[論文レビュー] StoryLensEdu: Personalized Learning Report Generation through Narrative-Driven Multi-Agent Systems

Leixian Shen, Yan Luo+5 more|arXiv (Cornell University)|Feb 19, 2026

Intelligent Tutoring Systems and Adaptive Learning被引用数 0

ひとこと要約

StoryLensEduは、個別化された没入型学習レポートを生成する物語駆動の三-agentシステムと、自己調整学習のための対話型質問応答を提供します。

ABSTRACT

Personalized feedback plays an important role in self-regulated learning (SRL), helping students track progress and refine their strategies. However, current common solutions, such as text-based reports or learning analytics dashboards, often suffer from poor interpretability, monotonous presentation, and limited explainability. To overcome these challenges, we present StoryLensEdu, a narrative-driven multi-agent system that automatically generates intuitive, engaging, and interactive learning reports. StoryLensEdu integrates three agents: a Data Analyst that extracts data insights based on a learning objective centered structure, a Teacher that ensures educational relevance and offers actionable suggestions, and a Storyteller that organizes these insights using the Heroes Journey narrative framework. StoryLensEdu supports post-generation interactive question answering to improve explainability and user engagement. We conducted a formative study in a real high school and iteratively developed StoryLensEdu in collaboration with an e-learning team to inform our design. Evaluation with real users shows that StoryLensEdu enhances engagement and promotes a deeper understanding of the learning process.

研究の動機と目的

• 従来のフィードバックの認知的過負荷と解釈性の限界を克服し、魅力的な物語レポートを作成する。
• 学習目標グラフに整合した学習洞察の文脈認識抽出を自動化する。
• 専門的エージェントを協調させ、 pedagogically meaningful なフィードバックと一貫したストーリーテリングを生成する。
• 生成後の対話型探索を可能にし、説明可能性と学習者のエンゲージメントを向上させる。
• 実世界の設定でシステムを評価し、エンゲージメントと学習進捗理解への影響を測る。

提案手法

• 学生のパフォーマンスを目標に対応づける directed graph 型の学習目標中心データ構造を導入する。
• LLMで駆動される Data Analyst, Teacher, Storyteller の三-agentレポート生成エンジンを用いて洞察を抽出し、教育的推論を行い、レポートを語る。
• Storytellerエージェント内にHero’s Journey 物語フレームワークを組み込み、レポートを構造化する。
• 目標グラフに基づく生成後の質問応答用の対話モジュールを提供する。
• ユーザーの選択を関連する目標にマップし、文脈に応じた回答を得るためのターゲットSQLクエリでデータを取得するQ&Aモデルを実装する。
• Data Analystが決定論的なJSON洞察を出力し、それをTeacherが自然言語の説明へ変換するメタデータファーストのワークフローを採用する。

実験結果

リサーチクエスチョン

• RQ1 個別化されたフィードバックを、従来のテキストレポートやダッシュボードを超えて、どのようにより解釈可能で没入感を持つ形にできるか？
• RQ2 物語駆動の複数エージェントシステムは、学習目標グラフを用いて自己調整学習を効果的に診断・支援できるか？
• RQ3 生成後の対話型質問は、説明可能性と学習レポートへのエンゲージメントを高めるか？
• RQ4 英雄の旅の物語構造は、動機付けと明確さのための教育的フィードバックの整理にどのような役割を果たすか？

主な発見

• システムは自動的な洞察抽出と物語的フレーミングおよび対話型Q&Aを統合している。
• 実ユーザーによる評価で、エンゲージメントの向上と学習過程の理解が深まることを示した。
• 学習目標グラフは文脈認識的なフィードバックとカリキュラム目標への追跡可能な整合を可能にする。
• Data Analystは多次元の時系列診断を提供し、Teacherは教育的根拠に基づく提案を提供する。
• StorytellerはHero’s Journeyを用いて洞察を統一感のある物語に組み込み、動機付けと理解を向上させる。