論文の概要: LLM-Assisted Knowledge Graph Completion for Curriculum and Domain Modelling in Personalized Higher Education Recommendations

• arxiv url: http://arxiv.org/abs/2501.12300v1
• Date: Tue, 21 Jan 2025 17:13:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:07.653344
• Title: LLM-Assisted Knowledge Graph Completion for Curriculum and Domain Modelling in Personalized Higher Education Recommendations
• Title（参考訳）: 個人化高等教育勧告におけるカリキュラムとドメインモデリングのためのLLM支援知識グラフ補完
• Authors: Hasan Abu-Rasheed, Constance Jumbo, Rashed Al Amin, Christian Weber, Veit Wiese, Roman Obermaisser, Madjid Fathi,
• Abstract要約: 本稿では,高等教育カリキュラムモデリングにおける革新的アプローチを紹介する。 本研究は,大学対象をモデル化し,そのトピックを対応するドメインモデルに関連付けることに焦点を当てている。 我々は,大学モジュールや利害関係者のためのドメイン,カリキュラム,ユーザモデルを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: While learning personalization offers great potential for learners, modern practices in higher education require a deeper consideration of domain models and learning contexts, to develop effective personalization algorithms. This paper introduces an innovative approach to higher education curriculum modelling that utilizes large language models (LLMs) for knowledge graph (KG) completion, with the goal of creating personalized learning-path recommendations. Our research focuses on modelling university subjects and linking their topics to corresponding domain models, enabling the integration of learning modules from different faculties and institutions in the student's learning path. Central to our approach is a collaborative process, where LLMs assist human experts in extracting high-quality, fine-grained topics from lecture materials. We develop a domain, curriculum, and user models for university modules and stakeholders. We implement this model to create the KG from two study modules: Embedded Systems and Development of Embedded Systems Using FPGA. The resulting KG structures the curriculum and links it to the domain models. We evaluate our approach through qualitative expert feedback and quantitative graph quality metrics. Domain experts validated the relevance and accuracy of the model, while the graph quality metrics measured the structural properties of our KG. Our results show that the LLM-assisted graph completion approach enhances the ability to connect related courses across disciplines to personalize the learning experience. Expert feedback also showed high acceptance of the proposed collaborative approach for concept extraction and classification.
• Abstract（参考訳）: 学習のパーソナライゼーションは学習者に大きな可能性をもたらすが、高等教育における現代的な実践は、効果的なパーソナライズアルゴリズムを開発するために、ドメインモデルと学習コンテキストをより深く考慮する必要がある。 本稿では,知識グラフ(KG)の完成に大規模言語モデル(LLM)を利用する高等教育カリキュラムモデリングへの革新的アプローチを提案する。 本研究は,大学生の学習経路における異なる学部や機関からの学習モジュールの統合を可能とし,学習対象をモデル化し,それらのトピックを対応するドメインモデルにリンクすることに焦点を当てる。 我々のアプローチの中心は協調的なプロセスであり、LLMは人間の専門家が講義資料から高品質できめ細かいトピックを抽出するのを助ける。 我々は,大学モジュールや利害関係者のためのドメイン,カリキュラム,ユーザモデルを開発する。 我々は,このモデルを用いて,FPGAを用いた組込みシステムと組込みシステムの開発という,2つの研究モジュールからKGを作成する。 結果として得られるKGはカリキュラムを構成し、それをドメインモデルにリンクする。 我々は,定性的な専門家のフィードバックと定量的なグラフ品質指標を用いて,我々のアプローチを評価する。 ドメインエキスパートはモデルの妥当性と精度を検証し、グラフ品質指標は我々のKGの構造特性を測定した。 以上の結果から,LLM支援グラフ補完手法は学習経験をパーソナライズするために,学習分野間の関連コースを接続する能力を高めることが示唆された。 専門家のフィードバックは、概念抽出と分類のための協調的アプローチを高く受け入れた。

関連論文リスト

• Multiple Heads are Better than One: Mixture of Modality Knowledge Experts for Entity Representation Learning [51.80447197290866]
  高品質なマルチモーダル実体表現を学習することは、マルチモーダル知識グラフ(MMKG)表現学習の重要な目標である。 既存の手法は、エレガントなエンティティワイドマルチモーダル融合戦略の構築に重点を置いている。 適応型マルチモーダルな実体表現を学習するために,Mixture of Modality Knowledge Expert (MoMoK) を用いた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-27T06:36:17Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• 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)
• From Mimicking to Integrating: Knowledge Integration for Pre-Trained Language Models [55.137869702763375]
  本稿では,新しいPLM再利用パラダイムであるKnowledge Integration(KI)について検討する。 KIは,異なる分類問題に特化している教師-PLMの知識を,多種多様な学生モデルにマージすることを目的としている。 次に,モデル不確かさを意識した知識統合(MUKI)フレームワークを設計し,学生の黄金の監督を回復する。
  論文  参考訳（メタデータ） (2022-10-11T07:59:08Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Model Uncertainty-Aware Knowledge Amalgamation for Pre-Trained Language Models [37.88287077119201]
  PLMのための新しいモデル再利用パラダイムであるKnowledge Amalgamation(KA)を提案する。 KAは、人間のアノテーションを使用せずに、異なる分類問題に特化している異なる教師-PLMの知識を、汎用的な学生モデルにマージすることを目的としている。 実験の結果,MUKAはベンチマークデータセットのベースラインよりも大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-12-14T12:26:24Z)
• MOOCRep: A Unified Pre-trained Embedding of MOOC Entities [4.0963355240233446]
  我々はMOOCの構造から豊富なラベルのないデータを用いてMOOCエンティティの事前訓練された表現を学習することを提案する。 実験の結果,MOOCRepの埋め込みは,教育コミュニティにとって重要な2つの課題において,最先端の表現学習方法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-07-12T00:11:25Z)
• Enhancing Dialogue Generation via Multi-Level Contrastive Learning [57.005432249952406]
  質問に対する応答のきめ細かい品質をモデル化するマルチレベルコントラスト学習パラダイムを提案する。 Rank-aware (RC) ネットワークはマルチレベルコントラスト最適化の目的を構築するために設計されている。 本研究では,知識推論(KI)コンポーネントを構築し,学習中の参照からキーワードの知識を抽出し,そのような情報を活用して情報的単語の生成を促す。
  論文  参考訳（メタデータ） (2020-09-19T02:41:04Z)
• Incorporating Joint Embeddings into Goal-Oriented Dialogues with Multi-Task Learning [8.662586355051014]
  本稿では,知識グラフとコーパスの結合埋め込みを入力としてトレーニングしたRNNベースのエンド・ツー・エンド・エンド・エンコーダ・デコーダアーキテクチャを提案する。 このモデルは、マルチタスク学習パラダイムでトレーニングされたテキスト生成とともに、ユーザ意図のさらなる統合を提供する。
  論文  参考訳（メタデータ） (2020-01-28T17:15:02Z)

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。