🤖 AI

AgentSchool: An LLM-Powered Multi-Agent Simulation for Education

Dieser Beitrag stellt AgentSchool vor, einen von großen Sprachmodellen betriebenen Multi-Agenten-Simulator, der Lernen als Zustandsübergänge und nicht als Rollenspiel modelliert, um ethische und logistische Hürden realer pädagogischer Versuche zu überwinden und so die Untersuchung kognitiven Wachstums, sozialer Dynamiken und institutioneller Schlussfolgerungen durch konfigurierbare Schüler- und Lehrkräfteagenten ermöglicht.

Ursprüngliche Autoren: Yulei Ye, Wenhao Li, Zhong Wen, Yunshu Huang, Yichen Hu, Zifan Wei, Yige Wang, Xinyu Xie, Haoxuan Yang, Yanjun Huang, Ruijia Li, Hong Qian, Yu Song, Bo Jiang, Bingdong Li, Lijun Li, Bo Zhang, Pinlong

Veröffentlicht 2026-05-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yulei Ye, Wenhao Li, Zhong Wen, Yunshu Huang, Yichen Hu, Zifan Wei, Yige Wang, Xinyu Xie, Haoxuan Yang, Yanjun Huang, Ruijia Li, Hong Qian, Yu Song, Bo Jiang, Bingdong Li, Lijun Li, Bo Zhang, Pinlong Cai, Xingcheng Xu, Shuangye Chen, Xia Hu, Liang He, Aimin Zhou, Jingjing Qu, Jing Shao, Xiangfeng Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Architekt, der eine neue Art von Schule entwirft. Bevor Sie sie bauen, würden Sie nicht einfach raten, ob die Räume groß genug sind oder ob die Lichter zu hell sind. Sie würden ein Maßstabsmodell bauen oder eine Computersimulation durchführen, um zu sehen, wie sich Menschen bewegen, wie sie interagieren und wo Engpässe entstehen könnten.

Das Papier „AgentSchool" stellt eine digitale Version davon für das Bildungswesen vor. Es ist ein virtueller „Windkanal" für Schulen, angetrieben durch fortschrittliche KI (Large Language Models), der entwickelt wurde, um neue Lehrmethoden, KI-Nachhilfelehrer und Schulrichtlinien bevor sie jemals an echten Kindern angewendet werden, zu testen.

Hier ist die Funktionsweise, aufgeschlüsselt in einfache Konzepte:

1. Das Problem: Warum wir einen „Windkanal" brauchen

Wenn wir heute eine neue Lehrmethode oder ein neues KI-Tool in einem Klassenzimmer testen wollen, müssen wir es an echten Schülern ausprobieren. Das ist riskant und langsam.

Das Risiko: Wenn eine neue Methode Kinder verwirrt oder ihr Vertrauen schädigt, ist dieser Schaden schwer rückgängig zu machen. Man kann eine schlechte Angewohnheit nicht „ent-lehren", sobald ein Kind sie gelernt hat.
Die Langsamkeit: Echte Schulen bewegen sich langsam. Bis eine Studie beweist, dass eine neue Methode funktioniert, ist die Technologie möglicherweise veraltet.
Die Falle: Viele aktuelle KI-Simulationen sind nur „Rollenspiele". Sie fordern eine KI auf, „wie ein Schüler zu handeln", aber die KI lernt tatsächlich nichts. Sie sagt nur Dinge, die klingen, als kämen sie von einem Schüler.

AgentSchool löst dies, indem es Lernen nicht als Skript, sondern als Zustandsänderung behandelt. Es geht nicht nur darum, was die KI sagt; es geht darum, was in ihrem „Gehirn" passiert.

2. Die Kernidee: Der „wachsende" Schüler

In AgentSchool ist der Schüler keine statische Figur mit einer festen Persönlichkeit. Betrachten Sie ihn als Videospiele-Figur mit echtem Inventar und Skill-Baum.

Wissensgraph: Der Schüler hat eine Karte dessen, was er weiß. Wenn er „2+2=4" kennt, ist dieser Knoten auf seiner Karte beleuchtet. Wenn er „Brüche" nicht kennt, ist dieser Teil dunkel.
Fehlvorstellungen: Das ist entscheidend. Das System kann einem Schüler einen spezifischen „Fehler" in seinem Gehirn geben, wie etwa die Annahme, „schwerere Objekte fallen schneller". Der KI-Schüler wird diesen Fehler konsequent machen, bis der Lehrer diesen spezifischen Fehler behebt.
Wachstum: Wenn der Schüler mit einer Lektion interagiert, aktualisiert sich seine interne Karte tatsächlich. Er wird nicht nur „schlau handelnd"; er wird schlauer (oder bleibt verwirrt), basierend auf der Simulation.

3. Der Lehrer: Ein intelligenter Coach, kein Skript

Die KI-Lehrer in AgentSchool lesen nicht einfach von einem Teleprompter ab. Sie sind wie Coaches, die ein Live-Spiel beobachten.

Sie schauen sich den „Skill-Baum" des Schülers (den Wissensgraphen) an.
Wenn ein Schüler mit einem bestimmten Konzept kämpft, wiederholt der Lehrer nicht einfach die Lektion. Er versucht vielleicht eine andere Erklärung, gibt einen Hinweis oder paart den Schüler mit einem Gleichaltrigen, der es versteht.
Der Lehrer „lernt" auch aus der Simulation. Wenn ein bestimmter Lehrtrick in der virtuellen Welt gut funktioniert, merkt sich der Lehrer ihn für das nächste Mal.

4. Das Setting: Der „Szenerie"-Generator

Bildung findet nicht im Vakuum statt; sie findet in einer spezifischen Umgebung statt. AgentSchool verfügt über einen Szenerie-Generator, der die Bühne baut.

Formaler Unterricht: Ein traditioneller Hörsaal, in dem der Lehrer spricht und die Schüler zuhören.
Informeller Chat: Eine „Pausen"-Simulation, in der Schüler über Hobbys sprechen, Cliquen bilden oder in Streit geraten.
Zukunftsschulen: Sie können sogar eine Schule bauen, die noch nicht existiert – vielleicht eine ohne Tische oder eine, in der KI-Nachhilfelehrer die Hauptlehrer sind –, um zu sehen, wie Schüler reagieren.

5. Was sie fanden (Die Ergebnisse)

Die Forscher führten Tests durch, um zu sehen, ob dieser „Windkanal" tatsächlich funktioniert. Sie verglichen ihr System (AgentSchool) mit älteren, einfacheren Rollenspiel-Systemen.

Bessere Lernspuren: Die AgentSchool-Schüler zeigten realistischere Lernmuster. Sie bekamen nicht einfach alles richtig oder alles falsch. Sie hatten spezifische Stärken, spezifische Schwächen und spezifische „Fehler" (Fehlvorstellungen), die der Lehrer beheben musste.
Soziale Dynamik: In den „Pausen"-Simulationen schuf das System auf natürliche Weise realistische soziale Gruppen. Einige Schüler wurden zu beliebten Anführern, einige wurden isoliert, und aggressive Schüler stießen andere weg, wodurch der Rest der Gruppe enger zusammenrückte. Dies geschah, ohne dass jemand diese sozialen Regeln explizit programmiert hatte; sie entstanden einfach aus den Interaktionen.
Lehrer-Anpassung: Die KI-Lehrer waren besser darin, ihre Lektionen anzupassen, wenn sie mit den „wachsenden" Schülern gepaart wurden. Dies zeigt, dass das System testen kann, ob ein bestimmter Lehrstil tatsächlich einer bestimmten Art von Lernenden hilft.

6. Das große Ganze

AgentSchool ist kein Werkzeug, um echte Lehrer zu ersetzen oder echte Schüler zu benoten. Es ist ein Forschungslabor.

Denken Sie daran wie an einen Flugsimulator für Piloten. Piloten lernen nicht zum ersten Mal auf einem echten Flugzeug zu fliegen; sie üben in einem Simulator, in dem sie abstürzen, Fehler machen und lernen können, ohne jemanden zu verletzen.

AgentSchool ermöglicht es Pädagogen und politischen Entscheidungsträgern:

Neue KI-Tools sicher zu testen.
Zu sehen, wie eine neue Politik versehentlich eine bestimmte Gruppe von Schülern schädigen könnte.
Zu verstehen, wie sich die soziale Dynamik in einem Klassenzimmer ändern könnte, wenn man die Tische neu anordnet oder das Benotungssystem ändert.

Kurz gesagt, ermöglicht es uns, die Zukunft der Bildung in einem sicheren, digitalen Raum zu proben, bevor wir sie an echten Kindern ausprobieren.

Technische Zusammenfassung: AgentSchool

1. Problemstellung

Der rasche Einsatz von Large Language Models (LLMs) in der Bildung stellt eine einzigartige Validierungsherausforderung dar. Im Gegensatz zu Standardsoftware greift KI im Bildungsbereich in die Entwicklung von Lernenden ein, deren kognitive, soziale und emotionale Verläufe irreversibel sind. Realwelt-Tests sind oft langsam, ethisch eingeschränkt und institutionell blockiert, was es schwierig macht, zu bewerten, ob eine Intervention das Lernen verbessert oder lediglich die kurzfristige Effizienz auf Kosten langfristiger Fähigkeiten (z. B. kritisches Denken oder Neugier) optimiert.

Bestehende LLM-basierte Bildungssimulatoren leiden häufig unter zwei strukturellen Einschränkungen:

Fidelity Gap (Treue-Lücke): Sie verlassen sich auf prompt-engineertes Rollenspiel, das Lernen als statisches, rollenbedingtes Verhalten behandelt, anstatt als einen dynamischen Prozess von Zustandsübergängen. Dies erfasst die internen Mechanismen des Lernens (z. B. Wissensrestrukturierung, Korrektur von Fehlkonzepten) nicht.
Reliability Gap (Zuverlässigkeits-Lücke): Ihnen fehlen Langzeitdatenerfassung, menschliche Überprüfung im Regelkreis und mehrstufige Evaluationen; sie optimieren oft die Reproduktion bestehender Klassenraumverhalten, anstatt neue institutionelle Konfigurationen zu erkunden.

Folglich besteht ein Bedarf an einem „computational wind tunnel" (Rechen-Windkanal), der die Konsequenzen von Bildungs-KI in einer plausiblen, überprüfbaren und ethisch sichereren Umgebung vor dem Einsatz in der realen Welt simulieren kann.

2. Methodik: Das AgentSchool-System

AgentSchool ist eine von LLMs gesteuerte Multi-Agenten-Simulationsplattform, die Bildung als einen teilweise beobachtbaren, Multi-Agenten-Zustandsübergangsprozess modelliert. Sie geht über statisches Rollenspiel hinaus, indem sie kognitiv wachsfähige Agenten mit adaptiver pädagogischer Logik und einer konfigurierbaren Umgebung koppelt.

2.1 Systemarchitektur

Das System wird definiert als ein Zustandsübergangsprozess $X_{t+1} \sim P_\theta(X_t, a_{1,t}, \dots, a_{n,t})$ , wobei der Zustand $X_t$ Schülerzustände, Lehrerzustände, Szenenkonfiguration, Interaktionsgraphen und Ereignishistorie umfasst. Die Architektur besteht aus vier Kernmodulen:

Schüleragenten (Kognitiv wachsfähig):
- Zustandsrepräsentation: Im Gegensatz zu statischen Personas führen Schüleragenten explizite interne Zustände: episodisches Gedächtnis ( $M$ ), einen gewichteten Fachwissensgraphen ( $K$ ) mit Meisterschaftswerten, einen Pool von Denkworkflows ( $W$ ), explizite Fehlkonzepte ( $Z$ ) und stabile Attribute ( $P$ ).
- Wachstumsmechanismus: Lernen wird als Zustandsübergang modelliert. Meisterschaftsaktualisierungen sind begrenzte Übergänge, die auf Unterrichtsqualität, Lernaufnahme, Verfall und Scaffolding basieren. Fehlkonzepte sind strukturierte Objekte ( $v, \hat{p}, p^*, c, \rho$ ), die konkurrierende Überzeugungen mit Persistenzwerten repräsentieren und gezielte Interventionen ermöglichen.
- Beobachtung: Interne Zustände werden über eine Evidenzfunktion aus beobachtbarer Leistung (Äußerungen, Aufgabenergebnisse) abgeleitet, wodurch eine Lücke zwischen internem Zustand und abgeleitetem Zustand entsteht, die die reale pädagogische Unsicherheit widerspiegelt.
Lehreragenten (Adaptives Scaffolding):
- Pädagogische Logik: Agenten operieren innerhalb der Zone der nächsten Entwicklung (ZPD), planen, scaffoldingen und reflektieren. Sie unterhalten eine deklarative Wissensbasis und eine erfahrungsbasierte Wissensbasis, die nach jeder Unterrichtsstunde aktualisiert wird.
- Adaptation: Lehrer wählen Instruktionshandlungen (Erklärung, Fragen, Gruppierung, Hinweise) basierend auf der geschätzten Lernbereitschaft aus. Ein ZPD-Kompatibilitätswert bewertet, ob Aufgaben zu einfach, zu schwierig oder angemessen scaffoldingt sind.
- Reflexion: Nach der Unterrichtsstunde aktualisieren Agenten ihre erfahrungsbasierte Wissensbasis basierend auf beobachteten Schülerzustandsänderungen und der Persistenz von Fehlkonzepten.
Szenengenerator (Lernfelder):
- Definiert das relationale Feld des Lernens, einschließlich räumlicher Struktur, Ressourcen, Normen und zeitlicher Rhythmen.
- Konfigurierbarkeit: Unterstützt vordefinierte Vorlagen (z. B. Vorlesung vs. offene Diskussion) und informelle Szenen (z. B. Pause, Peer-Gerüchte).
- Evolution: Zukünftige Iterationen planen die Nutzung eines Alpha-Evolve-ähnlichen Prozesses, um Kandidaten für Bildungsszenarien (z. B. neue KI-Tools, Gruppierungspolitiken) gegen Kriterien wie Gleichheit, Sicherheit und Neuheit zu mutieren und zu stress-testen.
Simulatorarchitektur:
- Koordiniert Interaktionen über Skalen hinweg (von Turn-by-Turn bis zu einem Semester) und Granularitäten.
- Effizienz: Nutzt adaptive Auflösung, indem hochauflösende LLM-Aufrufe für folgenreiche Momente (z. B. Diagnose von Fehlkonzepten) zugewiesen werden, während routinemäßige Übergänge komprimiert werden.
- Interaktionsmuster: Unterstützt One-to-One, One-to-Many und unstrukturierte Gruppenchats, wodurch die Entstehung von Lerngemeinschaften und sozialen Netzwerken ermöglicht wird.

2.2 Kalibrierung und Validierung

AgentSchool employs eine duale Kalibrierungsstrategie:

Empirische Kalibrierung: Minimierung des Abstands zwischen simulierten und realweltlichen Verteilungen, wo Daten vorhanden sind.
Theoriegetriebene Kalibrierung: Einschränkung von Trajektorien, um theoretische Constraints zu erfüllen (z. B. schrittweises Meisterschaftswachstum, ZPD-Ausrichtung), um zu verhindern, dass oberflächliche Plausibilität strukturelle Invalidität verschleiert.

3. Hauptbeiträge

Kognitiv wachsfähige Schüleragenten: Ein Wechsel von statischen Persona-Prompts zu zustandsbehafteten Lernenden mit veränderbaren Wissensgraphen, Denkworkflows und expliziten Fehlkonzeptobjekten.
Adaptive Lehreragenten: Ein Design, bei dem Lehrer basierend auf Schülerzuständen planen, scaffoldingen und reflektieren und die ZPD-Ausrichtung als bewertbare Metrik operationalisieren, anstatt als statisches Skript.
Szenengetriebener Multi-Scale-Simulator: Eine Plattform, die Interaktionsskala, zeitliche Granularität und Simulationsdauer entkoppelt und die Simulation sowohl formellen Unterrichts als auch informeller sozialer Dynamiken innerhalb eines einheitlichen Zustandsübergangsrahmens ermöglicht.
Methodischer Wandel: Ein Wechsel von „behavioral believability" (klingt es wie ein Schüler?) zu „educational mechanism fidelity" (entspricht der interne Prozess der Lerntheorie?) und „institutional counterfactual usefulness" (kann es Politiken testen, die noch nicht existieren?).

4. Vorläufige Ergebnisse

Die Autoren führten eine $2 \times 3$ kontrollierte Unterrichtsstudie über fünf Backbone-LLMs (Claude, DeepSeek, Qwen, GPT, Gemini) und eine soziale Simulationsstudie durch.

4.1 Unterrichtssimulation

Schülereffekt: Strukturierte Schüleragenten ( $S_{ours}$ ) produzierten signifikant differenziertere Lernspuren als Basis-Rollenspiel-Simulatoren ( $S_{base}$ ). $S_{ours}$ erreichte eine höhere durchschnittliche Meisterschaft und erzeugte eine reichhaltigere Verteilung von High-Mastery-Knoten und strukturierten Fehlkonzepten. $S_{base}$ versagte oft bei der Darstellung bedeutungsvoller Wissensaneignung oder produzierte uniforme, varianzarme Fehlermuster.
Lehrereffekt: Adaptive Lehreragenten ( $T_{ours}$ ) zeigten Muster, die mit einer ZPD-informierten Adaptation konsistent waren, insbesondere in Kombination mit $S_{ours}$ . Die Leistung war jedoch backbone-abhängig; in einigen Fällen performten skriptierte Lehrer ( $T_{scripted}$ ) konkurrenzfähig, wenn Inhaltswege stabil waren, was darauf hindeutet, dass Adaptivität am wertvollsten ist, wenn Schülerzustände komplex genug sind, um eine dynamische Reaktion zu erfordern.
Backbone-Sensitivität: Der zugrunde liegende LLM prägte emergente Verhaltensweisen (z. B. Graphgröße, Knotenanzahl) erheblich, was die Notwendigkeit unterstreicht, Agentenarchitekturen über mehrere Modelle hinweg zu evaluieren, anstatt Modellunabhängigkeit vorauszusetzen.

4.2 Soziale Simulation

Netzwerkdynamik: In informellen sozialen Szenen generierte AgentSchool plausible Spuren von peripherer Teilnahme, Cliquenbildung und der Entstehung von Meinungsführern.
Aggressives Verhalten: Die Simulation erfasste sekundäre Gruppeneffekte: aggressive Agenten wurden isoliert, während nicht-aggressive Agenten dichtere, kohäsive Bindungen bildeten, was reale soziale Dynamiken im Klassenzimmer widerspiegelt.
Emergente Strukturen: Das System modellierte erfolgreich die Evolution sozialer Netzwerke, einschließlich der Bildung zentraler Knotenpunkte und der Auswirkungen sozialer Ausgrenzung auf den Gruppenzusammenhalt.

5. Bedeutung und Behauptungen

Der Artikel positioniert AgentSchool als einen computational wind tunnel für Bildung, der zwei Hauptrollen erfüllt:

Für Bildungsforschung und Politik: Er bietet einen sichereren Raum, um zukünftige Bildungsmodelle zu prototypisieren, institutionelle Reformen zu bewerten und Fehlermodi (z. B. algorithmische Verzerrung, soziale Schichtung) zu identifizieren, bevor sie reale Lernende beeinflussen. Er ermöglicht „Was-wäre-wenn"-Überlegungen zu Politiken und KI-vermittelten Unterrichtsarrangements, die noch nicht existieren.
Für KI-Forschung: Er bietet einen sozial bedeutsamen Teststand für die Untersuchung von Langzeitgedächtnis, heterogener Multi-Agenten-Koordination und agentischem Reasoning unter organisatorischem Druck.

Bescheidenheit der Behauptungen:
Die Autoren stellen ausdrücklich fest, dass diese Ergebnisse vorläufige Validierungsstudien und keine Behauptungen ökologischer Äquivalenz sind. Sie behaupten nicht, dass AgentSchool reale Klassenzimmer perfekt repliziert. Stattdessen behaupten sie, dass strukturierte, zustandsbehaftete Agenten unter kontrollierten Bedingungen überprüfbarere und pädagogisch interpretierbarere Spuren produzieren als rein prompt-basiertes Rollenspiel. Das System ist darauf ausgelegt, Hypothesen zu generieren und plausible Mechanismen zu vergleichen, was eine zukünftige empirische Kalibrierung und Expertenüberprüfung vor Entscheidungen mit hohen Risiken erfordert. Die aktuelle Arbeit konzentriert sich auf formelle Unterrichtsstunden und informelle soziale Szenen, wobei institutionelle und politikbezogene Simulationen als geplante Erweiterungen positioniert sind.