LLM対応教育質問応答システムのためのクロスデータ知識グラフ構築：HCMUTにおけるケーススタディ

今日の急速に進化する人工知能の分野において、大規模言語モデル（LLM）は活発な研究トピックとして浮上しています。LLMは様々な分野で応用され、大きく貢献しています。事前学習言語モデル（PLM）と同様に強力な言語能力を持つ一方で、LLMはイベントの記憶、新情報の取り込み、ドメイン固有の問題や幻覚の対応に課題を抱えています。これらの制限を克服するために、研究者たちはRetrieval-Augmented Generation（RAG）技術を提案し、さらに一部はLLMを知識グラフ（KG）と統合して事実的文脈を提供し、性能向上およびユーザークエリへのより正確な応答を実現しようとしています。教育は人間の発展と進歩において重要な役割を果たします。技術変革により、従来の教育はデジタルまたはブレンド型教育に取って代わられています。したがって、デジタル環境における教育データは日々増加しています。高等教育機関のデータは多様であり、非構造化/構造化テキスト、リレーショナルデータベース、ウェブ/アプリベースのAPIアクセスなど様々なソースから構成されています。これらのクロスデータソースから知識グラフを構築することは容易な作業ではありません。本稿は複数のデータソースから自動的に知識グラフを構築する方法を提案し、LLMと連携した質問応答タスクにおけるKGの初期応用（実験的試行）について論じます。