論文の概要: Slides2MindMap: Reconstructing Cognitively Efficient Knowledge Hierarchies from Lecture Slides
- arxiv url: http://arxiv.org/abs/2608.00610v1
- Date: Sat, 01 Aug 2026 11:59:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.826094
- Title: Slides2MindMap: Reconstructing Cognitively Efficient Knowledge Hierarchies from Lecture Slides
- Title（参考訳）: Slides2MindMap: 講義スライドから認知的に効率的な知識階層を再構築する
- Abstract要約: コースのスライドデッキコレクションから認知的に効率的な知識階層を再構築することを目的としたSlides2MindMapタスクを定式化する。
S2M-Benchは12,774ページのスライドページと24の大学コースにまたがるエキスパートアノテートマインドマップからなるベンチマークである。
この課題に対処するために、構造構築フレームワークにインスパイアされたエージェントフレームワークであるAutoMindMapを提案する。
- 参考スコア（独自算出の注目度）: 13.990132505608488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating mind maps from lecture slides can help learners efficiently assimilate fragmented knowledge, promising substantial benefits for intelligent education. However, dedicated automatic generation and evaluation frameworks remain underexplored and challenging, requiring a global-local knowledge focus balance and handling large-scale, heterogeneous slides. We formulate the Slides2MindMap task, which aims to reconstruct cognitively efficient knowledge hierarchies from a course's slide deck collection. For systematic evaluation, we introduce S2M-Bench, a benchmark comprising 12,774 slide pages with expert-annotated mind maps spanning 24 university courses. S2M-Bench includes a cognitive-science-grounded evaluation framework that integrates ground-truth-based comparison, structure conformity analysis, and VLM-as-a-Judge. To address this task, we propose AutoMindMap, an agentic framework inspired by the Structure Building Framework. AutoMindMap comprises Skeleton Laying for global scaffold anchoring, Iterative Knowledge Integration augmented by context-aware summarization, and Dual-Stage Refinement with a local-global decoupling mechanism. The framework reconciles local knowledge faithfulness with global coherence, and adapts to slide-specific features. Experiments on S2M-Bench demonstrate that AutoMindMap outperforms baselines and achieves superior robustness across different models and scenarios, underscoring its pedagogical application value.
- Abstract（参考訳）: 講義スライドからマインドマップを生成することは、学習者が断片化された知識を効率的に同化し、知的教育に有意義な恩恵をもたらすことができる。
しかし、専用の自動生成および評価フレームワークは未熟で困難なままであり、グローバルなローカル知識のバランスと大規模で異質なスライドの処理を必要としている。
コースのスライドデッキコレクションから認知的に効率的な知識階層を再構築することを目的としたSlides2MindMapタスクを定式化する。
S2M-Benchは12,774ページのスライドページと24の大学コースにまたがるエキスパートアノテートマインドマップからなるベンチマークである。
S2M-Benchは、基礎構造に基づく比較、構造整合性分析、VLM-as-a-Judgeを統合した、認知科学に基づく評価フレームワークを含んでいる。
この課題に対処するために、構造構築フレームワークにインスパイアされたエージェントフレームワークであるAutoMindMapを提案する。
AutoMindMapは、グローバルな足場アンカーのためのSkeleton Laying、コンテキスト認識の要約によって強化された反復的知識統合、ローカルなグローバルデカップリング機構を備えたデュアルステージリファインメントで構成される。
このフレームワークは、地域知識の忠実さとグローバルコヒーレンスを調和させ、スライド特有の特徴に適応する。
S2M-Benchの実験では、AutoMindMapはベースラインを上回り、さまざまなモデルやシナリオで優れた堅牢性を実現し、その教育的なアプリケーション価値を強調している。
関連論文リスト
- Mind the Gap: A Dual Knowledge Graph Framework for Unified Multi-task User Intent Inference [0.9006333145794009]
本稿では,DKG-MTIを提案する。DKG-MTIは,オンライン旅行レビューからマルチタスクユーザ意図推論を統一するための2つの知識グラフフレームワークである。
DKG-MTIは、分類および意図生成タスクにおいて、強力なLCMと検索ベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-08-07T03:18:13Z) - SlideBot: A Multi-Agent Framework for Generating Informative, Reliable, Multi-Modal Presentations [29.874786844781138]
大規模言語モデル(LLM)は、クイズ生成やコンテンツ要約といったタスクを自動化し、教育において大きな可能性を示している。
既存のLCMベースのソリューションは、信頼性と情報的アウトプットが得られず、教育的価値が制限されることが多い。
SlideBot - LLMを検索、構造化計画、コード生成と統合したモジュラーでマルチエージェントなスライド生成フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T23:12:05Z) - OKBench: Democratizing LLM Evaluation with Fully Automated, On-Demand, Open Knowledge Benchmarking [47.579237867766686]
OKBenchは、ベンチマークのソーシング、作成、検証、配布を自動化するエージェントフレームワークである。
これらの結果から,新たな情報に直面する場合のモデル行動が明らかになり,小型モデルと大規模モデルのパフォーマンスギャップがいかに狭まるかが明らかになった。
論文 参考訳（メタデータ） (2025-10-31T16:44:34Z) - Dual Knowledge-Enhanced Two-Stage Reasoner for Multimodal Dialog Systems [81.87703298503374]
テキスト応答生成を促進するために,多言語モデル(LLM)による二重知識(テキスト属性と非構造化レビュー知識)を完全に活用することを目的としている。
マルチモーダルダイアログシステム(DK2R)にLLMを適用した二段階二段階推論器を提案する。
論文 参考訳（メタデータ） (2025-09-09T14:55:28Z) - Historical Report Guided Bi-modal Concurrent Learning for Pathology Report Generation [14.8602760818616]
病理学者の診断的推論を模擬したリポート「textbfBi-modal Concurrent Learning Framework for Pathology Report textbfGeneration (BiGen)」
BiGenは、ハイアテンションパッチにマッチして、事前に構築された医療知識銀行からWSI関連知識を取得する。
提案手法は,NLP指標が7.4%,Her-2予測のための分類指標が19.1%向上し,最先端性能を実現している。
論文 参考訳（メタデータ） (2025-06-23T14:00:21Z) - SCAN: Structured Capability Assessment and Navigation for LLMs [54.54085382131134]
textbfSCAN (Structured Capability Assessment and Navigation) は、大規模言語モデルの詳細な特徴付けを可能にする実用的なフレームワークである。
SCANには4つの重要なコンポーネントが含まれている。
TaxBuilder – クエリから機能表示タグを抽出して階層的な分類構造を構築する。
RealMixは、各機能タグに対する十分な評価データを保証するクエリ合成とフィルタリングのメカニズムである。
PC$2$ベースのLCM-as-a-Judge法は従来のLCM-as-a-Judge法と比較して大幅に精度が向上する
論文 参考訳（メタデータ） (2025-05-10T16:52:40Z) - LecEval: An Automated Metric for Multimodal Knowledge Acquisition in Multimedia Learning [58.98865450345401]
本稿では,マイアーのマルチメディア学習認知理論に基礎を置く自動計量であるLecEvalを紹介する。
LecEvalは、コンテンツ関連(CR)、表現的明瞭度(EC)、論理構造(LS)、聴取エンゲージメント(AE)の4つのルーリックを用いて効果を評価する
私たちは、50以上のオンラインコースビデオから2000以上のスライドからなる大規模なデータセットをキュレートします。
論文 参考訳（メタデータ） (2025-05-04T12:06:47Z) - Structure-aware Domain Knowledge Injection for Large Language Models [38.08691252042949]
StructTuningは、大規模言語モデル(LLM)をドメインスペシャリストに変換する方法論である。
従来の知識注入性能の100パーセントを達成しながら、トレーニングコーパスに必要なトレーニングコーパスをわずか5%削減します。
論文 参考訳（メタデータ） (2024-07-23T12:38:48Z) - Contextualized Structural Self-supervised Learning for Ontology Matching [0.9402105308876642]
我々はLaKERMapと呼ばれる新しい自己教師型学習フレームワークを導入する。
LaKERMapは暗黙の知識をトランスフォーマーに統合することで、概念の文脈的および構造的情報を活用する。
我々の革新的なアプローチから得られた知見は、LaKERMapがアライメント品質と推論時間で最先端のシステムを上回っていることを示している。
論文 参考訳（メタデータ） (2023-10-05T18:51:33Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳（メタデータ） (2023-06-14T13:07:48Z) - Weakly Supervised Semantic Segmentation via Alternative Self-Dual
Teaching [82.71578668091914]
本稿では,分類とマスク・リファインメント・コンポーネントを統合された深層モデルに組み込む,コンパクトな学習フレームワークを確立する。
本稿では,高品質な知識相互作用を促進するために,新たな自己双対学習(ASDT)機構を提案する。
論文 参考訳（メタデータ） (2021-12-17T11:56:56Z)
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。