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

要約

インテリジェントな個別指導システム（ITS）に大規模な言語モデル（LLM）を統合することは、パーソナライズされた教育のための変革的な機会を提供します。
ただし、現在の実装は、事実上の正確性を維持し、一貫したコンテキスト対応の指示を提供するという2つの重要な課題に直面しています。
検索された生成（RAG）はこれらの問題に部分的に対処していますが、純粋なセマンティックな類似性への依存は、概念的関係が重要な教育的文脈における有効性を制限します。
このペーパーでは、構造化された知識表現をコンテキスト認識の検索と統合してより効果的なAIチュータリングを可能にする知識グラフ強化検索検索生成（KG-RAG）を紹介します。
（1）構造化ドメインの知識にAI応答を根拠とする新しいアーキテクチャ、（2）制御された実験による経験的検証（n = 76）の重要な学習改善（評価スコアの35％の増加、p <0.001） 、および（3）実際の展開に関する考慮事項に対処する包括的な実装フレームワーク。 これらの結果は、KG-RAGを、多様な教育コンテキスト全体で適応可能なAIチューターシステムを開発するための堅牢なソリューションとして確立しています。

要約(オリジナル)

Integrating Large Language Models (LLMs) in Intelligent Tutoring Systems (ITS) presents transformative opportunities for personalized education. However, current implementations face two critical challenges: maintaining factual accuracy and delivering coherent, context-aware instruction. While Retrieval-Augmented Generation (RAG) partially addresses these issues, its reliance on pure semantic similarity limits its effectiveness in educational contexts where conceptual relationships are crucial. This paper introduces Knowledge Graph-enhanced Retrieval-Augmented Generation (KG-RAG), a novel framework that integrates structured knowledge representation with context-aware retrieval to enable more effective AI tutoring. We present three key contributions: (1) a novel architecture that grounds AI responses in structured domain knowledge, (2) empirical validation through controlled experiments (n=76) demonstrating significant learning improvements (35% increase in assessment scores, p<0.001), and (3) a comprehensive implementation framework addressing practical deployment considerations. These results establish KG-RAG as a robust solution for developing adaptable AI tutoring systems across diverse educational contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google