基于布鲁姆分类学的领域适配 LLM 的认知层次数据合成
人工智能
2026-03-11 v1
摘要
大型语言模型 (LLM) 在通用任务上表现卓越，但将其迁移至复杂工程领域如空间态势感知 (SSA) 仍富有挑战性，这源于结构性不足以匹配任务链、缺乏更高阶认知监督，以及数据质量标准与工程规范间的关联性差。核心瓶颈在于构建高质量的监督微调 (SFT) 数据集。为此，我们提出 BD-FDG (布鲁姆分类学驱动的领域特定微调数据生成)，通过三大机制解决知识覆盖不完整、认知深度浅薄以及质量可控性有限的问题：结构化知识组织、认知层次化问答建模、自动化质量控制。该框架使用知识树确保结构化语料覆盖，设计覆盖九大类别、六个认知层级（从记忆到创造）的问答生成方案，以产生连续难度梯度的样本，并应用多维评分管道强制领域严谨性和一致性。通过 BD-FDG，我们构建了约 23 万样本的 SSA-SFT 数据集，对 Qwen3-8B 进行微调得到 SSA-LLM-8B。实验表明，SSA-LLM-8B 在领域测试集上对 BLEU-1 指标实现 144\%（无思考模式）和 176\%（思考模式）的相对提升，在对战中净胜率达 82.21\%，同时在保持通用基准性能（MMLU-Pro、MATH-500）方面也表现良好。这一结果验证了以认知层次化驱动的 SFT 数据构建是复杂工程领域的有效范式，并提供了可迁移的领域特定 LLM 适配框架。
引用
@article{arxiv.2603.09231,
title = {Cognitively Layered Data Synthesis for Domain Adaptation of LLMs to Space Situational Awareness},
author = {Ding Linghu and Cheng Wang and Da Fan and Wei Shi and Kaifeng Yin and Xiaoliang Xue and Fan Yang and Haiyi Ren and Cong Zhang},
journal= {arXiv preprint arXiv:2603.09231},
year = {2026}
}