From Interests to Insights: An LLM Approach to Course Recommendations Using Natural Language Queries

要約

米国のほとんどの大学は、専攻を宣言する前に学問分野を探索し、さまざまな要件を満たすことで学問の幅を身につけることを学生に奨励しています。
学生は各学期ごとに、数十の主題分野にわたる何千ものコースの中から選択し、受講するコースを選択する必要があります。
カリキュラム環境も動的であり、キャンパス内のコミュニケーション機能や検索機能が不十分な場合、学生が興味のある新しいコースを見つける能力が制限される可能性があります。
このような環境で学生とそのアドバイザーの両方をサポートするために、私たちは、検索拡張生成 (RAG) 手法をコース説明のコーパスに適用する、新しい大規模言語モデル (LLM) コース推薦システムを検討します。
システムはまず、ユーザーのクエリに基づいて「理想的な」コースの説明を生成します。
この説明は、埋め込みを使用して検索ベクトルに変換され、埋め込みの類似性を比較することで、類似したコンテンツを持つ実際のコースを見つけるために使用されます。
この方法を説明し、いくつかのプロンプト例の品質と公平性を評価します。
キャンパスにパイロット システムを導入する手順について説明します。

要約(オリジナル)

Most universities in the United States encourage their students to explore academic areas before declaring a major and to acquire academic breadth by satisfying a variety of requirements. Each term, students must choose among many thousands of offerings, spanning dozens of subject areas, a handful of courses to take. The curricular environment is also dynamic, and poor communication and search functions on campus can limit a student’s ability to discover new courses of interest. To support both students and their advisers in such a setting, we explore a novel Large Language Model (LLM) course recommendation system that applies a Retrieval Augmented Generation (RAG) method to the corpus of course descriptions. The system first generates an ‘ideal’ course description based on the user’s query. This description is converted into a search vector using embeddings, which is then used to find actual courses with similar content by comparing embedding similarities. We describe the method and assess the quality and fairness of some example prompts. Steps to deploy a pilot system on campus are discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google