TheoremExplainAgent: Erklärung mathematischer Formeln und wissenschaftlicher Theoreme durch animierte Videos 195

Was ist TheoremExplainAgent?

Der TheoremExplainAgent (TEA) ist ein auf einer Doppel-Agent-Architektur basierendes Visualisierungs- und Erklärungssystem für STEM-Theoreme, das darauf abzielt, mathematische Formeln und wissenschaftliche Theoreme anschaulich zu erklären, indem es animierte Videos erzeugt.

Technische Architektur von TheoremExplainAgent

• Doppel-Agent-Kollaborationsframework: TheoremExplainAgent verwendet einen kollaborativen Workflow mit einem Planungs-Agenten (Planner Agent) und einem Programmier-Agenten (Coding Agent). Der Planungs-Agent ist für die Analyse der Theoreme und die Unterrichtsplanung zuständig, während der Programmier-Agent die Unterrichtsentwürfe in Manim-Animationscode umwandelt.

• Technologische Kernunterstützung: Verwendung von Manim als Animations-Engine, kombiniert mit RAG (Retrieval-Augmented Generation) zur Integration disziplinärer Wissensdatenbanken sowie TheoremExplainBench (TEB) als Bewertungssystem.

Kernkomponenten von TheoremExplainAgent

• Planner Agent: Verantwortlich für das Verständnis des Theoreminhalts, die Erstellung des Lehrplans, die Gestaltung von Unterrichtsentwürfen und das Verfassen von Erläuterungsskripten.

• Coding Agent: Wandelt die vom Planner Agent erzeugten Unterrichtsentwürfe in Manim-Animationscode um, generiert 5-minütige animierte Videos und kombiniert diese mit passenden Audioerläuterungen.

Technische Highlights von TheoremExplainAgent

• Multimodale Ausgabefähigkeit: Unterstützt die kombinierte Darstellung von Animationen, Bildern, Texten und Formeln, was die Lehrinhalte lebendiger und ansprechender macht.

• Verbesserte Rendering-Geschwindigkeit: Im Vergleich zu herkömmlichen Methoden wurde die Rendering-Geschwindigkeit um 20 % gesteigert.

• Innovatives Bewertungssystem: Erstmalig entwickelter fünfdimensionaler quantitativer Bewertungsstandard mit einem Spearman-Korrelationskoeffizienten von 0,88.

• Leichtgewichtige Bereitstellung: Die o3-mini-Modellparameter wurden um 40 % reduziert, während 93,8 % der Kernleistung erhalten bleiben.

Anwendungsszenarien von TheoremExplainAgent

• MOOC-Plattformen: Wie Coursera und Khan Academy, für die Kursentwicklung und die automatische Erstellung von Lehranimationsmaterialien.

• Bildungsressourcen-Bibliotheken: Wie OpenStax und LibreTexts, zur Inhaltsanreicherung und automatischen Erstellung dynamischer Lehrbücher.

• Unterrichtsunterstützung im Klassenzimmer: Als Ergänzungsmaterial im traditionellen Unterricht, um zentrale Wissenspunkte zu veranschaulichen.

• Werkzeug für selbstgesteuertes Lernen: Schüler können diese Videos nach dem Unterricht nutzen, um das Gelernte selbstständig zu wiederholen und zu festigen.

• Online-Bildungsplattformen: Plattformen können dieses Werkzeug nutzen, um ihre Multimediaressourcen in der Kursbibliothek zu erweitern.

• Hausaufgabenbetreuung: Eltern können diese Videos verwenden, um ihren Kindern zusätzliche Hilfe und Unterstützung zu bieten.

Technische Vorteile von TheoremExplainAgent

• Steigerung der Effizienz manueller Bewertungen: Im Vergleich zu herkömmlichen Methoden wurde die Effizienz manueller Bewertungen um das Vierfache gesteigert.

• Genauigkeit der LaTeX-Formel-Parsung: Bis zu 98,6 %.

• Unterstützung disziplinärer Symbolsysteme: Unterstützung von 20+ disziplinären Symbolsystemen, kompatibel mit mehreren Modell-APIs (GPT, Claude, Gemini).

Projektadresse:https://tiger-ai-lab.github.io/TheoremExplainAgent/

Paper-Adresse:https://arxiv.org/pdf/2502.19400