論文の概要: Automated Domain Question Mapping (DQM) with Educational Learning Materials

• arxiv url: http://arxiv.org/abs/2601.07062v1
• Date: Sun, 11 Jan 2026 21:05:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.14624
• Title: Automated Domain Question Mapping (DQM) with Educational Learning Materials
• Title（参考訳）: 学習教材を用いたドメイン質問自動マッピング(DQM)
• Authors: Jiho Noh, Mukhesh Raghava Katragadda, Dabae Lee,
• Abstract要約: ドメイン質問マップ(DQM)は知識表現を強化し、エンゲージメントの準備性を向上させる。 その結果,提案手法は教育的質問を効果的に生成し,階層的関係を識別できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.038233569758620044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept maps have been widely utilized in education to depict knowledge structures and the interconnections between disciplinary concepts. Nonetheless, devising a computational method for automatically constructing a concept map from unstructured educational materials presents challenges due to the complexity and variability of educational content. We focus primarily on two challenges: (1) the lack of disciplinary concepts that are specifically designed for multi-level pedagogical purposes from low-order to high-order thinking, and (2) the limited availability of labeled data concerning disciplinary concepts and their interrelationships. To tackle these challenges, this research introduces an innovative approach for constructing Domain Question Maps (DQMs), rather than traditional concept maps. By formulating specific questions aligned with learning objectives, DQMs enhance knowledge representation and improve readiness for learner engagement. The findings indicate that the proposed method can effectively generate educational questions and discern hierarchical relationships among them, leading to structured question maps that facilitate personalized and adaptive learning in downstream applications.
• Abstract（参考訳）: 概念地図は、知識構造と学際的な概念間の相互関係を記述するために、教育で広く利用されてきた。 それにもかかわらず、構造化されていない教育資料から概念マップを自動構築する計算手法の開発は、教育コンテンツの複雑さと変動性に起因する課題を提示する。 主に,(1)低次から高次思考までの多段階教育目的のために特別に設計された学際的概念の欠如,(2)学際的概念とその相互関係に関するラベル付きデータの限定的利用,という2つの課題に焦点をあてる。 これらの課題に対処するために、従来の概念地図ではなく、ドメイン質問マップ(DQM)を構築するための革新的なアプローチを導入する。 学習目的に沿った特定の質問を定式化することにより、DQMは知識表現を強化し、学習者のエンゲージメントに対する準備性を向上させる。 提案手法は,教育的質問を効果的に生成し,それらの階層的関係を識別し,下流アプリケーションにおいてパーソナライズされた適応的な学習を容易にする構造化された質問マップを作成できることを示す。

関連論文リスト

• 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)
• GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation [56.37740554448673]
  本稿では知識概念構造グラフ生成モジュールEDU-GraphRAGを紹介する。 次に、ブロックされた学習経路の問題を緩和する識別学習駆動強化学習(DLRL)モジュールを提案する。 我々は3つのベンチマークデータセットに対して広範な実験を行い、その手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-06-27T15:15:42Z)
• From Objectives to Questions: A Planning-based Framework for Educational Mathematical Question Generation [32.76585750014007]
  本稿では,自己回帰法(EQPR)を用いた数学的質問生成のための教育的質問計画を提案する。 モンテカルロ木探索に基づく計画アルゴリズムと大規模言語モデルの生成機能を組み合わせることで,質問を継続的に最適化する。 我々は,EQPRが多次元の教育目的を満たす質問生成において,大幅な改善を達成できることを実証した。
  論文  参考訳（メタデータ） (2025-06-01T11:23:18Z)
• Harnessing Structured Knowledge: A Concept Map-Based Approach for High-Quality Multiple Choice Question Generation with Effective Distractors [0.0]
  本稿では, MCQ の生成において, LLM を誘導する構造的知識を提供する階層的概念マップベースフレームワークを提案する。 我々は,ベースLLMとRAGベースジェネレーションの2つのベースラインアプローチに対して,我々のフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-05-02T06:36:06Z)
• Construction and Preliminary Validation of a Dynamic Programming Concept Inventory [0.7389633345370871]
  概念発明は、学術分野における重要な概念に対する学生の理解を評価する標準化された評価である。 STEM分野に広く普及しているが、その開発は動的プログラミング(DP)のような先進的なコンピュータ科学のトピックに遅れがある。 本研究は,DP概念に関する既知学生の誤解を対象とする複数選択質問を定式化するための反復的プロセスについて詳述する。 我々は,D PCIを172名の大学生に実施し,質問を適切な難易度と判断し,学生の理解度の違いを効果的に判別することで,予備的な心理測定検証を行った。
  論文  参考訳（メタデータ） (2024-11-22T01:01:43Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Knowledge Tagging System on Math Questions via LLMs with Flexible Demonstration Retriever [48.5585921817745]
  大きな言語モデル(LLM)は知識タグ付けタスクを自動化するために使われる。 算数問題における知識タグ付けタスクに対するゼロショットと少数ショットの結果の強い性能を示す。 強化学習に基づくデモレトリバーの提案により,異なるサイズのLLMの潜在能力を活用できた。
  論文  参考訳（メタデータ） (2024-06-19T23:30:01Z)
• Dual Semantic Knowledge Composed Multimodal Dialog Systems [114.52730430047589]
  本稿では,MDS-S2という新しいマルチモーダルタスク指向対話システムを提案する。 コンテキスト関連属性と関係知識を知識ベースから取得する。 また、合成された応答表現から意味情報を抽出するために、潜在クエリ変数のセットを考案する。
  論文  参考訳（メタデータ） (2023-05-17T06:33:26Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。