論文の概要: Examining GPT's Capability to Generate and Map Course Concepts and Their Relationship

• arxiv url: http://arxiv.org/abs/2504.08856v1
• Date: Fri, 11 Apr 2025 05:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:55:44.552368
• Title: Examining GPT's Capability to Generate and Map Course Concepts and Their Relationship
• Title（参考訳）: GPTのコース概念の生成・マップ化能力とその関連性の検討
• Authors: Tianyuan Yang, Ren Baofeng, Chenghao Gu, Tianjia He, Boxuan Ma, Shinichi Konomi,
• Abstract要約: 本稿では,LLMがコース概念を自動生成する可能性とその関連性について検討する。 我々は,GPTに異なるレベルの詳細のコース情報を提供し,それによって高品質なコース概念を生成し,それらの関係を同定する。 本研究は,教育コンテンツの選択と配信を支援するツールとしてのLCMの実用性を示すものである。
• 参考スコア（独自算出の注目度）: 0.2309018557701645
• License:
• Abstract: Extracting key concepts and their relationships from course information and materials facilitates the provision of visualizations and recommendations for learners who need to select the right courses to take from a large number of courses. However, identifying and extracting themes manually is labor-intensive and time-consuming. Previous machine learning-based methods to extract relevant concepts from courses heavily rely on detailed course materials, which necessitates labor-intensive preparation of course materials. This paper investigates the potential of LLMs such as GPT in automatically generating course concepts and their relations. Specifically, we design a suite of prompts and provide GPT with the course information with different levels of detail, thereby generating high-quality course concepts and identifying their relations. Furthermore, we comprehensively evaluate the quality of the generated concepts and relationships through extensive experiments. Our results demonstrate the viability of LLMs as a tool for supporting educational content selection and delivery.
• Abstract（参考訳）: コース情報や教材から重要な概念とそれらの関係を抽出することで、多数のコースから選択する正しいコースを選択する必要がある学習者のための可視化とレコメンデーションの提供が容易になる。 しかし、手動でテーマを特定して抽出するのは労働集約的で時間を要する。 従来の機械学習に基づくコースから関連する概念を抽出する手法は、詳細なコース資料に大きく依存しており、コース教材の労働集約的な準備を必要とする。 本稿では, GPT などの LLM がコース概念を自動生成する可能性とその関連性について検討する。 具体的には、一連のプロンプトを設計し、異なるレベルの詳細のコース情報を提供し、それによって高品質なコース概念を生成し、それらの関係を識別する。 さらに、我々は、広範囲な実験を通して生成された概念と関係の質を包括的に評価する。 本研究は,教育コンテンツの選択と配信を支援するツールとしてのLCMの実用性を示すものである。

関連論文リスト

• LLM-Assisted Knowledge Graph Completion for Curriculum and Domain Modelling in Personalized Higher Education Recommendations [0.0]
  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。
  論文  参考訳（メタデータ） (2025-01-21T17:13:13Z)
• Benchmarking Large Language Models for Conversational Question Answering in Multi-instructional Documents [61.41316121093604]
  対話型質問応答(CQA)の文脈における大規模言語モデル(LLM)を評価するための新しいベンチマークであるInsCoQAを提案する。 InsCoQAは、百科事典スタイルの教育内容から派生したもので、複数の文書から手続き的ガイダンスを抽出し、解釈し、正確に要約する能力のモデルを評価する。 また,LLM支援型評価器であるInsEvalを提案する。
  論文  参考訳（メタデータ） (2024-10-01T09:10:00Z)
• Integrating HCI Datasets in Project-Based Machine Learning Courses: A College-Level Review and Case Study [0.7499722271664147]
  本研究では,HCI(Human-Computer Interface)データセットを用いた実世界の機械学習プロジェクトの統合について検討する。
  論文  参考訳（メタデータ） (2024-08-06T23:05:15Z)
• Revolutionizing Undergraduate Learning: CourseGPT and Its Generative AI Advancements [1.949927790632678]
  本稿では,教員支援と学部生の教育経験向上を目的とした生成型AIツールであるCourseGPTを紹介する。 Mistral AIのオープンソースのLarge Language Models(LLM)をベースに構築されたCourseGPTは、継続的なインストラクターサポートとコース教材の定期的な更新を提供する。 本稿では,CPR E 431- Basics of Information System Security をパイロットとして利用したCourseGPTの応用例を示す。
  論文  参考訳（メタデータ） (2024-07-25T18:02:16Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Automate Knowledge Concept Tagging on Math Questions with LLMs [48.5585921817745]
  知識概念のタグ付けは、現代の知的教育応用において重要な役割を担っている。 伝統的に、これらの注釈は教育専門家の助けを借りて手作業で行われてきた。 本稿では,Large Language Models (LLM) を用いたタグ付けタスクの自動化について検討する。
  論文  参考訳（メタデータ） (2024-03-26T00:09:38Z)
• 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)
• LLMs for Knowledge Graph Construction and Reasoning: Recent Capabilities and Future Opportunities [66.36633042421387]
  知識グラフ(KG)の構築と推論のための大規模言語モデル(LLM)の評価。 我々は,LLMと外部ソースを用いたマルチエージェントベースのアプローチであるAutoKGを提案し,KGの構築と推論を行う。
  論文  参考訳（メタデータ） (2023-05-22T15:56:44Z)
• 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)
• Deeper Learning By Doing: Integrating Hands-On Research Projects Into a Machine Learning Course [3.553493344868414]
  本稿では,プロジェクトベースの機械学習コースの組織について述べる。 本コースにプロジェクトベース学習を取り入れることに加えて,実世界の課題に対応するプロジェクトベース学習コンポーネントの開発も目指している。
  論文  参考訳（メタデータ） (2021-07-28T23:41:27Z)
• Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
  大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。 学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。 そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-23T18:28:08Z)

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。