본 논문은 AI 기반 교육에서 다양한 질문 유형을 해석하여 효과적이고 접근 가능한 학습 경험을 제공하는 데 초점을 맞추고 있습니다. 기존 시스템의 한계를 극복하기 위해, 본 논문에서는 경량의 다중 모드 검색 모듈인 Uni-Retrieval을 제시합니다. Uni-Retrieval은 질문 유형 프로토타입을 추출하여 지속적으로 업데이트되는 Prompt Bank의 토큰과 동적으로 매칭합니다. MoE-LoRA 모듈을 활용하여 도메인 특정 지식을 암호화하고 저장하는 Prompt Bank는 테스트 시점에 보이지 않는 질문 유형에도 적응할 수 있도록 Uni-Retrieval의 기능을 향상시키는 데 사용됩니다. Uni-Retrieval과 instruction-tuned 언어 모델을 통합하여, 스타일 조건부 질문이 주어지면 관련 교육 자료를 검색하고 학습 목표에 맞는 설명, 피드백 또는 교육 콘텐츠를 생성하는 Uni-RAG라는 완전한 검색 증강 생성 파이프라인을 구축합니다. SER 및 기타 다중 모달 벤치마크에 대한 실험 결과는 Uni-RAG가 기준 검색 및 RAG 시스템보다 검색 정확도와 생성 품질 모두에서 우수하며, 낮은 계산 비용을 유지한다는 것을 보여줍니다. 본 연구는 다양한 STEM 시나리오에서 개인화되고 설명 가능하며 효율적인 학습 지원을 위해 검색과 생성을 연결하는 확장 가능하고 교육적으로 기반을 둔 지능형 교육 시스템을 제공합니다.
