論文の概要: Beyond Static Question Banks: Dynamic Knowledge Expansion via LLM-Automated Graph Construction and Adaptive Generation

• arxiv url: http://arxiv.org/abs/2602.00020v1
• Date: Fri, 16 Jan 2026 16:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.210802
• Title: Beyond Static Question Banks: Dynamic Knowledge Expansion via LLM-Automated Graph Construction and Adaptive Generation
• Title（参考訳）: 静的質問銀行を超えて: LLM自動グラフ構築と適応生成による動的知識拡張
• Authors: Yingquan Wang, Tianyu Wei, Qinsi Li, Li Zeng,
• Abstract要約: 本稿では,知識自動モデリングと個人化されたエクササイズ生成のための生成グラフRAGフレームワークを提案する。 提案するフレームワークは、ユーザからの好意的なフィードバックを受ける現実世界の教育シナリオにデプロイされている。
• 参考スコア（独自算出の注目度）: 6.083691376526491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized education systems increasingly rely on structured knowledge representations to support adaptive learning and question generation. However, existing approaches face two fundamental limitations. First, constructing and maintaining knowledge graphs for educational content largely depends on manual curation, resulting in high cost and poor scalability. Second, most personalized education systems lack effective support for state-aware and systematic reasoning over learners' knowledge, and therefore rely on static question banks with limited adaptability. To address these challenges, this paper proposes a Generative GraphRAG framework for automated knowledge modeling and personalized exercise generation. It consists of two core modules. The first module, Automated Hierarchical Knowledge Graph Constructor (Auto-HKG), leverages LLMs to automatically construct hierarchical knowledge graphs that capture structured concepts and their semantic relations from educational resources. The second module, Cognitive GraphRAG (CG-RAG), performs graph-based reasoning over a learner mastery graph and combines it with retrieval-augmented generation to produce personalized exercises that adapt to individual learning states. The proposed framework has been deployed in real-world educational scenarios, where it receives favorable user feedback, suggesting its potential to support practical personalized education systems.
• Abstract（参考訳）: パーソナライズされた教育システムは、適応的な学習と質問生成をサポートするために構造化された知識表現にますます依存している。 しかし、既存のアプローチには2つの基本的な制限がある。 第一に、教育コンテンツのための知識グラフの構築と維持は、主に手作業によるキュレーションに依存し、高いコストとスケーラビリティの低下をもたらす。 第二に、ほとんどのパーソナライズされた教育システムは、学習者の知識に対する国家意識と体系的推論を効果的にサポートしていないため、適応性に制限のある静的質問銀行に依存している。 これらの課題に対処するために,自動知識モデリングと個別のエクササイズ生成のための生成グラフRAGフレームワークを提案する。 2つのコアモジュールで構成されている。 最初のモジュールであるAutomated Hierarchical Knowledge Graph Constructor (Auto-HKG)は、LLMを活用して構造化概念と教育資源からの意味関係をキャプチャする階層的知識グラフを自動構築する。 第2のモジュールであるCognitive GraphRAG(CG-RAG)は、学習者の熟達グラフ上でグラフベースの推論を行い、それを検索拡張世代と組み合わせて、個別の学習状態に適応するパーソナライズされたエクササイズを生成する。 提案するフレームワークは,現実的な教育シナリオに展開され,ユーザからの好意的なフィードバックが得られ,実際にパーソナライズされた教育システムをサポートする可能性が示唆されている。

関連論文リスト

• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• Quantizing Text-attributed Graphs for Semantic-Structural Integration [6.721504414917793]
  テキスト分散グラフ(TAG)は、様々な領域にわたる複雑な関係をモデル化するための強力な表現として登場した。 大規模言語モデル(LLM)の台頭に伴い、グラフ学習に彼らの能力を活用することへの関心が高まっている。 凍結したコードブックを用いて,グラフ構造情報を離散トークンに直接量子化する,新たな自己教師型フレームワークSTAGを提案する。
  論文  参考訳（メタデータ） (2025-07-20T09:18:02Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning [4.703280619961521]
  GraphRAGは、知識関係を明示的にモデル化することで、外部知識統合機能を効果的に強化する。 既存の方法には2つの固有の制限がある。 マルチエージェント協調に基づくグラフRAG法であるGraph Counselorを提案する。
  論文  参考訳（メタデータ） (2025-06-04T13:31:21Z)
• Toward Personalizing Quantum Computing Education: An Evolutionary LLM-Powered Approach [0.0]
  本稿では,量子コンピューティング教育のためのインテリジェント・インストラクション・アシスタントについて紹介する。 このシステムは知識グラフ拡張アーキテクチャと2つの特殊言語モデル(LLM)エージェントを組み合わせる。
  論文  参考訳（メタデータ） (2025-04-24T21:53:34Z)
• Learning to Retrieve and Reason on Knowledge Graph through Active Self-Reflection [5.164923314261229]
  本稿では,知識グラフ推論ARGのための能動的自己回帰フレームワークを提案する。 フレームワーク内では、特別なトークンを利用して、知識検索が必要かどうかをテキスト的に決定する。 モデルによって生成された推論経路は高い解釈可能性を示し、モデルの構造的知識に対する理解をより深く探求することができる。
  論文  参考訳（メタデータ） (2025-02-20T06:38:48Z)
• Distilling Knowledge from Self-Supervised Teacher by Embedding Graph Alignment [52.704331909850026]
  我々は、自己指導型事前学習モデルから他の学生ネットワークへ知識を伝達するための新しい知識蒸留フレームワークを定式化した。 自己教師型学習におけるインスタンス識別の精神に触発され,特徴埋め込み空間におけるグラフ定式化によるインスタンスとインスタンスの関係をモデル化する。 蒸留方式は, 学生ネットワーク上での表現学習を促進するために, 自己指導型知識の伝達に柔軟に適用できる。
  論文  参考訳（メタデータ） (2022-11-23T19:27:48Z)
• GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
  本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。 我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。 その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
  論文  参考訳（メタデータ） (2022-05-22T11:57:08Z)

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。