Riepilogo Tecnico: Microservizio Ibrido KG-First, LLM-Fallback per la Ricerca di Competenze Fondamentate

1. Enunciato del Problema

L'educazione basata sulle competenze si fonda sull'allineamento dei risultati di apprendimento a framework autorevoli quali ESCO, ROME e O*NET. Tuttavia, l'adozione pratica di queste risorse da parte degli educatori è ostacolata da tre fattori principali:

• Eterogeneità Strutturale: I framework variano significativamente in granularità, struttura e copertura multilingue.
• Complessità Tecnica: L'accesso a queste risorse richiede spesso la navigazione di endpoint SPARQL complessi o la gestione di API rigide difficili da sfruttare per i non esperti.
• Disallineamento del Vocabolario: Gli educatori descrivono frequentemente le competenze utilizzando linguaggio naturale o sinonimi che non corrispondono alla terminologia ufficiale degli standard, portando a una scarsa reperibilità tramite la ricerca tradizionale per parole chiave.

Le soluzioni attuali fanno spesso affidamento su ricerche per parole chiave ad hoc o sull'etichettatura manuale, che oscurano le strutture dei prerequisiti e ostacolano la progettazione di percorsi di apprendimento trasparenti. Inoltre, sebbene i Modelli Linguistici di grandi dimensioni (LLM) offrano interfacce in linguaggio naturale, la loro tendenza ad allucinarli li rende inadatti a contesti educativi dove l'accuratezza fattuale e la provenienza sono fondamentali.

2. Metodologia e Architettura

Il documento introduce SkillGraph-Service, un microservizio interoperabile progettato per unificare questi framework disparati in un singolo Grafo di Conoscenza (KG) che preserva la provenienza. Il sistema adotta un'architettura "KG-First, LLM-Fallback", dando priorità al rigore simbolico rispetto alla flessibilità generativa.

Livelli Architetturali Principali

1. Livello degli Standard di Riferimento: Importa export di ESCO e ROME (e potenzialmente O*NET) in una rappresentazione RDF/SKOS comune. Crucialmente, i collegamenti tra framework sono modellati come bordi di mappatura espliciti piuttosto che fusioni distruttive, per garantire reversibilità e auditabilità.
2. Livello della Conoscenza e della Rappresentazione: Utilizza un'Ontologia di Gestione delle Competenze (CMO) per armonizzare concetti come Competenze, Abilità e Occupazioni. Questo livello supporta relazioni quali hasPrerequisite (ha prerequisito), hasSubSkill (ha sotto-competenza) e isRelevantForOccupation (è rilevante per l'occupazione).
3. Livello di Recupero e Ragionamento: Implementa un motore di recupero ibrido leggero che combina:
   • Ricerca Lessicale: SQLite FTS5 per la corrispondenza esatta della terminologia.
   • Ricerca Semantica: Grafi HNSW (Hierarchical Navigable Small World) per il recupero di vettori densi utilizzando embedding Sentence-BERT.
   • Fusione Ibrida: Una combinazione convessa di punteggi lessicali e semantici normalizzati per gestire i disallineamenti del vocabolario preservando al contempo la precisione.
4. Superficie API: Espone una REST API minimale per la ricerca, la traversata dei prerequisiti/sotto-competenze e la generazione di spiegazioni.

La Strategia LLM-Fallback

Gli LLM non sono utilizzati per il recupero primario o la generazione non strutturata. Vengono invece invocati rigorosamente per compiti vincolati:

• Ridimensionamento Vincolato: Riordinamento di piccoli insiemi di candidati quando mancano collegamenti espliciti nel grafo.
• Spiegazione Consapevole del Pubblico: Generazione di riepiloghi in linguaggio naturale vincolati da schemi JSON rigorosi per garantire che ogni affermazione citi specifici ID di evidenza dal KG.
• Meccanismo di Fallback: Se l'LLM non rispetta i vincoli (ad esempio, mancano le citazioni), il sistema torna a template deterministici.

3. Contributi Chiave

• Unificazione che Preserva la Provenienza: Un metodo per unificare framework di competenze eterogenei (ESCO, ROME) in un singolo KG senza perdita di dati o deriva semantica, mantenendo identificatori stabili per l'auditabilità.
• Recupero Ibrido Leggero: Una dimostrazione che la fusione della ricerca vettoriale SQLite FTS5 e HNSW ottiene un'efficacia di recupero superiore rispetto alle baseline unimodali, senza il sovraccarico computazionale di cluster distribuiti o cross-encoder pesanti.
• Spiegazioni Generative Controllate: Un'analisi empirica del compromesso tra fluidità e fedeltà nelle spiegazioni generate dagli LLM, che mostra come, sebbene la generazione vincolata da JSON garantisca la precisione delle citazioni, spesso soffra di una ridotta copertura delle evidenze rispetto alla generazione libera.
• Efficienza Operativa: Un'implementazione prototipale in Python (FastAPI) che raggiunge latenze inferiori a 200 ms, rendendola adatta a piattaforme educative interattive.

4. Risultati Sperimentali

Il sistema è stato valutato su un dataset multilingue composto da 14.257 nodi ESCO e 10.319 nodi ROME, utilizzando 100 query formulate da educatori.

Efficacia del Recupero (RQ1)

• Baseline: La ricerca solo lessicale (BM25) ha performato male (nDCG@5 = 0,474), confermando il problema del disallineamento del vocabolario.
• Recupero Dens: La ricerca solo semantica ha migliorato significativamente le prestazioni (nDCG@5 = 0,875).
• Approccio Ibrido: La fusione di segnali lessicali e semantici ha raggiunto la massima efficacia (nDCG@5 = 0,948).
• Latenza: Il sistema ibrido ha mantenuto latenze interattive (mediana 187,5 ms).
• Ridimensionamento: Contrariamente alle aspettative, l'aggiunta di un passaggio di ridimensionamento con cross-encoder ha degradato le prestazioni (nDCG@5 sceso a 0,814) e aumentato la latenza di un ordine di grandezza (>2s), suggerendo che è inutile per questo dominio.

Qualità delle Spiegazioni (RQ2)

• Template (C1): Hanno raggiunto una copertura delle evidenze perfetta (1,0) e latenze quasi istantanee (<5 ms) ma mancavano di fluidità nel linguaggio naturale.
• LLM Vincolato (C2): Ha prodotto testo fluido ma ha mostrato un calo significativo nella copertura delle evidenze (0,32), il che significa che il modello ha spesso "dimenticato" di citare le fonti nonostante fosse vincolato dallo schema. Tuttavia, quando citava, la precisione era perfetta (1,0).
• LLM Libero (C3): Altamente fluido ma completamente infedele (precisione di citazione 0,0), confermando la sua inadeguatezza per contesti educativi verificabili.

5. Significato e Affermazioni

Il documento afferma che SkillGraph-Service offre una soluzione pratica, scalabile e auditabile per integrare dati complessi sulle competenze negli ecosistemi di apprendimento digitale. Il suo significato principale risiede nel dimostrare che:

1. Il recupero ibrido è sufficiente: Una combinazione leggera di ricerca lessicale e densa può superare pipeline neurali complesse senza la necessità di costosi ridimensionamenti.
2. L'AI fondata è fattibile: Vincolando rigorosamente gli LLM ad agire come "miglioratori di fallback" piuttosto che generatori primari, i sistemi possono fornire spiegazioni in linguaggio naturale mitigando al contempo i rischi di allucinazione.
3. I compromessi sono gestibili: Gli autori sostengono un'interfaccia utente ibrida in cui i template deterministici forniscono insight immediati e verificabili, mentre i riepilogi opzionali degli LLM offrono leggibilità, a condizione che siano chiaramente etichettati come contenuti generati.

Il lavoro si posiziona come un ponte tra standard di competenza rigidi e le esigenze flessibili degli educatori, dando priorità alla correttezza e alla velocità rispetto alle capacità creative dell'AI generativa.