효과적인 개인 맞춤형 AI 보조 학습 (AI-assisted learning)을 위해서는 학습자별로 정확한 교육 자료를 생성할 수 있을 뿐만 아니라, 다양한 학습자에게 맞춰 교수법을 동적으로 조정할 수 있는 시스템이 필요합니다. 그러나 기존의 교육용 에이전트들은 주로 강의 콘텐츠 자동화와 시뮬레이션에 집중해 왔으며, 이는 개별 학습자에게 맞춤화된 멀티모달 (multimodal) 및 체화된 (embodied) 교수법을 모델링하는 데 있어 부족한 경우가 많습니다. 이를 위해, 우리는 엔드 투 엔드 (end-to-end) 적응형 체화된 교수법을 통해 개인 맞춤형 학습을 가능하게 하는 멀티 에이전트 프레임워크인 LectūraAgents를 제안합니다. LectūraAgents의 핵심은 교수-학생 관계를 모방하는 것으로, ProfessorAgent가 연구, 계획, 검토 및 학습자의 요구에 맞춘 강의 콘텐츠의 체화된 전달을 통해 전문화된 하위 에이전트들로 구성된 협업 팀을 이끕니다. 이 프레임워크는 세 가지 주요 기여를 제공합니다: (1) 엔드 투 엔드 개인 맞춤형 학습을 위한 계층적 멀티 에이전트 아키텍처 (hierarchical multi-agent architecture); (2) ProfessorAgent가 교육 환경 내의 콘텐츠에 대해 가시적이고 교육적 동기에 기반한 교수 행동(예: 손글씨 쓰기, 하이라이트, 밑줄 긋기 등)을 실행하는 적응형 체화된 교수 메커니즘 (adaptive embodied teaching mechanism); (3) 학습자 프로필과 일치하는 일관된 교수 행동 시퀀스를 생성하기 위해 현저성 기반 휴리스틱 (salience-based heuristics)과 시간적 의미론적 분할 (temporal semantic segmentation)을 사용하는 교수 행동-언어 정렬 (Teaching Action-Speech Alignment, TASA) 알고리즘입니다. 우리는 샘플별 루브릭 기반 분석 (rubric-based analysis)을 사용하여 고등학교, 학부 및 대학원 수준의 다양한 과정에서 LectūraAgents를 평가하였으며, 생성된 강의 자료와 교수 행동은 전문 교육자에 의해 평가 및 검증되었습니다. 실험 결과는 기존 방식에 비해 강의 콘텐츠 품질, 체화된 교수 품질, 평가 및 개인화 측면에서 일관된 향상을 보여주며, LectūraAgents가 대규모 개인 맞춤형 학습을 위한 교육학적으로 잘 근거한 프레임워크임을 입증합니다.