論文の概要: FOKE: A Personalized and Explainable Education Framework Integrating Foundation Models, Knowledge Graphs, and Prompt Engineering
- arxiv url: http://arxiv.org/abs/2405.03734v1
- Date: Mon, 6 May 2024 15:11:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 18:24:15.386418
- Title: FOKE: A Personalized and Explainable Education Framework Integrating Foundation Models, Knowledge Graphs, and Prompt Engineering
- Title（参考訳）: FOKE: 基礎モデル、知識グラフ、即興エンジニアリングを統合したパーソナライズされた説明可能な教育フレームワーク
- Authors: Silan Hu, Xiaoning Wang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.18416014644193066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrating large language models (LLMs) and knowledge graphs (KGs) holds great promise for revolutionizing intelligent education, but challenges remain in achieving personalization, interactivity, and explainability. We propose FOKE, a Forest Of Knowledge and Education framework that synergizes foundation models, knowledge graphs, and prompt engineering to address these challenges. FOKE introduces three key innovations: (1) a hierarchical knowledge forest for structured domain knowledge representation; (2) a multi-dimensional user profiling mechanism for comprehensive learner modeling; and (3) an interactive prompt engineering scheme for generating precise and tailored learning guidance. We showcase FOKE's application in programming education, homework assessment, and learning path planning, demonstrating its effectiveness and practicality. Additionally, we implement Scholar Hero, a real-world instantiation of FOKE. Our research highlights the potential of integrating foundation models, knowledge graphs, and prompt engineering to revolutionize intelligent education practices, ultimately benefiting learners worldwide. FOKE provides a principled and unified approach to harnessing cutting-edge AI technologies for personalized, interactive, and explainable educational services, paving the way for further research and development in this critical direction.
- Abstract（参考訳）: 大きな言語モデル(LLM)と知識グラフ(KG)を統合することは、知的教育に革命をもたらす大きな約束であるが、パーソナライゼーション、対話性、説明可能性の達成には課題が残る。
基礎モデルと知識グラフを相乗化し,これらの課題に対処するためのエンジニアリングを促す,知識と教育のフォレストである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。
本稿では、プログラミング教育、宿題評価、学習経路計画におけるFOKEの応用について紹介し、その有効性と実用性を実証する。
さらに,FOKEのリアルタイムインスタンス化であるScholar Heroを実装した。
我々の研究は、基礎モデル、知識グラフの統合、そしてエンジニアリングがインテリジェントな教育実践に革命をもたらす可能性を強調し、最終的には世界中の学習者に利益をもたらす。
FOKEは、パーソナライズされたインタラクティブで説明可能な教育サービスに最先端のAI技術を活用するための原則付き統一されたアプローチを提供し、この重要な方向へのさらなる研究と開発の道を開く。
関連論文リスト
- Possible principles for aligned structure learning agents [0.0]
スケーラブルなAIへの道のりは、人工知能が私たちの好みのよいモデルを含む世界の良いモデルを学習できるようにすることにあります。
本稿では,構造学習におけるコア知識,情報幾何学,モデル縮小の本質的役割について論じる。
アシモフの『ロボットの法則』は、エージェントが他のエージェントの悪影響を最小限に抑えるために慎重に行動するよう規定している。
論文 参考訳（メタデータ） (2024-09-30T22:06:06Z) - From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents [78.15899922698631]
MAIC(Massive AI-empowered Course)は、LLM駆動のマルチエージェントシステムを活用して、AIが強化された教室を構築するオンライン教育の新たな形態である。
中国一の大学である清華大学で予備的な実験を行う。
論文 参考訳（メタデータ） (2024-09-05T13:22:51Z) - Visual Knowledge in the Big Model Era: Retrospect and Prospect [63.282425615863]
視覚知識は、視覚概念とその関係を簡潔で包括的で解釈可能な方法でカプセル化できる新しい知識表現である。
視覚世界に関する知識は、人間の認知と知性にとって欠かせない要素として認識されているため、視覚知識は、機械知性を確立する上で重要な役割を担っていると考えられる。
論文 参考訳（メタデータ） (2024-04-05T07:31:24Z) - 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) - Artificial Intelligence-Enabled Intelligent Assistant for Personalized
and Adaptive Learning in Higher Education [0.2812395851874055]
本稿では,AIIA(Artificial Intelligence-Enabled Intelligent Assistant)という,高等教育におけるパーソナライズおよび適応学習のための新しいフレームワークを提案する。
AIIAシステムは、高度なAIと自然言語処理(NLP)技術を活用して、対話的で魅力的な学習プラットフォームを構築する。
論文 参考訳（メタデータ） (2023-09-19T19:31:15Z) - Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。
このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。
我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文 参考訳（メタデータ） (2023-07-03T16:01:45Z) - Multi-source Education Knowledge Graph Construction and Fusion for
College Curricula [3.981835878719391]
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。
論文 参考訳（メタデータ） (2023-05-08T09:25:41Z) - Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。
知識の抽出と知識の記憶という2つの側面から問題に取り組む。
提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
論文 参考訳（メタデータ） (2022-08-27T09:27:36Z) - A Metamodel and Framework for Artificial General Intelligence From
Theory to Practice [11.756425327193426]
本稿では,自律学習と適応性を大幅に向上させるメタモデルに基づく知識表現を提案する。
我々は,時系列解析,コンピュータビジョン,自然言語理解といった問題にメタモデルを適用した。
メタモデルの驚くべき結果のひとつは、新たなレベルの自律的な学習と、マシンインテリジェンスのための最適な機能を可能にするだけでなく、それを可能にすることだ。
論文 参考訳（メタデータ） (2021-02-11T16:45:58Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳（メタデータ） (2021-01-27T16:20:23Z) - A Review on Intelligent Object Perception Methods Combining
Knowledge-based Reasoning and Machine Learning [60.335974351919816]
物体知覚はコンピュータビジョンの基本的なサブフィールドである。
最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
論文 参考訳（メタデータ） (2019-12-26T13:26:49Z)
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。