学位课程设置作为高等教育系统的顶层设计蓝图,是连接学术知识体系与行业人才需求的关键纽带。传统上,学位课程的制定和修订主要依赖于基于人类委员会的方法,通过专家讨论和学术事务部门之间的迭代协调来完成。然而,这种以人为主导的模式限制了教育改革的灵活性和适应性。特别是在当前背景下,如AI等新兴技术的半衰期显著缩短,静态课程体系往往难以跟上行业标准的快速演变,导致教育与行业之间的严重脱节(Garousi, Giray, Tuzun, Catal, Felderer, 2020; Jaiswal, Kuzminykh, Modgil, 2025)。尽管教育部门试图引入数据驱动的方法来弥补人类经验的不足(Chu & Ashraf, 2025),并且生成式人工智能(GenAI),特别是LLMs,在多模态内容生成和教学支持方面展现了巨大潜力(Chen, Chen, Lin, 2020; Choi, Kim, Lee, Moon, 2024),但将其应用于系统级课程规划仍面临严峻挑战。
尽管现有的LLMs能够生成语法流畅且看似专业的课程描述,但在处理复杂的教育管理约束时,它们在推理能力上往往存在局限(Valmeekam, Marquez, Sreedharan, & Kambhampati, 2023)。实证研究表明,在没有外部架构约束的情况下,单一模型容易产生结构性错误。例如,忽略课程之间的复杂依赖关系可能导致课程逻辑断裂,或者未能识别学科内容之间的语义重叠会导致课程冗余(Zhang et al., 2025)。此外,现有的生成研究主要集中在微观层面的教学内容或阅读材料生成(Liu, Yin, Goh, & Chen, 2025b),难以解决需要在学术严谨性和市场导向的前沿相关性之间取得微妙平衡的宏观层面决策难题。如何引入新兴技术课程而不损害基础学科的核心地位,仍然是仅依赖概率预测的文本生成模型难以解决的问题。因此,构建一个既能理解复杂图结构约束又能适应需求动态变化的智能系统,迫切需要超越简单的提示工程(Wei et al., 2022),转向更深入的神经符号架构(Garcez & Lamb, 2023)。
为了解决这些问题,受到多智能体协作范式的启发(Hong, Zhuge, Chen, Zheng, Cheng, Zhang, Wang, Wang, Yau, Lin, Zhou, Ran, Xiao, Wu, Schmidhuber, 2023, Qian, Liu, Liu, Chen, Dang, Li, Yang, Chen, Su, Cong, Xu, Li, Liu, Sun, 2024, Qian, Liu, Chen, Dang, Li, Yang, Chen, Su, Cong, Xu, Li, Liu, Sun, 2024),我们提出了CurriculumGenesis,这是一个用于学位课程生成的神经符号、迭代多智能体框架。该框架逻辑上分为三个核心层次:多源融合领域知识建模层、辩证多智能体协商决策层和记忆增强型交互式策略演化层。在知识建模层,系统将ACM/IEEE CS2023课程标准与实时行业概况相结合,构建具有特定情境适应性的知识库。在协商和决策层,参考冯·诺伊曼智能体架构和人类社会模拟理论(Jiang, Li, Zhou, Qi, Hu, Wei, Jiang, & Wu, Park, O’Brien, Cai, Morris, Liang, Bernstein, 2023),我们构建了一个异构智能体公会。这个公会引入了代表不同价值维度的角色;这些智能体通过自我组织和博弈论辩论机制充分表达各自的主张(Ishibashi & Nishimura, 2024)。最终,中央裁决者基于两级裁决逻辑,在有限的学分约束下实现了稳健性、前沿相关性和实际适用性的动态平衡。最后,在策略演化层,系统采用了HITL机制(Slade et al., 2024)。借鉴来自人类反馈的强化学习(RLHF)概念(Ouyang et al., 2022),它将专家对课程安排的反馈转化为持久策略记忆,从而通过持续互动获得特定机构的隐性教学模式。
本文的主要创新点和贡献如下:
1. 我们将学位课程生成视为一个神经符号的程序级规划问题,而不仅仅是一个纯粹的开放式文本生成任务。基于这种定义,我们提出了CurriculumGenesis,据我们所知,这是第一个专门为宏观学位课程生成设计的神经符号多智能体框架。该框架将任务组织成一个可追踪的三层架构,包括:(i)整合多源证据的区域知识建模层;(ii)通过委员会式讨论解决价值冲突的多智能体协商决策层;(iii)生成符合约束的日程并通过HITL策略记忆不断改进的交互式策略演化层。整个流程通过统一的日志和中间产物实现端到端的可追踪性。
2. 我们提出了一种双层裁决机制,用于在竞争性教育目标下进行可解释的课程决策。通过结合基于声明-证据-推理的主席调解的定量权重和查询过程,该机制超越了无差别的多智能体讨论,实现了学术标准、行业前沿相关性、同行机构证据和用户特定目标之间的明确和可解释的协调。
3. 我们提出了一种记忆增强的HITL适应机制,用于持续机构定制。所提出的策略记忆将非结构化的专家反馈转化为可执行的硬约束和软偏好,并将其作为持久指导注入后续调度中。这样,专家反馈不再被视为一次性修订建议,而是作为支持迭代适应和持续机构对齐的可复用策略知识,无需重新训练模型。