LLM-Assisted Knowledge Graph Completion for Curriculum and Domain Modelling in Personalized Higher Education Recommendations

要約

学習のパーソナライゼーションは学習者に大きな可能性をもたらしますが、高等教育における現代の実践では、効果的なパーソナライゼーション アルゴリズムを開発するために、ドメイン モデルと学習コンテキストをより深く検討する必要があります。
この論文では、パーソナライズされた学習パスの推奨事項を作成することを目的として、ナレッジ グラフ (KG) の完成に大規模言語モデル (LLM) を利用する、高等教育カリキュラム モデリングへの革新的なアプローチを紹介します。
私たちの研究は、大学の科目をモデル化し、そのトピックを対応するドメイン モデルにリンクすることに焦点を当てており、学生の学習過程においてさまざまな学部や機関の学習モジュールを統合できるようにします。
私たちのアプローチの中心となるのは共同プロセスであり、LLM は人間の専門家が講義資料から高品質で詳細なトピックを抽出するのを支援します。
私たちは、大学のモジュールと関係者向けにドメイン、カリキュラム、ユーザー モデルを開発します。
このモデルを実装して、「組み込みシステム」と「FPGA を使用した組み込みシステムの開発」の 2 つの学習モジュールから KG を作成します。
結果として得られる KG はカリキュラムを構造化し、それをドメイン モデルにリンクします。
私たちは、定性的な専門家からのフィードバックと定量的なグラフの品質指標を通じてアプローチを評価します。
分野の専門家がモデルの関連性と精度を検証し、グラフの品質メトリクスで KG の構造特性を測定しました。
私たちの結果は、LLM 支援のグラフ補完アプローチにより、分野を超えて関連するコースを接続して学習体験をパーソナライズする機能が強化されることを示しています。
専門家のフィードバックでも、概念の抽出と分類に関して提案された共同アプローチが高く受け入れられることが示されました。

要約(オリジナル)

While learning personalization offers great potential for learners, modern practices in higher education require a deeper consideration of domain models and learning contexts, to develop effective personalization algorithms. This paper introduces an innovative approach to higher education curriculum modelling that utilizes large language models (LLMs) for knowledge graph (KG) completion, with the goal of creating personalized learning-path recommendations. Our research focuses on modelling university subjects and linking their topics to corresponding domain models, enabling the integration of learning modules from different faculties and institutions in the student’s learning path. Central to our approach is a collaborative process, where LLMs assist human experts in extracting high-quality, fine-grained topics from lecture materials. We develop a domain, curriculum, and user models for university modules and stakeholders. We implement this model to create the KG from two study modules: Embedded Systems and Development of Embedded Systems Using FPGA. The resulting KG structures the curriculum and links it to the domain models. We evaluate our approach through qualitative expert feedback and quantitative graph quality metrics. Domain experts validated the relevance and accuracy of the model, while the graph quality metrics measured the structural properties of our KG. Our results show that the LLM-assisted graph completion approach enhances the ability to connect related courses across disciplines to personalize the learning experience. Expert feedback also showed high acceptance of the proposed collaborative approach for concept extraction and classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google