基于图检索增强生成技术支持学习者理解MOOCs中知识概念
人工智能
2025-05-19 v2 计算机与社会
摘要
大规模开放在线课程（Massive Open Online Courses, MOOCs）缺乏学习者与讲师之间的直接互动，导致学习者难以理解新知识概念。最近，学习者越来越多地使用大型语言模型（Large Language Models, LLMs）来支持获取新知识。然而，大型语言模型容易产生幻觉，限制了其可靠性。检索增强生成（Retrieval-Augmented Generation, RAG）通过在生成响应前检索相关文档来缓解这一问题。然而，RAG在不同MOOCs中的应用受到非结构化学习材料的限制。此外，当前的RAG系统不积极引导学习者满足其学习需求。为此，我们提出一种图RAG管道，利用教育知识图谱（Educational Knowledge Graphs, EduKGs）和个人知识图谱（Personal Knowledge Graphs, PKGs）来指导学习者在MOOC平台CourseMapper中理解知识概念。具体实施（1）基于PKG的问卷生成方法，用于在特定情境下为学习者推荐个性化问题；（2）基于EduKG的问卷解答方法，利用EduKG中知识概念之间的关系来解答学习者挑选的问题。为评估两种方法，我们在CourseMapper平台上的三个不同MOOCs上邀请了3名专家讲师进行研究。评估结果表明，图RAG有潜力在个性化学习体验中帮助学习者理解新知识概念。
引用
@article{arxiv.2505.10074,
title = {Leveraging Graph Retrieval-Augmented Generation to Support Learners' Understanding of Knowledge Concepts in MOOCs},
author = {Mohamed Abdelmagied and Mohamed Amine Chatti and Shoeb Joarder and Qurat Ul Ain and Rawaa Alatrash},
journal= {arXiv preprint arXiv:2505.10074},
year = {2025}
}
备注
Accepted at EMOOCs 2025