論文の概要: CLLMRec: LLM-powered Cognitive-Aware Concept Recommendation via Semantic Alignment and Prerequisite Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2511.17041v2
• Date: Wed, 26 Nov 2025 10:10:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 14:46:34.318052
• Title: CLLMRec: LLM-powered Cognitive-Aware Concept Recommendation via Semantic Alignment and Prerequisite Knowledge Distillation
• Title（参考訳）: CLLMRec: セマンティックアライメントと前提知識蒸留による認知認識概念勧告
• Authors: Xiangrui Xiong, Yichuan Lu, Zifei Pan, Chang Sun,
• Abstract要約: 大規模オープンオンラインコース(MOOC)の成長は、概念が不可欠であるパーソナライズされた学習に重大な課題をもたらす。 既存のアプローチは通常、概念的関係を捉えるために異種情報ネットワークや知識グラフに依存し、学習者の認知状態を評価するための知識追跡モデルと組み合わせている。 本稿では,CLLMRecを提案する。CLLMRecは,大規模言語モデルを利用してパーソナライズされた概念レコメンデーションを生成する新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 3.200298153814017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growth of Massive Open Online Courses (MOOCs) presents significant challenges for personalized learning, where concept recommendation is crucial. Existing approaches typically rely on heterogeneous information networks or knowledge graphs to capture conceptual relationships, combined with knowledge tracing models to assess learners' cognitive states. However, these methods face significant limitations due to their dependence on high-quality structured knowledge graphs, which are often scarce in real-world educational scenarios. To address this fundamental challenge, this paper proposes CLLMRec, a novel framework that leverages Large Language Models through two synergistic technical pillars: Semantic Alignment and Prerequisite Knowledge Distillation. The Semantic Alignment component constructs a unified representation space by encoding unstructured textual descriptions of learners and concepts. The Prerequisite Knowledge Distillation paradigm employs a teacher-student architecture, where a large teacher LLM (implemented as the Prior Knowledge Aware Component) extracts conceptual prerequisite relationships from its internalized world knowledge and distills them into soft labels to train an efficient student ranker. Building upon these foundations, our framework incorporates a fine-ranking mechanism that explicitly models learners' real-time cognitive states through deep knowledge tracing, ensuring recommendations are both structurally sound and cognitively appropriate. Extensive experiments on two real-world MOOC datasets demonstrate that CLLMRec significantly outperforms existing baseline methods across multiple evaluation metrics, validating its effectiveness in generating truly cognitive-aware and personalized concept recommendations without relying on explicit structural priors.
• Abstract（参考訳）: MOOC(Massive Open Online Courses)の成長は、コンセプトレコメンデーションが不可欠であるパーソナライズされた学習に重大な課題をもたらす。 既存のアプローチは通常、概念的関係を捉えるために異種情報ネットワークや知識グラフに依存し、学習者の認知状態を評価するための知識追跡モデルと組み合わせている。 しかし、これらの手法は、高品質な構造化知識グラフに依存しているため、現実の教育シナリオでは不足することが多いため、重大な制限に直面している。 本稿では,CLLMRecを提案する。CLLMRecは,セマンティックアライメント(Semantic Alignment)と前提知識蒸留(Prerequisite Knowledge Distillation)という2つの相乗的技術柱を通じて,大規模言語モデルを活用する新しいフレームワークである。 セマンティックアライメント(Semantic Alignment)コンポーネントは、学習者と概念の非構造化テキスト記述を符号化することにより、統一された表現空間を構築する。 前提知識蒸留のパラダイムは、教師が学習するアーキテクチャを採用しており、LLM(Presideed Knowledge Aware Component)と呼ばれる大きな教師が、その内在的世界知識から概念的前提条件の関係を抽出し、それらをソフトラベルに蒸留して、効率的な学生ランクラーを訓練する。 これらの基盤を基盤として,学習者のリアルタイム認知状態を深い知識追跡を通じてモデル化し,構造的に健全かつ認知的に適切なレコメンデーションを確実にする,きめ細かいメカニズムが組み込まれている。 2つの実世界のMOOCデータセットに対する大規模な実験は、CLLMRecが複数の評価指標で既存のベースラインメソッドを著しく上回り、明確な構造的前提に頼ることなく、真の認知的認識とパーソナライズされた概念レコメンデーションを生成する効果を検証していることを示している。

関連論文リスト

• Knowledge-Level Consistency Reinforcement Learning: Dual-Fact Alignment for Long-Form Factuality [27.687276551678583]
  幻覚と事実性の欠如は、大きな言語モデルの信頼性にとって重要な障害である。 本稿では,政策モデルの表現された知識と基本モデルのパラメトリック知識との知識整合性に着目した新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-28T09:23:06Z)
• Generative Large Language Models for Knowledge Representation: A Systematic Review of Concept Map Generation [1.163826615891678]
  生成型大規模言語モデル(LLM)の台頭により,概念地図による知識表現を自動化する新たな機会が開かれた。 本総説では, LLM を用いた概念マップ生成に関する新たな研究の体系化について述べる。 人間のループシステム、弱い教師付き学習モデル、微調整されたドメイン固有LLM、素早いエンジニアリングによる事前訓練されたLLM、知識ベースを統合するハイブリッドシステム、シンボルと統計ツールを組み合わせたモジュラーフレームワークである。
  論文  参考訳（メタデータ） (2025-09-18T02:36:54Z)
• Language Guided Concept Bottleneck Models for Interpretable Continual Learning [62.09201360376577]
  継続的な学習は、学習した情報を忘れることなく、学習システムが新しい知識を常に獲得することを目的としている。 既存のCLメソッドのほとんどは、モデルパフォーマンスを改善するための学習知識の保存に重点を置いている。 両課題に対処するために,言語指導型概念ボトルネックモデルを統合する新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-03-30T02:41:55Z)
• KaLM: Knowledge-aligned Autoregressive Language Modeling via Dual-view Knowledge Graph Contrastive Learning [74.21524111840652]
  本稿では、textitKnowledge-aligned Language Modeling アプローチである textbfKaLM を提案する。 明示的な知識アライメントと暗黙的な知識アライメントという共同目的を通じて、KG知識と整合するように、自己回帰的な大規模言語モデルを微調整する。 特に,本手法は知識駆動型タスクの評価において顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-12-06T11:08:24Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Learning Structure and Knowledge Aware Representation with Large Language Models for Concept Recommendation [50.31872005772817]
  概念推薦は,学習者が自身の知識状態と人間の知識システムに基づいて学習する次の概念を提案することを目的としている。 従来のアプローチでは、人間の知識システムをこれらの教育モデルを設計するプロセスに効果的に統合していない。 SKarREC(Structure and Knowledge Aware Representation Learning framework for concept Recommendation)を提案する。
  論文  参考訳（メタデータ） (2024-05-21T01:35:36Z)
• A Unified and General Framework for Continual Learning [58.72671755989431]
  継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。 正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。 本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
  論文  参考訳（メタデータ） (2024-03-20T02:21:44Z)
• CANDLE: Iterative Conceptualization and Instantiation Distillation from Large Language Models for Commonsense Reasoning [45.62134354858683]
  CANDLEは、コモンセンス知識ベースに対する概念化とインスタンス化を反復的に行うフレームワークである。 CANDLEをATOMICに適用することにより、600万の概念化と三重項のインスタンス化を含む総合的な知識基盤を構築する。
  論文  参考訳（メタデータ） (2024-01-14T13:24:30Z)

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。