基于能力感知检索与风格适应的认知水平自适应生成
计算与语言
2025-09-25 v1 人工智能
摘要
大型语言模型（LLMs）在开放式生成任务中展现出强大的性能。然而，它们常常难以使内容适应具有不同认知能力的用户，导致我们称之为认知错配的现象。此问题表现为两种形式：知识层面错配，即内容相对于用户理解能力过于复杂或过于简单；以及呈现风格错配，即结构或语气阻碍了有效理解。为应对这些挑战，我们提出了认知水平对齐框架（CLAF），这是一个通用的生成框架，旨在使知识复杂度和呈现风格与用户认知保持一致。CLAF集成了一个基于层次知识图谱的能力感知检索模块，以及一个由布鲁姆分类学和偏好学习指导的风格优化模块。此外，一个知识可控的生成组件确保了整个输出的一致性和相关性。为支持训练和评估，我们构建了SCALE，一个包含每个查询多个理解水平响应的认知标注数据集。实证结果表明，CLAF增强了大语言模型输出在一系列用户画像中的适应性和信息量，为现实世界应用中的认知水平对齐提供了稳健的解决方案。
引用
@article{arxiv.2509.19336,
title = {Cognitive-Level Adaptive Generation via Capability-Aware Retrieval and Style Adaptation},
author = {Qingsong Wang and Tao Wu and Wang Lin and Yueying Feng and Gongsheng Yuan and Chang Yao and Jingyuan Chen},
journal= {arXiv preprint arXiv:2509.19336},
year = {2025}
}
备注
Accepted to Findings of EMNLP 2026