論文の概要: Generative AI-Based Virtual Assistant using Retrieval-Augmented Generation: An evaluation study for bachelor projects

• arxiv url: http://arxiv.org/abs/2604.25924v1
• Date: Wed, 01 Apr 2026 11:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.223444
• Title: Generative AI-Based Virtual Assistant using Retrieval-Augmented Generation: An evaluation study for bachelor projects
• Title（参考訳）: Retrieval-Augmented Generation を用いたAIベース仮想アシスタントの作成:独身プロジェクトのための評価研究
• Authors: Dumitru Verşebeniuc, Martijn Elands, Sara Falahatkar, Chiara Magrone, Mohammad Falah, Martijn Boussé, Aki Härmä,
• Abstract要約: 大規模言語モデルは、仮想アシスタントの作成にますます採用されている。 幻覚、情報不足、正確でコンテキスト固有の応答を提供することの難しさといった課題は継続する。 本稿では,最新のドメイン固有知識を統合することで,応答の精度と信頼性を向上させる検索型拡張生成システムに基づく仮想アシスタントを提案する。
• 参考スコア（独自算出の注目度）: 2.56908246376916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models have been increasingly employed in the creation of Virtual Assistants due to their ability to generate human-like text and handle complex inquiries. While these models hold great promise, challenges such as hallucinations, missing information, and the difficulty of providing accurate and context-specific responses persist, particularly when applied to highly specialized content domains. In this paper, we focus on addressing these challenges by developing a virtual assistant designed to support students at Maastricht University in navigating project-specific regulations. We propose a virtual assistant based on a Retrieval-Augmented Generation system that enhances the accuracy and reliability of responses by integrating up-to-date, domain-specific knowledge. Through a robust evaluation framework and real-life testing, we demonstrate that our virtual assistant can effectively meet the needs of students while addressing the inherent challenges of applying Large Language Models to a specialized educational context. This work contributes to the ongoing discourse on improving LLM-based systems for specific applications and highlights areas for further research.
• Abstract（参考訳）: 大きな言語モデルは、人間のようなテキストを生成し、複雑な問い合わせを処理する能力のために、仮想アシスタントの作成にますます採用されている。 これらのモデルは大きな可能性を秘めているが、特に高度に専門化されたコンテンツドメインに適用した場合、幻覚、情報不足、正確でコンテキスト固有の応答の提供の難しさといった課題は継続する。 本稿では,マーストリヒト大学の学生を支援する仮想アシスタントを開発し,プロジェクト固有の規制をナビゲートすることで,これらの課題に対処することに焦点を当てる。 本稿では,最新のドメイン固有知識を統合することで,応答の精度と信頼性を向上させる検索型拡張生成システムに基づく仮想アシスタントを提案する。 本研究は,頑健な評価フレームワークと実生活テストを通じて,大規模言語モデルを専門的な教育環境に適用する上での課題に対処しつつ,学生のニーズを効果的に満たせることを実証する。 この研究は、特定の応用のためのLLMベースのシステムの改善に関する現在進行中の談話に寄与し、さらなる研究の分野を強調している。

関連論文リスト

• Evaluating LLMs for Answering Student Questions in Introductory Programming Courses [0.0]
  本研究では,CS1プログラミングコースにおける学生の質問に答える上で,大規模言語モデルの安全かつ効果的に支援する能力について検討する。 従来のテキストマッチングメトリクスは、オープンエンドの教育応答を評価するには不十分であるため、独自のLCM-as-a-Judgeメトリックを開発し、検証した。 以上の結果から,ジェミニ3フラッシュなどのモデルが典型的な教育者応答の品質基準を超越し,専門家の教育基準と高い整合性が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-03-30T11:22:58Z)
• Steering LLMs via Scalable Interactive Oversight [74.12746881843044]
  大規模な言語モデルは、エンフェーブコーディングのような複雑で長期にわたるタスクをますます自動化し、監督のギャップが生まれています。 スケーラブルな監視において重要な課題は、人間が責任を持ってAIシステムを、特定または検証する能力を超えたタスクで操ることができることだ。
  論文  参考訳（メタデータ） (2026-02-04T04:52:00Z)
• Artificial Intelligence-Powered Assessment Framework for Skill-Oriented Engineering Lab Education [0.0]
  コンピュータ科学における実践的な実験室教育は、しばしば、盗作、適切な実験記録の欠如、構造化されていない実験室の伝導、不十分な実行と評価といった課題に直面している。 私たちはAsseslyAIを導入し、オンラインラボアロケーション、学生毎のユニークなラボ問題、AIが推奨するビバ評価、ゲーミフィケーションシミュレータを通じてこれらの課題に対処する。
  論文  参考訳（メタデータ） (2025-09-27T21:29:54Z)
• Retrieval Augmented Generation and Understanding in Vision: A Survey and New Outlook [85.43403500874889]
  Retrieval-augmented Generation (RAG) は人工知能(AI)において重要な技術である。 具体化されたAIのためのRAGの最近の進歩は、特に計画、タスク実行、マルチモーダル知覚、インタラクション、特殊ドメインの応用に焦点を当てている。
  論文  参考訳（メタデータ） (2025-03-23T10:33:28Z)
• Towards Efficient Educational Chatbots: Benchmarking RAG Frameworks [2.362412515574206]
  大規模言語モデル(LLM)は、大量の文献に基づく情報を収集することで、教育において非常に有益であることが証明されている。 本稿では,LLMを活用してGATEソリューションを説明し,学生の試験準備を支援するAIを活用した質問応答フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-02T08:11:07Z)
• Faculty Perspectives on the Potential of RAG in Computer Science Higher Education [0.0]
  仮想教示アシスタントと教示アシスタントの2つのタスクに対する検索補助(RAG)アプリケーションを開発した。 本研究は,LLMに基づくRAGの教育への応用に関する教員のフィードバックを収集した初めてのものである。
  論文  参考訳（メタデータ） (2024-07-28T14:55:22Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Effectiveness Assessment of Recent Large Vision-Language Models [78.69439393646554]
  本稿では,多言語多言語モデル(LVLM)の専門的および汎用的な課題における能力を評価する。 私たちは、自然、医療、産業という3つの異なるアプリケーションシナリオで6つの挑戦的なタスクを採用しています。 我々は,MiniGPT-v2,LLaVA-1.5,Shikraを含む最近の3つのオープンソースLVLMの視覚的認識および局所化性能について検討した。
  論文  参考訳（メタデータ） (2024-03-07T08:25:27Z)
• DoraemonGPT: Toward Understanding Dynamic Scenes with Large Language Models (Exemplified as A Video Agent) [73.10899129264375]
  本稿では,LLMによる動的シーン理解のための包括的かつ概念的にエレガントなシステムであるドラモンGPTについて検討する。 質問/タスクのあるビデオが与えられた場合、DoraemonGPTは入力されたビデオをタスク関連の属性を格納するシンボリックメモリに変換することから始める。 我々は,DoraemonGPTの有効性を,3つのベンチマークといくつかのアプリ内シナリオで広範囲に評価した。
  論文  参考訳（メタデータ） (2024-01-16T14:33:09Z)

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。