CogEvo‑Edu: Multi‑Agent Lernsystem revolutioniert digitale Signalverarbeitung

In der heutigen Bildungslandschaft werden große Sprachmodelle (LLMs) vermehrt als konversationelle Tutoren eingesetzt. Doch die meisten Systeme nutzen noch einen einzigen LLM mit einer statischen Retrieval‑Augmented‑Generation (RAG) Pipeline, was besonders in komplexen Fachbereichen wie der digitalen Signalverarbeitung (DSP) zu Problemen führt. Dort müssen Tutoren langfristige, konsistente Lernprofile der Studierenden aufbauen, heterogene Wissensbasen verwalten und ihre Lehrstrategien über längere Interaktionen hinweg anpassen.

CogEvo‑Edu adressiert diese Herausforderungen mit einem hierarchischen Multi‑Agent‑System, das aus drei Schichten besteht: dem Cognitive Perception Layer (CPL), dem Knowledge Evolution Layer (KEL) und dem Meta‑Control Layer (MCL). Der CPL speichert duale Erinnerungen und führt eine vertrauensbasierte Konsolidierung durch, um strukturierte, selbstkorrigierende Lernprofile zu erstellen, selbst bei begrenztem Kontext. Der KEL bewertet jedes Wissenselement mit einem spatiotemporalen Wert, der die Aktivierung, semantische Kompression und Vergessen steuert. Der MCL gestaltet das Tutoring als hierarchische, sequentielle Entscheidungsfindung, koordiniert spezialisierte Agenten und passt die Hyperparameter von CPL und KEL über einen dualen inneren‑und‑äußeren Lernschleifenmechanismus an.

Zur Bewertung wurde DSP‑EduBench entwickelt – ein vertikales Benchmarking‑Set für DSP‑Tutoring, das heterogene Ressourcen, simulierte Lernprofile und langfristige Interaktionsskripte umfasst. Mit einem Ensemble aus drei LLM‑Modellen als „Judge“ konnte CogEvo‑Edu die Gesamtpunktzahl von 5,32 auf 9,23 steigern und sämtliche sechs Leistungsindikatoren gegenüber dem statischen RAG-Ansatz verbessern. Diese Ergebnisse zeigen, dass ein kooperatives, evolvierendes Lernsystem die Effektivität von LLM‑basierten Tutoren in anspruchsvollen Fachgebieten deutlich erhöhen kann.