Resumen: Los modelos de lenguajes grandes (LLM) se implementan cada vez más como tutores conversacionales en la educación STEM, sin embargo, la mayoría de los sistemas todavía dependen de un único LLM con una canalización de generación aumentada de recuperación estática (RAG) sobre los materiales del curso. Este diseño tiene dificultades en dominios complejos como el procesamiento de señales digitales (DSP), donde los tutores deben mantener modelos coherentes de estudiantes a largo plazo, gestionar bases de conocimientos heterogéneas y adaptar estrategias de enseñanza a través de interacciones prolongadas. Sostenemos que la recuperación, la memoria y el control deben tratarse como un proceso de evolución cognitiva acoplado. Instanciamos esta vista en CogEvo-Edu, un sistema educativo jerárquico de múltiples agentes que comprende una capa de percepción cognitiva (CPL), una capa de evolución del conocimiento (KEL) y una capa de metacontrol (MCL). CPL mantiene memorias duales y realiza una consolidación ponderada por la confianza para crear perfiles de estudiantes estructurados y autocorregibles en un contexto limitado. KEL asigna a cada fragmento de conocimiento un valor espaciotemporal que impulsa la activación, la compresión semántica y el olvido. MCL formula la tutoría como una toma de decisiones secuencial jerárquica, orquestando agentes especializados y adaptando conjuntamente los hiperparámetros CPL/KEL a través de un bucle dual interno-externo. Para evaluar CogEvo-Edu, construimos DSP-EduBench, un punto de referencia vertical para tutoría DSP con recursos heterogéneos, perfiles de estudiantes simulados y guiones de interacción de largo horizonte. Utilizando un conjunto de LLM como juez de tres modelos, CogEvo-Edu eleva la puntuación general de 5,32 a 9,23 y mejora los seis indicadores sobre RAG estático, memoria simple y una variante de agente único, lo que demuestra el valor de la evolución conjunta de perfiles de estudiantes, bases de conocimiento y políticas de enseñanza.
Publicado originalmente en export.arxiv.org el 1 de diciembre de 2025.
Ver fuente original
