본 논문은 스마트 교육을 위한 생성형 에이전트 모델의 개발이 상대적으로 미흡하다는 점을 지적하며, 교육적 맥락의 복잡성(다양한 인지 행동을 가진 학습자와 개인화된 인간 간 소통에 중점을 둔 교육 방식)을 해결하기 위해 LLM 기반의 통합 생성형 에이전트 프레임워크인 AgentSME를 제안합니다. AgentSME는 Solo, Mono, Echo 세 가지 방향의 소통 방식을 고려하여 에이전트의 자율성과 상호 소통의 정도를 다르게 설정합니다. 정확도를 주요 평가 지표로 사용하며, 추론 내용의 다양성을 평가하기 위해 세 가지 다양성 지수를 추가적으로 활용합니다. 6가지 LLM을 사용하여 기본 용량과 고용량 구성으로 나누어 각 소통 방식의 강건성을 검증하였으며, Echo 소통 방식을 사용하는 생성형 에이전트가 가장 높은 정확도를 달성하고 DeepSeek이 가장 높은 다양성을 보였다는 결과를 제시합니다. 이 연구는 에이전트 학습 능력 향상과 스마트 교육 모델 개발에 대한 귀중한 정보를 제공합니다.
