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

• ReVISE: Learning to Refine at Test-Time via Intrinsic Self-Verification [53.80183105328448]
  Refine via Intrinsic Self-Verification (ReVISE)は、LLMが自己検証を通じてアウトプットを自己修正できる効率的なフレームワークである。 様々な推論タスクに関する実験により、ReVISEは効率的な自己補正を実現し、推論性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-02-20T13:50:02Z)
• The AI Assessment Scale Revisited: A Framework for Educational Assessment [0.0]
  ジェネレーティブ・人工知能(GenAI)の最近の進歩は、教育において大きな不確実性を生み出している。 我々は、2つの基本的な目的を持ったフレームワークであるAIAS(AI Assessment Scale)の更新版を提示する。
  論文  参考訳（メタデータ） (2024-12-12T07:44:52Z)
• Generative AI and Its Impact on Personalized Intelligent Tutoring Systems [0.0]
  生成AIは、動的コンテンツ生成、リアルタイムフィードバック、適応学習経路を通じてパーソナライズされた教育を可能にする。 報告では、自動質問生成、カスタマイズされたフィードバック機構、対話システムなどの重要な応用について検討する。 今後の方向性は、マルチモーダルAI統合の潜在的な進歩、学習システムにおける感情的知性、そしてAI駆動型教育の倫理的意味を強調する。
  論文  参考訳（メタデータ） (2024-10-14T16:01:01Z)
• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• Comprehensive AI Assessment Framework: Enhancing Educational Evaluation with Ethical AI Integration [0.0]
  本稿では、Perkins、Furze、Roe、MacVaughによるAIA(AIAS)の進化版である包括的AIアセスメントフレームワーク(CAIAF)について述べる。 CAIAFは厳格な倫理的ガイドラインを取り入れており、教育レベルと高度なAI能力に基づいて明確に区別されている。 このフレームワークは、より良い学習結果を保証するとともに、学術的完全性を維持し、AIの責任ある利用を促進する。
  論文  参考訳（メタデータ） (2024-06-07T07:18:42Z)
• A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
  本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。 KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。 KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。 CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
  論文  参考訳（メタデータ） (2024-03-11T03:42:03Z)
• 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)
• Towards Verifiable Generation: A Benchmark for Knowledge-aware Language Model Attribution [48.86322922826514]
  本稿では,知識認識型言語モデル属性(KaLMA)の新たな課題について述べる。 まず、属性のソースを構造化されていないテキストから知識グラフ(KG)に拡張し、そのリッチな構造は属性のパフォーマンスと作業シナリオの両方に役立ちます。 第2に,不完全な知識リポジトリを考慮した「意識的非能力」の設定を提案する。 第3に,テキスト品質,引用品質,引用アライメントを含む総合的な自動評価指標を提案する。
  論文  参考訳（メタデータ） (2023-10-09T11:45:59Z)
• 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)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。