Personalisierte Wissensempfehlungssystem für den Englischunterricht basierend auf dem MoE-RAG-Algorithmus

Dieses Papier schlägt ein personalisiertes Wissensempfehlungssystem für den Englischunterricht vor, das auf dem MoE-RAG-Algorithmus basiert. Das System integriert eine Mixtur von Experten (MoE) Architektur mit acht spezialisierten Submodellen und einem spärlich gesteuerten Netzwerk, um dynamisch die relevantesten Experten für jede Anfrage auszuwählen. In Kombination mit einem Retrieval-unterstützten Generierungsmodul (RAG) werden relevante Wissensquellen aus mehreren Datenbanken abgerufen und durch einen auf Transformatoren basierenden Generator mit der Expertenausgabe verschmolzen, um personalisierte Empfehlungen zu erzeugen. Dieser Ansatz adressiert effektiv das Cold-Start-Problem und verbessert die Interpretierbarkeit. Experimente mit 10.000 Interaktionsdatensätzen von 500 Schülern zeigen, dass MoE-RAG traditionelle Modelle (z.B. kollaboratives Filtern) signifikant übertrifft und eine Genauigkeit von 87,5 %, eine Präzision von 90,2 %, eine Rückrufrate von 84,1 % sowie einen F1-Score von 87,0 % erreicht. Durch einen Echtzeit-Feedback- und Verstärkungslernmechanismus passt das System Ressourcen dynamisch an und optimiert Lernpfade, was eine starke Anpassungsfähigkeit an verschiedene Lernphasen zeigt und die Schülerbeteiligung, Zeitoptimierung und Zufriedenheit verbessert. Dieses System fördert die intelligente und personalisierte Entwicklung des Englischunterrichts.