[논문 리뷰] StoryLensEdu: Personalized Learning Report Generation through Narrative-Driven Multi-Agent Systems

Leixian Shen, Yan Luo외 5명|arXiv (Cornell University)|2026. 02. 19.

Intelligent Tutoring Systems and Adaptive Learning인용 수 0

한 줄 요약

StoryLensEdu는 개인화되고 몰입감 있는 학습 보고서를 생성하며 자기주도 학습을 위한 대화형 질의응답을 제공하는 서사 중심의 세 대리 시스템을 도입합니다.

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.

연구 동기 및 목표

• 전통적 피드백의 인지 과부하와 해석 가능성의 한계를 극복하기 위해 매력적인 서사 보고서를 생성한다.
• 학습 목표 그래프에 정렬된 맥락 인식 학습 통찰 추출을 자동화한다.
• 전문 대리인들을 조정하여 교수학적으로 의미 있는 피드백과 일관된 스토리텔링을 생성한다.
• 생성 후 대화형 탐색을 가능하게 하여 설명 가능성과 학습자의 참여를 향상시킨다.
• 실제 환경에서 시스템을 평가하여 참여도 및 학습 진행 이해도에 미치는 영향을 평가한다.

제안 방법

• 학습 목표 중심의 데이터를 목표에 맵핑하기 위해 방향성 그래프로 모델링된 데이터 구조를 도입한다.
• LLM으로 구동되는 세 대리인 보고서 생성 엔진(Data Analyst, Teacher, Storyteller)을 사용하여 인사이트를 추출하고, 교육학적으로 추론하며 보고서를 서술한다.
• 스토리텔러 대리인 내에 Hero’s Journey 서사 프레임워크를 포함시켜 보고서를 구성한다.
• 목표 그래프에 근거한 생성 후 질의응답 인터랙션 모듈을 제공한다.
• 사용자 선택을 관련 목표에 매핑하고 맥락 인식 응답을 위해 타깃 SQL 쿼리를 통해 데이터를 검색하는 Q&A 모델을 구현한다.
• 데이터 분석가가 결정론적 JSON 인사이트를 산출하고 교사가 이를 자연어 설명으로 변환하는 메타데이터 중심 워크플로우를 채택한다.

실험 결과

연구 질문

• RQ1 개인화된 피드백을 전통적인 텍스트 보고서와 대시보드를 넘어서 더 해석 가능하고 몰입감 있게 만들 수 있는가?
• RQ2 서사 중심의 다중 에이전트 시스템이 학습 목표 그래프를 사용하여 자기조절 학습을 효과적으로 진단하고 지원할 수 있는가?
• RQ3 생성 후의 대화형 질의응답이 학습 보고서에 대한 설명가능성과 학습자의 참여를 향상시키는가?
• RQ4 동기 부여와 명확성을 위해 교육적 피드백을 구성하는 데 있어 Hero’s Journey 서사의 역할은 무엇인가?

주요 결과

• 시스템은 자동 인사이트 추출을 서사적 프레이밍 및 인터랙티브 Q&A와 통합한다.
• 실사용자 대상 평가에서 참여도 증가와 학습 과정에 대한 더 깊은 이해를 보였다.
• 학습 목표 그래프는 맥락 인식 피드백과 커리큘럼 목표에 대한 추적 가능한 정렬을 가능하게 한다.
• 데이터 분석가는 다차원 시계열 진단을 제공하고, 교사는 교수학적으로 근거된 제안을 제공한다.
• 스토리텔러는 Hero’s Journey를 사용하여 통합된 서사로 통찰을 구성하여 동기 부여와 이해를 향상시킨다.