Resumen: Los cursos masivos en línea abiertos (MOOC) carecen de interacción directa entre alumnos e instructores, lo que hace que sea difícil para los alumnos comprender los nuevos conceptos de conocimiento. Recientemente, los alumnos han utilizado cada vez más modelos de idiomas (LLM) para apoyarlos en la adquisición de nuevos conocimientos. Sin embargo, los LLM son propensos a alucinaciones que limitan su confiabilidad. La generación de recuperación de la generación (RAG) aborda este problema recuperando documentos relevantes antes de generar una respuesta. Sin embargo, la aplicación de RAG en diferentes MOOC está limitada por el material de aprendizaje no estructurado. Además, los sistemas de trapo actuales no guían activamente a los alumnos hacia sus necesidades de aprendizaje. Para abordar estos desafíos, proponemos una tubería de trapo de gráfico que aproveche los gráficos de conocimiento educativo (EDUKGS) y los gráficos de conocimiento personal (PKG) para guiar a los alumnos para comprender los conceptos de conocimiento en la plataforma MOOC Coursemper. Específicamente, implementamos (1) un método de generación de preguntas basado en PKG para recomendar preguntas personalizadas para los alumnos en contexto, y (2) un método de respuesta de preguntas basado en EDUKG que aprovecha las relaciones entre los conceptos de conocimiento en el edukg para responder preguntas seleccionadas al alumno. Para evaluar ambos métodos, realizamos un estudio con 3 instructores expertos en 3 MOOC diferentes en la plataforma MOOC CoursEmper. Los resultados de la evaluación muestran el potencial del trapo gráfico para capacitar a los alumnos para comprender los nuevos conceptos de conocimiento en una experiencia de aprendizaje personalizada.
Publicado Originalme en rss.arxiv.org El 15 de mayo de 2025.
Ver Fuente Original
