Mar, 2024

多智能体大型语言模型进行内容知识识别

PDF
TL;DR教师数学内容知识（CK）对于教师专业发展（PD）计划至关重要。我们提出了基于多智能体 LLMs 的框架，LLMAgent-CK，用于在没有人工注释的情况下评估用户反馈与确定的 CK 学习目标的一致性，并展示了在实际数学 CK 数据集 MaCKT 上有希望的 CK 识别表现。
mathematical content knowledgeteacher professional developmentcomputer-aided asynchronous pd systemsck identification methodsmulti-agent llms-based framework
发现论文，激发创造
  • 利用 LLMs 实现内容为中心的认知代理的知识获取自动化

    该论文介绍了一种利用大型语言模型技术支持智能代理语义词典中新条目的自动学习的系统。这种学习方法通过现有的非玩具词典和自然语言生成器引导启动，将意义的表达按基本本体建立转换为自然语言句子。此学习方法已应用于学习多词表达式，其含义与智能代理语义词典中的及物动词等效。实验展示了一种融合基于知识的方法、资源、传统数据分析和大型语言模型的混合学习架构的优势。

    Dec, 2023

  • 用 LLMs 自动标记数学问题的知识概念

    基于大语言模型的知识概念标记在数学问题的自动标记任务中显示出潜力，由于其零 / 少样本学习能力，适用于教育场景中收集大规模、专业标记数据集所面临的挑战。

    Mar, 2024

  • 基于灵活演示检索器的数学问题知识标记系统

    知识标记对于当代智能教育应用具有关键作用，本文探索采用大型语言模型（LLMs）自动化该任务，展示了 LLMs 在数学问题知识标记任务上零次和少次检测结果的强大性能，并通过提出基于强化学习的示范检索器，成功利用不同规模的 LLMs 实现更优异的性能结果同时保持上下文演示使用的高效性。

    Jun, 2024

  • 多选题自动生成和标记的知识组件

    我们使用 GPT-4 为高等教育课程中的化学和电子学习的多项选择题生成知识组件 (KCs)，并通过三名领域专家的评估，分析了大型语言模型 (LLM) 生成的 KCs 与人工生成的 KCs 之间的差异。评估结果显示，非匹配的 KCs 中，评估者有统计显著性地倾向于选择 LLM 生成的 KCs。我们还开发了一个本体归纳算法，根据题目内容将评估相似 KCs 的问题进行聚类。该研究推进了自动化生成和分类评估项目中的 KC，减轻了对学生数据或预定义 KC 标签的需求。

    May, 2024

  • KwaiAgents：基于大语言模型的通用信息检索代理系统

    我们引入了基于大型语言模型的信息获取代理系统 KwaiAgents，探索了其性能，并介绍了 Meta-Agent Tuning (MAT) 框架以确保在不同代理系统中优化的开源模型的表现。

    Dec, 2023

  • 基于 LMM 的教育问答系统的跨数据知识图构建：以 HCMUT 为案例研究

    通过结合大型语言模型（LLMs）和知识图谱（KGs），本研究论文提出了一种自动构建知识图谱的方法，并讨论了在数字教育环境中，LLMs 与 KGs 结合在问答任务中的初步应用。

    Apr, 2024

  • 大型语言模型的多阶段协作知识蒸馏

    我们提出了一种多阶段协同知识蒸馏方法，用于稀缺标记数据的半监督序列预测任务，通过从提示的大型语言模型中蒸馏出的学生模型，在特定任务上能够更好地泛化，且在两个句法分析任务上表现出了优势。

    Nov, 2023

  • 数学多项选择题生成：人类 - 大型语言模型协同

    本文介绍了一个原型工具，旨在促进语言模型与教育工作者的合作，以简化数学多项选择题生成过程。我们进行了一项试点研究，涉及数学教育工作者，以调查该工具如何帮助他们简化高质量的数学多项选择题的制作过程。研究发现，虽然语言模型能够生成良好形式的问题提示，但其生成的干扰项无法涵盖常见的学生错误和误解。尽管如此，人工智能与人类的合作有潜力提高多项选择题生成的效率和有效性。

    May, 2024

  • 教导大型语言模型从自身信号中表达知识边界

    本文提出了 CoKE 方法，通过评估大型语言模型的知识边界，使其能够准确表达自己的知识边界，从而减少幻觉现象，显著提高在领域内和领域外的性能表现。

    Jun, 2024

  • 从人类专家到机器：一个基于 LLM 的本体和知识图构建方法

    利用开源 LMMs 进行（半）自动化构建知识图谱的可行性研究以及深度学习方法的知识图谱构建

    Mar, 2024