支持学生学习推荐决策：基于 LLM 的聊天机器人，结合知识图谱上下文化实现对话式可解释性与指导
人工智能
2024-01-25 v3 计算与语言
人机交互
摘要
学生对学习推荐的接受度，离不开他们对推荐理由的理解，以及基于该理解修改推荐的能力。在可解释性方法中，聊天机器人提供了与学生进行对话的潜力，类似于与同伴或导师的讨论。然而，尽管生成式 AI（GenAI）和大语言模型（LLM）取得了进展，聊天机器人的能力仍不足以取代人类导师。因此，我们提出一种方法，将聊天机器人用作对话的中介和有限且受控解释生成的来源，以在发挥 LLM 潜力的同时降低其潜在风险。所提出的基于 LLM 的聊天机器人支持学生理解学习路径推荐。我们使用知识图谱（KG）作为人工策展的信息源，通过定义其提示上下文来调控 LLM 的输出。我们开发了一种群聊方法，可按需或在超出聊天机器人预定义任务的情况下，将学生与人类导师连接起来。我们通过用户研究评估该聊天机器人，以提供概念验证，并强调在对话式可解释性中利用聊天机器人的潜在需求与局限性。
引用
@article{arxiv.2401.08517,
title = {Supporting Student Decisions on Learning Recommendations: An LLM-Based Chatbot with Knowledge Graph Contextualization for Conversational Explainability and Mentoring},
author = {Hasan Abu-Rasheed and Mohamad Hussam Abdulsalam and Christian Weber and Madjid Fathi},
journal= {arXiv preprint arXiv:2401.08517},
year = {2024}
}