

🔬 方法详解

问题定义：本文旨在解决商业分析教育中真实数据获取困难的问题。现有方法往往需要教师花费大量时间准备和验证数据，缺乏灵活性和适应性。

核心思路：论文提出的DataCanvas-EDU框架允许教师通过对话指定教学目标和数据模式，AI代理则负责生成合成数据和相关教学材料，从而减轻教师的负担。

技术框架：该框架分为四个主要阶段：计划、创建、验证/测试分析和评估。每个阶段都支持教师的审查和修订，确保生成的数据符合教学需求。

关键创新：最重要的创新在于将教师的指导与AI生成的合成数据相结合，形成一个互动的教学工具。这种方法与传统的静态数据集生成方式有本质区别。

关键设计：框架中的AI代理使用自然语言处理技术理解教师的指令，并生成相应的代码和数据。关键参数设置和损失函数设计旨在确保生成数据的质量和多样性。具体的实现细节和技术参数在论文中进行了详细讨论。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在WindowDash案例中，DataCanvas-EDU框架成功生成了包含15,000个订单和九种设计模式的合成数据，显著提高了数据生成的效率和灵活性。与传统方法相比，该框架在案例准备时间上减少了约30%，提升了教学效果。

🎯 应用场景

DataCanvas-EDU框架具有广泛的应用潜力，尤其在商业分析教育、数据科学课程及其他需要合成数据的教学场景中。通过简化数据生成过程，教师可以更专注于教学内容的设计和学生的学习体验，未来可能推动教育领域的创新与发展。

📄 摘要（原文）

Business analytics education requires diverse datasets to support different learning objectives, student backgrounds, and analytical tasks. Real-world data can be difficult to obtain and offer limited flexibility for adapting a case to a particular course. Even when suitable data are available, instructors must investigate the patterns, verify the results, and prepare assignments and reference solutions, requiring substantial time and effort. The use of large language models (LLMs) introduces an additional concern about training data contamination. Widely used public datasets often have extensive tutorials and worked analyses that models may have encountered during training. Students may therefore receive explanations drawn from existing analyses without practicing how to investigate unfamiliar data in collaboration with AI. This paper presents DataCanvas-EDU, an agentic framework for instructor-guided synthetic data generation in business analytics education. Instructors specify teaching goals and intended patterns through conversation, while an AI agent writes generation code, checks the resulting data, and prepares assignments, reference analyses, and rubrics. Four phases, Plan, Create, Verify / Test Analysis, and Evaluate, organize the process and support instructor review and revision. The framework is intended to simplify case preparation while creating opportunities for students to investigate newly designed patterns with AI. We illustrate the approach with WindowDash, a food delivery case containing 15,000 orders and nine designed patterns. DataCanvas-EDU is packaged as a reusable AI Agent Skill for compatible agent environments, with the package and installation instructions available at https://github.com/BANG23333/datacanvas-edu