論文の概要: Multi-source Education Knowledge Graph Construction and Fusion for College Curricula

• arxiv url: http://arxiv.org/abs/2305.04567v1
• Date: Mon, 8 May 2023 09:25:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 14:58:11.373268
• Title: Multi-source Education Knowledge Graph Construction and Fusion for College Curricula
• Title（参考訳）: 大学カリキュラムのための多元教育知識グラフの構築と融合
• Authors: Zeju Li, Linya Cheng, Chunhong Zhang, Xinning Zhu, Hui Zhao
• Abstract要約: 本稿では,電子情報分野における知識抽出,視覚的KG構築,グラフ融合のためのフレームワークを提案する。 我々の目標は、学生の学習効率を高め、AIによって実現される新しい教育パラダイムを探求することである。
• 参考スコア（独自算出の注目度）: 3.981835878719391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of education has undergone a significant transformation due to the rapid advancements in Artificial Intelligence (AI). Among the various AI technologies, Knowledge Graphs (KGs) using Natural Language Processing (NLP) have emerged as powerful visualization tools for integrating multifaceted information. In the context of university education, the availability of numerous specialized courses and complicated learning resources often leads to inferior learning outcomes for students. In this paper, we propose an automated framework for knowledge extraction, visual KG construction, and graph fusion, tailored for the major of Electronic Information. Furthermore, we perform data analysis to investigate the correlation degree and relationship between courses, rank hot knowledge concepts, and explore the intersection of courses. Our objective is to enhance the learning efficiency of students and to explore new educational paradigms enabled by AI. The proposed framework is expected to enable students to better understand and appreciate the intricacies of their field of study by providing them with a comprehensive understanding of the relationships between the various concepts and courses.
• Abstract（参考訳）: 教育分野は人工知能(AI)の急速な進歩により大きな変革を遂げている。 さまざまなAI技術の中で、自然言語処理(NLP)を用いた知識グラフ(KG)が、多面的情報を統合するための強力な可視化ツールとして登場した。 大学教育の文脈では、多くの専門科目と複雑な学習資源が利用可能であることは、しばしば学生の学習結果に劣る。 本稿では,電子情報の主要分野に合わせた知識抽出,視覚kg構築,グラフ融合のための自動化フレームワークを提案する。 さらに,コース間の相関度と関係,ホットナレッジの概念のランク付け,およびコースの交点の探索についてデータ解析を行った。 我々の目標は、学生の学習効率を高め、AIによって実現される新しい教育パラダイムを探求することである。 提案フレームワークは,様々な概念やコース間の関係を包括的に理解することで,学習分野の複雑さをよりよく理解し,理解することを可能にすることが期待されている。

関連論文リスト

• FOKE: A Personalized and Explainable Education Framework Integrating Foundation Models, Knowledge Graphs, and Prompt Engineering [0.18416014644193066]
  基礎モデルと知識グラフを相乗化するフレームワークであるFOKEを提案する。 FOKEは,(1)構造化ドメイン知識表現のための階層的知識林,(2)包括的学習者モデリングのための多次元ユーザプロファイル機構,(3)精密で調整された学習指導を生成するための対話的プロンプトエンジニアリングスキーム,という3つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2024-05-06T15:11:05Z)
• Knowledge Graph Extension by Entity Type Recognition [2.8231106019727195]
  本稿では,エンティティ型認識に基づく知識グラフ拡張フレームワークを提案する。 このフレームワークは、異なる知識グラフ間でスキーマとエンティティを整列させることにより、高品質な知識抽出を実現することを目的としている。
  論文  参考訳（メタデータ） (2024-05-03T19:55:03Z)
• Enhancing Instructional Quality: Leveraging Computer-Assisted Textual Analysis to Generate In-Depth Insights from Educational Artifacts [13.617709093240231]
  本研究では、人工知能(AI)と機械学習(ML)が教育内容、教師の談話、学生の反応を分析して教育改善を促進する方法について検討する。 私たちは、教師のコーチング、学生のサポート、コンテンツ開発など、AI/ML統合が大きな利点をもたらす重要な領域を特定します。 本稿では,AI/ML技術と教育的目標との整合性の重要性を強調し,その教育的可能性を実現する。
  論文  参考訳（メタデータ） (2024-03-06T18:29:18Z)
• Multimodality of AI for Education: Towards Artificial General Intelligence [14.121655991753483]
  マルチモーダル人工知能(AI)アプローチは、教育的文脈における人工知能(AGI)の実現に向けた道を歩んでいる。 この研究は、認知フレームワーク、高度な知識表現、適応学習機構、多様なマルチモーダルデータソースの統合など、AGIの重要な側面を深く掘り下げている。 本稿は、AGI開発における今後の方向性と課題に関する洞察を提供する、教育におけるマルチモーダルAIの役割の意味についても論じる。
  論文  参考訳（メタデータ） (2023-12-10T23:32:55Z)
• Vision+X: A Survey on Multimodal Learning in the Light of Data [64.03266872103835]
  様々なソースからのデータを組み込んだマルチモーダル機械学習が,ますます普及している研究分野となっている。 我々は、視覚、音声、テキスト、動きなど、各データフォーマットの共通点と特異点を分析する。 本稿では,表現学習と下流アプリケーションレベルの両方から,マルチモーダル学習に関する既存の文献を考察する。
  論文  参考訳（メタデータ） (2022-10-05T13:14:57Z)
• Learning Knowledge Representation with Meta Knowledge Distillation for Single Image Super-Resolution [82.89021683451432]
  単一画像超解像課題に対する教師/学生アーキテクチャに基づくモデルに依存しないメタ知識蒸留法を提案する。 種々の単一画像超解像データセットを用いた実験により,提案手法は既存の知識表現関連蒸留法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-18T02:41:04Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
  ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。 まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
  論文  参考訳（メタデータ） (2021-04-12T05:52:20Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• JAKET: Joint Pre-training of Knowledge Graph and Language Understanding [73.43768772121985]
  本稿では,知識グラフと言語の両方をモデル化する新しい事前学習フレームワークであるJAKETを提案する。 知識モジュールと言語モジュールは相互に支援するための重要な情報を提供する。 我々の設計により、事前学習されたモデルは、新しいドメインの見知らぬ知識グラフに容易に適応できる。
  論文  参考訳（メタデータ） (2020-10-02T05:53:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。