DataCanvas-EDU：面向商业分析教学的教师引导式合成数据生成智能体框架

该论文提出 DataCanvas-EDU，一个面向商业分析教育的智能体框架，由教师通过对话指定教学目标与预期数据模式，AI 智能体负责编写数据生成代码、检查数据，并准备作业、参考分析与评分标准。流程分为 Plan、Create、Verify/Test Analysis、Evaluate 四个阶段，支持教师审阅与修改。作者以 WindowDash 外卖案例演示，包含 15000 条订单与九种设计模式。

此前教师需自行寻找真实数据、排查数据模式并编写作业与参考答案，耗时且难以适配具体课程；公开数据集在 LLM 训练中可能已被大量教程覆盖，学生容易拿到现成分析而非练习探索陌生数据。该框架尝试把模式设计与验证交给智能体，使教学数据可按目标定制。

机制上以对话方式把教学目标转化为可执行的数据生成代码，再由智能体对生成结果做检查与测试分析，最后输出作业、参考解和评分标准。教师保留审阅与修改环节，形成人在回路中的生成流程，同时用合成数据规避公开数据集被模型训练污染的问题。

对教育产品与研发而言，可将案例准备从人工编写转为智能体生成加教师审核，缩短课程内容生产周期；但需配套数据校验与评分标准管理，避免生成模式偏离教学目标。对使用 AI 的教学流程，学生面对的是新设计的数据，更可能练习真实的数据探索而非复述已有分析。

• 面向高校与培训机构的商业分析课程，提供按教学目标生成数据集、作业与评分标准的智能体工具，并以教师审核为必经环节。
• 为教育平台开发合成数据质量检查模块，输出模式覆盖度与参考答案一致性报告，降低教师验证成本。
• 围绕 WindowDash 这类案例模板，建立可替换行业场景的案例库，支持教师按课程快速调整数据模式。

• 论文摘要未给出四个阶段的详细评估结果，实际教学效果与教师节省时间的量化数据尚不明确。
• 合成数据是否能覆盖真实商业分析中常见的脏数据与异常情况，证据未说明。
• DataCanvas-EDU 的具体产品形态、部署方式与可用性状态在证据中被截断，尚未确认。
• 该框架是否已在真实课程中使用并与传统案例教学做过对照，证据不足。