論文の概要: From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG

• arxiv url: http://arxiv.org/abs/2603.19276v1
• Date: Sat, 28 Feb 2026 04:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.823825
• Title: From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG
• Title（参考訳）: フラットから構造へ:GraphRAGによる自動短解像の実現
• Authors: Yucheng Chu, Haoyu Han, Shen Dong, Hang Li, Kaiqi Yang, Yasemin Copur-Gencturk, Joseph Krajcik, Namsoo Shin, Hui Liu,
• Abstract要約: 本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。 提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
• 参考スコア（独自算出の注目度）: 8.449978933501965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated short answer grading (ASAG) is critical for scaling educational assessment, yet large language models (LLMs) often struggle with hallucinations and strict rubric adherence due to their reliance on generalized pre-training. While Rretrieval-Augmented Generation (RAG) mitigates these issues, standard "flat" vector retrieval mechanisms treat knowledge as isolated fragments, failing to capture the structural relationships and multi-hop reasoning essential for complex educational content. To address this limitation, we introduce a Graph Retrieval-Augmented Generation (GraphRAG) framework that organizes reference materials into a structured knowledge graph to explicitly model dependencies between concepts. Our methodology employs a dual-phase pipeline: utilizing Microsoft GraphRAG for high-fidelity graph construction and the HippoRAG neurosymbolic algorithm to execute associative graph traversals, thereby retrieving comprehensive, connected subgraphs of evidence. Experimental evaluations on a Next Generation Science Standards (NGSS) dataset demonstrate that this structural approach significantly outperforms standard RAG baselines across all metrics. Notably, the HippoRAG implementation achieved substantial improvements in evaluating Science and Engineering Practices (SEP), confirming the superiority of structural retrieval in verifying the logical reasoning chains required for higher-order academic assessment.
• Abstract（参考訳）: 自動短解格付け(ASAG)は、教育評価のスケールアップに重要であるが、大規模な言語モデル(LLM)は、一般的な事前学習に依存しているため、幻覚や厳密なルーリックの定着に苦慮することが多い。 Rretrieval-Augmented Generation (RAG) はこれらの問題を緩和するが、標準的な「フラットな」ベクトル検索メカニズムは知識を独立した断片として扱い、複雑な教育コンテンツに不可欠な構造的関係やマルチホップ推論を捉えない。 この制限に対処するために、参照資料を構造化知識グラフに整理し、概念間の依存関係を明示的にモデル化するGraph Retrieval-Augmented Generation(GraphRAG)フレームワークを導入する。 提案手法では,Microsoft GraphRAGを高忠実度グラフ構築に利用し,HippoRAGニューロシンボリックアルゴリズムを用いて連想グラフトラバーサルを実行し,包括的に連結された証拠のサブグラフを検索する。 次世代科学標準(NGSS)データセットに関する実験的評価は、この構造的アプローチが標準RAGベースラインをすべての指標で大幅に上回っていることを示している。 特に、HippoRAGの実装は、SEP(Science and Engineering Practices)の評価において大幅な改善を達成し、高次の学術評価に必要な論理的推論連鎖を検証する上で、構造的検索の優位性を確認した。

関連論文リスト

• HugRAG: Hierarchical Causal Knowledge Graph Design for RAG [13.71290541205767]
  HugRAGは、グラフベースのRAGの知識組織を再考するフレームワークである。 我々の研究は、構造化され、スケーラブルで、因果的に基礎付けられたRAGシステムのための原則化された基盤を確立する。
  論文  参考訳（メタデータ） (2026-02-04T23:59:02Z)
• Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
  生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。 提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。 質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-07T20:32:50Z)
• LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora [17.929144506419064]
  Retrieval-Augmented Generation (RAG) は大規模言語モデル(LLM)の幻覚を軽減するために広く用いられている。 既存のグラフベースのRAG法は、グラフ構築のための不安定でコストのかかる関係抽出に依存している。 信頼性の高いグラフ構築と正確な経路抽出を可能にする効率的なフレームワークであるLinearRAGを提案する。
  論文  参考訳（メタデータ） (2025-10-11T08:43:45Z)
• 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)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)

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。