Систематизований підхід створення навчального контенту штучним інтелектом в мультиагентних системах
DOI:
https://doi.org/10.18372/1990-5548.89.21470Ключові слова:
мультиагентні системи, штучний інтелект, навчальний контент, великі мовні моделі, генерація контенту, адаптивне навчання, інтелектуальні навчальні системиАнотація
У статті представлено систематичний огляд методів штучного інтелекту для генерації навчального контенту в мультиагентних системах. Проаналізовано сучасні підходи до автоматичної генерації навчальних запитань, планів уроків і матеріалів на основі великих мовних моделей. Виділено чотири основні групи методів генерації: генерація навчальних запитань та завдань із класифікацією за таксономією Блума, генерація планів уроків із використанням техніки промптингу покрокового міркування, генерація із параметричним контролем рівня складності та педагогічно орієнтовані підходи з урахуванням принципів конструктивізму в освіті. Для кожної групи методів виокремлено технічні підходи, ключові метрики та отримані результати. Запропоновано класифікацію архітектур систем формування навчального контенту за чотирма типами: одноагентна, конвеєрна, гібридна та мультиагентна. Кожен тип охарактеризовано за критеріями підходу координації, механізму верифікації, масштабованості та якості контенту. Показано, що значна частина систем, які позиціонуються як мультиагентні, фактично належить до конвеєрних або гібридних архітектур. Проаналізовано наявні мультиагентні системи генерації контенту та обґрунтовано доцільність використання мультиагентного підходу для побудови адаптивних освітніх систем. Розроблено семирівневу концептуальну модель мультиагентної системи формування навчального контенту, що охоплює онтологічний рівень, рівень генерації контенту, моделі учня, адаптації та персоналізації, координації агентів, оцінювання якості та зворотного зв'язку. Запропоновано референтну архітектуру із п'ятьма підсистемами: планування, генерації, оцінювання, адаптації та координації. Ідентифіковано ключові відкриті проблеми, визначено критичні ризики застосування генеративного штучного інтелекту в освіті та окреслено перспективні напрями подальших наукових досліджень.
Посилання
[1] S. Al Faraby, A. Jasin, A. Savitri et al., “Leveraging Large Language Models for Automated Assessment of Cognitive Levels Based on Bloom's Taxonomy,” International Journal of Artificial Intelligence in Education, 2024. https://doi.org/10.1007/s40593-023-00374-x.
[2] S. García-Méndez, M. Fernández-Gavilanes, J. Juncal-Martínez, et al., “A Systematic Review of Generative AI in Science Education,” Science & Education, 2025. https://doi.org/10.1007/s11191-024-00530-2.
[3] D. Hariyanto, M. B. Triyono, and T. Köhler, “Exploring AI-Generated Content (AIGC) in Education: A Bibliometric Analysis,” Discover Education, 2025. https://doi.org/10.1007/s44217-025-00908-6.
[4] A. Riedmann, C. Nerdel, s S. Kraus, et al., “Prompt Engineering for Generating Formative Assessment Items,” International Journal of Artificial Intelligence in Education, 2025. https://doi.org/10.1007/s40593-025-00494-6.
[5] D. Suhartono, A. T. Handoyo, R. Akhsani, et al., “Automatic Question Generation System Based on Pre-trained Language Models,” Education and Information Technologies, 2024. https://doi.org/10.1007/s10639-024-12717-9.
[6] C. Badenes-Olmedo, “QuerIA: A Difficulty-Controlled Question Generation System for Adaptive Learning,” Expert Systems with Applications, 2025. https://doi.org/10.1016/j.eswa.2025.130140.
[7] S. Al Faraby, A. Savitri, A. Jasin, et al., “Cognitive Level Controlled Question Generation Pipeline Using Large Language Models,” Computers and Education: Artificial Intelligence. 2024.
[8] C.-J. Lin and C.-M. Chen, “Enhancing Foreign Language Learning through AI-Generated Context-Aware Questions,” System, 2024. https://doi.org/10.1016/j.system.2024.103344.
[9] Y. Hu, G. Chen, J. Zhang, et al., “AI-Assisted Lesson Plan Generation with Chain-of-Thought Prompting,” IEEE Transactions on Learning Technologies, 2024. https://doi.org/10.1109/TLT.2024.3384765.
[10] Haoxiang Fan, Guanzheng Chen, Xingbo Zhenhui Peng, “LessonPlanner: Human-AI Collaborative Lesson Plan Generation,” UIST '24: The 37th Annual ACM Symposium on User Interface Software and Technology Pittsburgh PA USA October 13–16, 2024, ACM. 2024. https://doi.org/10.1145/3654777.3676390.
[11] i S. B, W. Wu, Y. Liang et al., “Difficulty-Controlled Question Generation with Large Language Models,” Information Processing & Management, 2024. https://doi.org/10.1016/j.ipm.2024.103721.
[12] X. Wang, Y. Zhao, Z. Liu, et al., “GenMentor: Multi-Agent System for Exercise Generation with Goal-to-Skill Mapping,” Proceedings of the ACM Web Conference 2025, ACM. 2025. https://doi.org/10.1145/3701716.3715244.
[13] Y. Zhang, M. Li, H. Chen, et al., “EduPlanner: Multi-Agent Evaluator-Optimizer Framework for Personalized Learning Plan Generation,” IEEE Transactions on Learning Technologies, 2025. https://doi.org/10.1109/TLT.2025.3561332.
[14] M. H. Chowdhury, A. Graesser, B. Nye, et al., “AutoTutor Meets Large Language Models: A Hybrid Architecture for Intelligent Tutoring,” Proceedings of the 11th ACM Conference on Learning @ Scale (L@S 2024), ACM. 2024. https://doi.org/10.1145/3657604.3662041.
[15] Y. Chen, L. Wang, Z. Jiang, et al., “GPTutor: Chained LLM Pipeline for Programming Education,” Proceedings of the 11th ACM Conference on Learning @ Scale (L@S 2024), ACM. 2024. https://doi.org/10.1145/3657604.3664718.
[16] P. Arnau-González, S. Katsigiannis, N. Ramzan, et al., “Generative Pipeline for Educational Content,” Expert Systems with Applications, 2025. https://doi.org/10.1016/j.eswa.2025.126663.
[17] M. O. Mohamedhen, S. O. Alaoui, A. T. Brahim, “Multi-Agent Recommendation System for Learning Objects,” Heliyon, 2024. https://doi.org/10.1016/j.heliyon.2024.e39088.
[18] C. Guan, R. He, S. Liu, et al., “KG4EX: Knowledge Graph-Based Explainable Recommendation for Education,” Neural Networks, 2025. https://doi.org/10.1016/j.neunet.2024.106954.
[19] H. Jhajj, A. Kaur, G. Singh, et al., “LLM-Assisted Educational Knowledge Graph Construction,” Proceedings of the 19th European Conference on Technology Enhanced Learning (EC-TEL 2024), Springer. 2024. https://doi.org/10.1007/978-3-031-63031-6_25.
[20] Y. Dukova and T. Georgieva, “Multi-Agent System Architecture for e-Learning,” e-Journal of Technical University of Varna. URL: https://e-journal.tu-varna.bg/e/article/download/48/41
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Юрій Віталійович Мельник , Сергій Іванович Отрох, Антон Олексійович Пасічнюк , Валерій Олександрович Кузьміних
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал "Електроніка та системи управління" дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі ""Електроніка та системи управління":
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
