CurriculumGenesis:一种用于学位课程生成的神经符号多智能体框架

《Expert Systems with Applications》:CurriculumGenesis: A Neuro-Symbolic Multi-Agent Framework for Degree Programme Curriculum Generation

【字体: 大 中 小 】 时间:2026年05月08日 来源:Expert Systems with Applications 7.5

编辑推荐:

  周梦瑶|谢胜杰|姜贤|董立刚中国浙江省杭州市钱塘区白杨街浙江工商大学摘要人工智能(AI)的快速发展对传统的大学学位课程设置提出了挑战,传统课程设置往往反应迟缓且供需不匹配。虽然大型语言模型(LLMs)在微观层面的内容生成方面表现出色,但在宏观层面的规划中却存在结构性错误和推理不一

  
周梦瑶|谢胜杰|姜贤|董立刚
中国浙江省杭州市钱塘区白杨街浙江工商大学

摘要

人工智能(AI)的快速发展对传统的大学学位课程设置提出了挑战,传统课程设置往往反应迟缓且供需不匹配。虽然大型语言模型(LLMs)在微观层面的内容生成方面表现出色,但在宏观层面的规划中却存在结构性错误和推理不一致的问题。为了解决这些问题,我们提出了CurriculumGenesis,据我们所知,这是第一个将宏观课程设计分解为三个可追踪层次的神经符号多智能体框架:1)领域知识建模层,利用双重证据验证来构建课程图谱框架;2)多智能体协商决策层,通过委员会式的讨论和双层裁决机制在学术严谨性和行业相关性之间取得平衡;3)交互式策略演化层,将LLM的语义与符号求解器结合,通过拓扑排序解决复杂约束,并将人类参与式(HITL)反馈转化为可复用的策略知识。实验结果表明,CurriculumGenesis将拓扑违规率降至0%,通过将工作负载标准差(LoadStd)从2.69降低到1.30,实现了ACM/IEEE计算机科学课程2023(ACM/IEEE CS2023)100%的知识领域覆盖(KA-Coverage)。多模型盲测表明,该系统在完整性和合理性方面与人类专家水平相当,在创新维度上得分更高(4.7分对比3.5分)。总体而言,这项工作将课程生成从非结构化文本生成提升到了可验证且实用的程序级规划。

引言

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。

章节片段

相关工作

本节回顾了与CurriculumGenesis最相关的研究方向,并阐明了提出该框架的关键动机。具体来说,第2.1节回顾了传统的课程设计和自动化尝试,第2.2节探讨了生成式AI在教育内容生成中的应用,第2.3节讨论了LLM驱动的多智能体协作和复杂任务规划,第2.4节回顾了HITL监督和对齐。最后,第2.5节进行了综合

方法论

本节详细介绍了CurriculumGenesis的方法论设计。为了解决传统上主观性和高延迟的学位课程设置的局限性,我们首先在第3.1节介绍了该框架的教学和概念基础。然后依次描述了所提出架构的三个核心层次:多源融合领域知识建模层(第3.2节)、辩证多智能体协商决策层(第

实验

为了严格评估CurriculumGenesis在生成高质量学位课程方面的有效性,本节提出了一系列全面的实验研究。评估重点关注两个主要维度:结构完整性,评估系统满足先决条件拓扑和工作负载平衡等硬约束的能力;以及语义质量,检查课程的知识完整性和前沿相关性。我们首先介绍

结论与未来工作

本节总结了CurriculumGenesis的主要贡献、实证发现和当前局限性。具体来说,第5.1节提出了研究的总体结论,而第5.2节概述了将框架扩展到个性化、可转移和跨学科课程生成的几个方向。

CRediT作者贡献声明

周梦瑶:概念化、方法论、软件开发、验证、形式分析、调查、数据整理、撰写——初稿、可视化。谢胜杰:验证、调查、数据整理。姜贤:形式分析、可视化、撰写——审阅与编辑。董立刚:概念化、资源准备、撰写——审阅与编辑、监督、项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号