Enhanced Question-Answering for Skill-based learning using Knowledge-based AI and Generative AI
Created by
Haebom
저자
Rahul K. Dass, Rochan H. Madhusudhana, Erin C. Deye, Shashank Verma, Timothy A. Bydlon, Grace Brazil, Ashok K. Goel
개요
온라인 학습 환경에서 학습자의 기술 이해도를 지원하는 것은 오랜 과제입니다. 연습 문제와 채팅 기반 에이전트는 제한된 맥락에서 이해도를 평가할 수 있지만, 학습자가 절차적 지식(어떻게 하는가)과 추론(왜 그런 일이 일어나는가)을 깊이 파고드는 설명을 필요로 할 때 이 과제는 더욱 커집니다. 본 연구는 지식 기반 AI 프레임워크인 TMK(Task-Method-Knowledge) 모델을 사용하면 지능형 에이전트의 학습자 질문에 대한 이해 및 설명 능력을 크게 향상시킬 수 있다는 가설을 세웁니다. 본 연구는 LLM과 반복적 개선 기법을 활용하여 목적론적, 인과적, 구성적 원리를 구현하는 설명을 생성하는 지능형 에이전트 Ivy를 소개합니다. 초기 평가 결과, 이 접근 방식은 비구조화된 텍스트에 접근할 수 있는 에이전트가 생성하는 일반적인 피상적인 응답을 넘어서서 피드백의 깊이와 관련성을 크게 향상시키는 것으로 나타났습니다. 이는 온라인 환경에서 효과적인 문제 해결에 필수적인 기술에 대한 학습자의 포괄적인 이해를 보장할 수 있습니다.
시사점, 한계점
•
시사점: TMK 모델과 LLM, 반복적 개선 기법을 활용한 지능형 에이전트가 온라인 학습 환경에서 학습자의 기술 이해도 향상에 효과적임을 보여줍니다. 깊이 있고 관련성 높은 피드백을 제공하여 학습자의 문제 해결 능력 향상에 기여할 수 있습니다.
•
한계점: 초기 평가 결과만 제시되었으며, 더욱 넓은 범위의 학습자와 다양한 과제에 대한 추가적인 연구가 필요합니다. TMK 모델의 적용 가능성과 한계에 대한 심층적인 분석이 필요하며, LLM의 편향성이나 설명의 정확성에 대한 검증이 추가적으로 요구됩니다.
