Forschung zum Aufbau und zur Argumentation von Bildungs-Wissensgraphen basierend auf vortrainierten Sprachmodellen

In diesem Papier schlagen wir einen umfassenden Rahmen für den Aufbau und die Argumentation von Bildungs-Wissensgraphen vor, der vortrainierte Sprachmodelle mit strukturierter Wissensrepräsentation integriert, um komplexe Herausforderungen der Organisation und Inferenz von Bildungswissen zu bewältigen. Unser Ansatz verwendet eine Architektur mit drei Modulen, bestehend aus hierarchischer Wissensextraktion, Graphkonstruktion und neuronalsymbolischer Hybrid-Argumentationskomponenten, die speziell für Anwendungen im Bildungsbereich entwickelt wurden. Wir führen umfangreiche experimentelle Validierungen durch, einschließlich systematischer Ablationsstudien, Analyse der Hyperparametersensitivität und Bewertung der Domänenübergreifenden Generalisierbarkeit auf großskaligen Bildungsdatensätzen. Der Rahmen erreicht einen F1-Score von 0,853 bei der Wissensextraktion und eine Pfadgenauigkeit von 0,786 bei Argumentationsaufgaben und übertrifft damit Basismethoden um jeweils 8,2 % bzw. 8,5 %. Die Domänenübergreifende Evaluation zeigt eine robuste Generalisierbarkeit mit 95,2 % Transfer-Effizienz bei der Anwendung auf spezialisierte Bildungsdomänen, während die Skalierbarkeitsanalyse günstige sublineare Wachstumscharakteristika aufweist, die sich für institutionelle Einsätze eignen. Die umfassende Analyse bestätigt die Effektivität des Rahmens beim Erfassen komplexer Bildungsbeziehungen, der Generierung adaptiver Lernpfade und der Unterstützung intelligenter Tutorensysteme. Diese Ergebnisse belegen die praktische Anwendbarkeit unseres Ansatzes für das moderne Management von Bildungswissen, personalisierte Lernanwendungen und Bildungstechnologiesysteme, wobei eine breitere Validierung über diverse Bildungskontexte für eine umfassende Implementierung weiterhin notwendig ist.