論文の概要: How to Build an AI Tutor That Can Adapt to Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG)

• arxiv url: http://arxiv.org/abs/2311.17696v6
• Date: Wed, 22 Jan 2025 08:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:30:18.118814
• Title: How to Build an AI Tutor That Can Adapt to Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG)
• Title（参考訳）: 知識グラフ強化検索型生成(KG-RAG)を用いた任意のコースに適応可能なAIチュータの作り方
• Authors: Chenxi Dong, Yimin Yuan, Kan Chen, Shupei Cheng, Chujie Wen,
• Abstract要約: KG-RAG(Knowledge Graph-enhanced Retrieval-Augmented Generation)は、LLMベースの学習システムにおける2つの重要な課題に対処する。 このフレームワークをQwen2.5を用いて実装し、高い性能を維持しながらコスト効率を実証する。 我々のフレームワークは、パーソナライズされたAI学習へのスケーラブルなアプローチを提供し、応答精度と教育的一貫性を保証する。
• 参考スコア（独自算出の注目度）: 5.305156933641317
• License:
• Abstract: This paper introduces KG-RAG (Knowledge Graph-enhanced Retrieval-Augmented Generation), a novel framework that addresses two critical challenges in LLM-based tutoring systems: information hallucination and limited course-specific adaptation. By integrating knowledge graphs with retrieval-augmented generation, KG-RAG provides a structured representation of course concepts and their relationships, enabling contextually grounded and pedagogically sound responses. We implement the framework using Qwen2.5, demonstrating its cost-effectiveness while maintaining high performance. The KG-RAG system outperformed standard RAG-based tutoring in a controlled study with 76 university students (mean scores: 6.37 vs. 4.71, p<0.001, Cohen's d=0.86). User feedback showed strong satisfaction with answer relevance (84% positive) and user experience (59% positive). Our framework offers a scalable approach to personalized AI tutoring, ensuring response accuracy and pedagogical coherence.
• Abstract（参考訳）: 本稿では,LLMベースの学習システムにおける2つの重要な課題に対処する新しいフレームワークであるKG-RAG(Knowledge Graph-enhanced Retrieval-Augmented Generation)を紹介する。 KG-RAGは、知識グラフと検索拡張生成を統合することで、コースの概念とその関係を構造化した表現を提供し、文脈的に基底と教育的に音声応答を可能にする。 このフレームワークをQwen2.5を用いて実装し、高い性能を維持しながらコスト効率を実証する。 KG-RAGシステムは76人の大学生を対象にした標準的なRAGベースの授業成績(平均スコア:6.37 vs. 4.71, p<0.001, Cohen's d=0.86)を上回った。 ユーザからのフィードバックは,回答の関連性(84%)とユーザエクスペリエンス(59%)で強い満足感を示した。 我々のフレームワークは、パーソナライズされたAI学習へのスケーラブルなアプローチを提供し、応答精度と教育的一貫性を保証する。

関連論文リスト

• RepoGraph: Enhancing AI Software Engineering with Repository-level Code Graph [63.87660059104077]
  RepoGraphは、現代のAIソフトウェアエンジニアリングソリューションのためのリポジトリレベルの構造を管理するプラグインモジュールである。 RepoGraphはすべてのシステムのパフォーマンスを大幅に向上させ、オープンソースフレームワークの間で新たな最先端技術を生み出している。
  論文  参考訳（メタデータ） (2024-10-03T05:45:26Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Integrating A.I. in Higher Education: Protocol for a Pilot Study with 'SAMCares: An Adaptive Learning Hub' [0.6990493129893112]
  本研究は,「SAMCares」と呼ぶ革新的な研究仲間を紹介することを目的としている。 このシステムは、Large Language Model(LLM)とRetriever-Augmented Generation(RAG)を利用して、リアルタイム、コンテキスト認識、適応的な教育サポートを提供する。
  論文  参考訳（メタデータ） (2024-05-01T05:39:07Z)
• AI-Tutoring in Software Engineering Education [0.7631288333466648]
  我々は,GPT-3.5-TurboモデルをAI-TutorとしてAPASアルテミスに組み込むことで,探索的なケーススタディを行った。 この発見は、タイムリーなフィードバックやスケーラビリティといった利点を浮き彫りにしている。 しかし,AI-Tutor を用いた場合,一般的な応答や学習進行抑制に対する学生の懸念も明らかであった。
  論文  参考訳（メタデータ） (2024-04-03T08:15:08Z)
• Genetic Auto-prompt Learning for Pre-trained Code Intelligence Language Models [54.58108387797138]
  コードインテリジェンスタスクにおける即時学習の有効性について検討する。 既存の自動プロンプト設計手法は、コードインテリジェンスタスクに限られている。 本稿では、精巧な遺伝的アルゴリズムを用いてプロンプトを自動設計する遺伝的オートプロンプト(GenAP)を提案する。
  論文  参考訳（メタデータ） (2024-03-20T13:37:00Z)
• Developer Experiences with a Contextualized AI Coding Assistant: Usability, Expectations, and Outcomes [11.520721038793285]
  この研究は、コンテキスト化されたコーディングAIアシスタントであるStackSpot AIを制御された環境で使用した62人の参加者の初期体験に焦点を当てる。 アシスタントの使用は、大幅な時間を節約し、ドキュメントへのアクセスを容易にし、内部APIの正確なコードを生成する結果となった。 コーディングアシスタントが、複雑なコードを扱う際の変数応答や制限と同様に、よりコンテキスト情報にアクセスできるようにするために必要な知識ソースに関連する課題が観察された。
  論文  参考訳（メタデータ） (2023-11-30T10:52:28Z)
• AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
  生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。 本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。 実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
  論文  参考訳（メタデータ） (2023-10-03T06:55:19Z)
• OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
  ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。 この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。 マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
  論文  参考訳（メタデータ） (2023-04-10T03:55:35Z)
• How Generative AI models such as ChatGPT can be (Mis)Used in SPC Practice, Education, and Research? An Exploratory Study [2.0841728192954663]
  生成人工知能(AI)モデルは、統計的プロセス制御(SPC)の実践、学習、研究に革命をもたらす可能性がある。 これらのツールは開発の初期段階にあり、簡単に誤用されるか、誤解される可能性がある。 コードを提供し、基本的な概念を説明し、SPCの実践、学習、研究に関する知識を創造するChatGPTの能力を探求する。
  論文  参考訳（メタデータ） (2023-02-17T15:48:37Z)
• Build-a-Bot: Teaching Conversational AI Using a Transformer-Based Intent Recognition and Question Answering Architecture [15.19996462016215]
  本稿では、自然言語パイプラインを用いて、独自の学校カリキュラムに基づく質問に答えるためにカスタマイズされたモデルを訓練することで、人工知能の原理を学習するためのインタフェースを提案する。 このパイプラインは、AIエージェントを作成しながら、これらのプロセスのそれぞれを通じて、学生のデータ収集、データ拡張、意図認識、質問応答を教える。
  論文  参考訳（メタデータ） (2022-12-14T22:57:44Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。