Gráficos de Conhecimento como Fontes de Contexto para Explicações Baseadas em LLM de Recomendações de Aprendizagem

Na era da educação personalizada, a oferta de explicações compreensíveis para recomendações de aprendizagem é de grande valor para incrementar a compreensão e o envolvimento do aprendiz com o conteúdo de aprendizagem recomendado. Modelos de linguagem grandes (LLMs) e a inteligência artificial generativa, de forma geral, recentemente abriram novas portas para gerar explicações semelhantes a humanas, para e junto às recomendações de aprendizagem. No entanto, sua precisão ainda está longe do aceitável em um campo sensível como a educação. Para aproveitar as habilidades dos LLMs, enquanto ainda garantimos um alto nível de precisão em relação à intenção dos aprendizes, este artigo propõe uma abordagem para utilizar gráficos de conhecimento (KG) como uma fonte de contexto factual, para prompts de LLM, reduzindo o risco de alucinações do modelo e protegendo contra informações erradas ou imprecisas, enquanto mantém um contexto de aprendizagem intencionado. Utilizamos as relações semânticas no gráfico de conhecimento para oferecer conhecimento curado sobre recomendações de aprendizagem. Com especialistas da área envolvidos, projetamos a explicação como um modelo textual, que é preenchido e completado pelo LLM. Especialistas da área foram integrados na fase de engenharia de prompts como parte de um estudo, para garantir que as explicações incluam informações que sejam relevantes para o aprendiz. Avaliamos nossa abordagem quantitativamente usando medidas Rouge-N e Rouge-L, bem como qualitativamente com especialistas e aprendizes. Nossos resultados mostram uma melhora na recuperação e precisão das explicações geradas em comparação àquelas geradas apenas pelo modelo GPT, com um risco muito reduzido de gerar informações imprecisas na explicação final de aprendizagem.