論文の概要: An Optimized Pipeline for Automatic Educational Knowledge Graph Construction

• arxiv url: http://arxiv.org/abs/2509.05392v1
• Date: Fri, 05 Sep 2025 10:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.489408
• Title: An Optimized Pipeline for Automatic Educational Knowledge Graph Construction
• Title（参考訳）: 学習知識グラフ構築のための最適化パイプライン
• Authors: Qurat Ul Ain, Mohamed Amine Chatti, Jean Qussa, Amr Shakhshir, Rawaa Alatrash, Shoeb Joarder,
• Abstract要約: PDF学習教材からのEduKG自動構築のためのパイプラインを提案する。 我々はMOOCプラットフォームであるCourseMapperで提案したパイプラインから生成されたEduKGの精度を評価する。 最適化されたパイプラインは精度が17.5%向上し、処理効率が10倍向上する。
• 参考スコア（独自算出の注目度）: 1.2386601773981714
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The automatic construction of Educational Knowledge Graphs (EduKGs) is essential for domain knowledge modeling by extracting meaningful representations from learning materials. Despite growing interest, identifying a scalable and reliable approach for automatic EduKG generation remains a challenge. In an attempt to develop a unified and robust pipeline for automatic EduKG construction, in this study we propose a pipeline for automatic EduKG construction from PDF learning materials. The process begins with generating slide-level EduKGs from individual pages/slides, which are then merged to form a comprehensive EduKG representing the entire learning material. We evaluate the accuracy of the EduKG generated from the proposed pipeline in our MOOC platform, CourseMapper. The observed accuracy, while indicative of partial success, is relatively low particularly in the educational context, where the reliability of knowledge representations is critical for supporting meaningful learning. To address this, we introduce targeted optimizations across multiple pipeline components. The optimized pipeline achieves a 17.5% improvement in accuracy and a tenfold increase in processing efficiency. Our approach offers a holistic, scalable and end-to-end pipeline for automatic EduKG construction, adaptable to diverse educational contexts, and supports improved semantic representation of learning content.
• Abstract（参考訳）: 教育知識グラフ(EduKG)の自動構築は,学習資料から意味のある表現を抽出することによって,ドメイン知識モデリングに不可欠である。 関心が高まっているにもかかわらず、自動EduKG生成のためのスケーラブルで信頼性の高いアプローチを特定することは依然として課題である。 本研究では,EduKG自動構築のための統一的で堅牢なパイプラインを構築するために,PDF学習教材からEduKG自動構築のためのパイプラインを提案する。 プロセスは、個々のページ/スライドからスライドレベルのEduKGを生成し、それをマージして、学習材料全体を表す包括的なEduKGを形成する。 我々はMOOCプラットフォームであるCourseMapperで提案したパイプラインから生成されたEduKGの精度を評価する。 観察された精度は、部分的成功を示すが、特に、知識表現の信頼性が有意義な学習を支援するために重要である教育的文脈では、比較的低い。 この問題に対処するために、複数のパイプラインコンポーネントにまたがるターゲット最適化を紹介します。 最適化されたパイプラインは精度が17.5%向上し、処理効率が10倍向上する。 われわれのアプローチは、EduKGの自動構築のための総合的でスケーラブルでエンドツーエンドのパイプラインを提供し、多様な教育コンテキストに適応し、学習コンテンツのセマンティック表現の改善をサポートする。

関連論文リスト

• Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
  時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。 本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。 提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
  論文  参考訳（メタデータ） (2025-07-25T06:02:48Z)
• Top-Down vs. Bottom-Up Approaches for Automatic Educational Knowledge Graph Construction in CourseMapper [0.5937476291232802]
  本研究では,自動EduKG構築におけるトップダウンとボトムアップのアプローチを比較した。 以上の結果から,ボトムアップアプローチは,重要な知識概念を正確に識別し,マッピングする上で,トップダウンアプローチよりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T08:11:48Z)
• Hierarchical Knowledge Graph Construction from Images for Scalable E-Commerce [17.97354500453661]
  生の製品画像から構造化された製品知識グラフを構築するための新しい手法を提案する。 この手法は視覚言語モデル(VLM)と大規模言語モデル(LLM)の最近の進歩を協調的に活用する。
  論文  参考訳（メタデータ） (2024-10-28T17:34:05Z)
• Semantic-Guided RL for Interpretable Feature Engineering [0.0]
  SMARTはセマンティック技術を用いて解釈可能な特徴の生成を誘導するハイブリッドアプローチである。 公開データセットを用いた実験により,SMARTは高い解釈性を確保しつつ予測精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-10-03T14:28:05Z)
• CorDA: Context-Oriented Decomposition Adaptation of Large Language Models for Task-Aware Parameter-Efficient Fine-tuning [101.81127587760831]
  現在の微調整手法は、学習すべき下流タスクのコンテキストや、維持すべき重要な知識のコンテキストに広く適用できるアダプタを構築している。 学習可能なタスク対応アダプタを構築するコンテキスト指向の分解適応手法であるCorDAを提案する。 本手法は,知識保存型適応と指導レビュー型適応の2つの選択肢を実現する。
  論文  参考訳（メタデータ） (2024-06-07T19:10:35Z)
• Pre-training Transformers for Knowledge Graph Completion [81.4078733132239]
  知識グラフの伝達可能な表現を学習するための新しい帰納的KG表現モデル(iHT)を提案する。 iHT はエンティティエンコーダ (BERT など) と、Transformer によってパラメータ化される隣り合うリレーショナルスコアリング関数からなる。 提案手法は,従来のSOTAモデルに比べて25%以上の相対的相互ランクの改善が得られた。
  論文  参考訳（メタデータ） (2023-03-28T02:10:37Z)
• Where Is My Training Bottleneck? Hidden Trade-Offs in Deep Learning Preprocessing Pipelines [77.45213180689952]
  ディープラーニングにおける前処理パイプラインは、トレーニングプロセスを忙しくするための十分なデータスループットの提供を目的としている。 エンドツーエンドのディープラーニングパイプラインのためのデータセットを効率的に準備する新たな視点を導入する。 チューニングされていないシステムに比べてスループットが3倍から13倍に向上する。
  論文  参考訳（メタデータ） (2022-02-17T14:31:58Z)
• Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines [48.7576911714538]
  提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。 パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。 このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
  論文  参考訳（メタデータ） (2021-06-26T23:19:06Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)

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。