KI-Assistenz für Biomechanik: LLMs und Agenten verbessern das Studium

In einer neuen Studie aus dem arXiv-Repository wird gezeigt, wie große Sprachmodelle (LLMs) in Kombination mit KI‑Agenten die Lehre in Biomechanik auf ein neues Level heben können. Trotz ihrer Vielseitigkeit stoßen LLMs bei fachspezifischen Aufgaben häufig an ihre Grenzen, insbesondere bei komplexen Problemen, die mehrstufiges Denken und Analyse erfordern.

Um diese Schwächen zu überwinden, haben die Forscher ein zweistufiges System entwickelt. Zunächst wird Retrieval‑Augmented Generation (RAG) eingesetzt, um die Antworten der Modelle auf konzeptionelle Wahr/Falsch‑Fragen präziser und logisch konsistenter zu machen. Anschließend wird ein Multi‑Agent System (MAS) aufgebaut, das mehrere LLMs koordiniert, um rechnerische Aufgaben mit mehreren Zwischenschritten zu lösen und dabei Code auszuführen.

Die Leistung von drei Modellen – Qwen‑1.0‑32B, Qwen‑2.5‑32B und Llama‑70B – wurde an einem Datensatz mit 100 Wahr/Falsch‑Fragen und an Aufgaben zur Ableitung von Gleichungen und Berechnungen getestet. RAG erhöhte die Genauigkeit und Stabilität der Modelle bei konzeptionellen Fragen deutlich, während das MAS die Fähigkeit demonstrierte, komplexe, mehrstufige Probleme zu bearbeiten.

Die Ergebnisse deuten darauf hin, dass die Kombination aus RAG und MAS nicht nur die Lernleistung von Studierenden in Biomechanik verbessert, sondern auch ein vielversprechendes Modell für die Integration von KI‑Assistenz in anderen ingenieurwissenschaftlichen Lehrbereichen darstellt.