교육의 급속한 디지털 전환은 AI 기반 개인화 및 평가를 가능하게 하는 확장성 있고 상호운용 가능한 지식 표현에 대한 긴급한 필요를 창출하였다. 본 연구는 형식적 교육과정 표준으로부터 교육 지식 그래프를 직접 구축하기 위한 CASE 정렬 Multi-Agent Framework(CMAF)를 제안한다. 이 프레임워크는 내용 분석 에이전트, 관계 합성 에이전트, 검증 에이전트와 같은 다수의 특화된 에이전트가 감독자 오케스트레이션 프로토콜 하에서 협력적으로 작동하도록 하여 자동화 효율과 교육학적 신뢰성 모두를 보장한다. 인간이 주석한 데이터를 맥락적 실측 정답(contextual ground truth)으로 사용하여, 에이전트들은 학습목표 간 계층적 (is Child Of), 순차적 (precedes), 그리고 구성적 (is Part Of) 관계를 추론한다. 단일 LLM 기준선과의 비교 평가는 제안된 멀티에이전트 접근이 더 높은 구조적 일관성, 관계 정밀도, 그리고 의미적 완전성을 산출함을 보여준다. 결과는 CMAF가 교육과정 정렬 지식 그래프 생성을 위한 확장 가능한 기반으로서, 적응형 학습, 역량 분석, 그리고 AI 기반 교육 평가에서 하위 응용을 지원할 수 있음을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.