KNOWPLAN: Knowledge-Driven AI Agents for Smart Degree Pathway Planning
KnowPlan ist ein zweistufiges, wissensgesteuertes KI-System, das zunächst Universitätslehrpläne aus heterogenen Quellen mittels eines proaktiven, extraktionsorientierten Crawlers (CatalogBrowse) rekonstruiert und anschließend personalisierte Studienwege über einen zertifizierten Hypergraphen-Solver (DegreeMap) optimiert, wobei eine hohe Recall-Rate und Durchführbarkeit erreicht wird, während die Kosten für den Quellenzugriff im Vergleich zu End-to-End-Ansätzen signifikant reduziert werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, das ultimative maßgeschneiderte Lego-Schloss zu bauen, aber die Bauanleitungen sind über eine Million verschiedene Websites verstreut, einige sind in Code geschrieben, manche in PDFs und andere sind hinter Türen verborgen, von denen Sie nichts wissen. Dies ist die Welt der akademischen Studienberatung, ein Bereich, in dem Computer versuchen, Studenten dabei zu helfen, genau herauszufinden, welche Kurse sie belegen müssen, um rechtzeitig ihren Abschluss zu machen. Jahrelang haben Forscher intelligente Systeme entwickelt, die den perfekten Stundenplan vorschlagen können, wenn sie bereits die vollständige Liste der Regeln haben. Aber hier liegt der Haken: Diese Liste der Regeln zu bekommen, ist ein Albtraum. Universitäts-Websites sind chaotisch, inkonsistent und ändern sich ständig. Wenn ein Computer versucht, die Regeln zu „lesen“, während er gleichzeitig entscheidet, welche Kurse er auswählen soll, entsteht eine verwirrende Schleife: Er könnte eine Regel überspringen, weil er dachte, sie sei noch nicht wichtig genug, nur um später festzustellen, dass das Überspringen dieser Regel den gesamten Plan unmöglich macht. Diese Arbeit befasst sich mit genau diesem Problem und stellt die Frage: Wie kann ein Computer zuerst alle chaotischen Regeln sammeln, ohne die persönlichen Ziele des Studenten zu kennen, und diese Regeln dann nutzen, um einen perfekten, garantierten Plan zu erstellen?
Hier kommt KnowPlan ins Spiel, ein zweistufiges Roboter-Team, das darauf ausgelegt ist, diesen akademischen Knoten zu entwirren. Betrachten Sie den ersten Roboter, CatalogBrowse, als einen superorganisierten Bibliothekar, dem es egal ist, wer Sie sind oder was Sie studieren möchten. Seine einzige Aufgabe ist es, die digitale Bibliothek der Universität zu erkunden und jede einzelne Regel, jeden Kurs und jede Anforderung zu finden, egal wie versteckt sie auch sein mögen. Anstatt einfach nur Links wahllos anzuklicken oder einer einfachen Karte zu folgen, spielt dieser Roboter ein hochriskantes Spiel des „Was kommt als Nächstes?“. Er berechnet den Wert jedes möglichen Klicks und fragt sich: „Wenn ich diese Seite öffne, wie viel neue Information erhalte ich im Vergleich zum Aufwand?“ Er macht so weiter, bis er ein „Closure Certificate“ besitzt – ein digitales Siegel der Bestätigung, das beweist, dass er keinen kritischen Teil des Puzzles übersehen hat. Er rät nicht; er hört erst auf, wenn er mathematisch sicher ist, dass er alles gefunden hat, was in dieser eingefrorenen Momentaufnahme der Website zu finden ist. Sobön er fertig ist, übergibt er drei ordentliche, organisierte digitale Dateien, die den gesamten Lehrplan enthalten.
Der zweite Roboter, DegreeMap, ist der Meisterplaner. Er nimmt diese drei Dateien und das persönliche Profil des Studenten (wie Noten, Interessen und wie viel Arbeit er bewältigen kann). Er erstellt daraus eine komplexe 3D-Karte der Anforderungen, in der Kurse durch unsichtbare logische Fäden miteinander verbunden sind (wie „man muss Mathe 101 vor Mathe 102 belegen“). Mithilfe einer leistungsstarken mathematischen Engine findet er nicht nur einen Plan, sondern den besten Plan. Er balanciert harte Regeln (man kann nicht ohne diesen Kurs graduieren) mit weichen Wünschen (man liebt Biologie sehr) aus und stellt sicher, dass der Student in der kürzestmöglichen Zeit mit dem geringsten Stress fertig wird. Entscheidend ist, dass der erste Roboter seine Arbeit perfekt erledigt hat, sodass der zweite Roboter nie raten muss, ob eine Regel existiert. Er arbeitet einfach mit dem, was ihm gegeben wurde.
Die Ergebnisse sind beeindruckend. Bei Tests an 100 verschiedenen Universitäten fand der erste Roboter 96,2 % aller verfügbaren Kurse und stellte 88,7 % der „versteckten“ Seiten wieder her, die andere Methoden übersehen hatten, und das bei 47 % weniger besuchten Webseiten als ein Roboter, der einfach versucht, alles zu lesen. Der zweite Roboter nutzte diese Daten dann, um Pläne zu erstellen, die zu 100 % gültig waren (keine unmöglichen Stundenpläne) und die Studenten im Vergleich zu anderen Top-Systemen um eine kleine, aber messbare Menge zufriedener mit ihren Entscheidungen machten. Das Gesamtsystem zertifizierte erfolgreich 99,5 % der Anfragen, was beweist, dass wir durch die Trennung der Aufgabe „Regeln finden“ von der Aufgabe „Plan erstellen“ einen viel zuverlässigeren und persönlicheren Wegweiser für Studenten bauen können. Die Autoren zeigen, dass dieser Ansatz die Verwirrung durch zirkuläre Logik beseitigt und eine chaotische Suche in eine zertifizierte, schrittweise Reise zum Studienabschluss verwandelt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.