How to Build an AI Tutor That Can Adapt to Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG)

要約

この論文では、Knowledge Graph-enhanced Retrieval-Augmented Generation (KG-RAG) を使用した、適応可能な AI 家庭教師のための新しいフレームワークを紹介します。
このアプローチは、大規模言語モデル (LLM) ベースの個別指導システムで蔓延している情報幻覚と限られたコース固有の適応という重大な課題に対処します。
ナレッジ グラフ (KG) を RAG と統合することで、コースの概念とその相互関係を構造化して表現し、AI 講師の応答を関連性のある検証済みの資料に基づいて提供します。
当社では、KG-RAG フレームワーク内で強力でコスト効率の高い LLM である Qwen2.5 を活用しています。
ユーザー調査 (n=50) では、回答の関連性、使いやすさ、全体的な満足度に関して学生から肯定的なフィードバックが得られたことが実証されました。
この KG-RAG フレームワークは、パーソナライズされた学習体験と質の高い教育への幅広いアクセスに向けた有望な道筋を提供します。

要約(オリジナル)

This paper introduces a novel framework for adaptable AI tutors using Knowledge Graph-enhanced Retrieval-Augmented Generation (KG-RAG). This approach addresses the critical challenges of information hallucination and limited course-specific adaptation prevalent in Large Language Model (LLM)-based tutoring systems. By integrating Knowledge Graphs (KGs) with RAG, we provide a structured representation of course concepts and their interrelationships, grounding the AI tutor’s responses in relevant, validated material. We leverage Qwen2.5, a powerful and cost-effective LLM, within our KG-RAG framework. A user study (n=50) demonstrated positive student feedback regarding answer relevance, ease of use, and overall satisfaction. This KG-RAG framework offers a promising pathway towards personalized learning experiences and broader access to high-quality education.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google