🤖 AI

KNOWPLAN: Knowledge-Driven AI Agents for Smart Degree Pathway Planning

KnowPlan is een tweestaps, kennisgestuurd AI-systeem dat eerst universiteitscurricula reconstrueert uit heterogene bronnen met behulp van een proactieve, extractie-eerst crawler (CatalogBrowse) en vervolgens gepersonaliseerde graadpaden optimaliseert via een gecertificeerde hypergraaf-solver (DegreeMap), waarbij een hoge recall en haalbaarheid wordt bereikt terwijl de toegangskosten voor bronnen aanzienlijk worden verminderd in vergelijking met end-to-end benaderingen.

Oorspronkelijke auteurs: Shuheng Cao, Weijia Zhang, Jiaqi Wu, Xiyun Hu, Yat Yang, Juqy Chen, Zhaoxiang Feng

Gepubliceerd 2026-08-10

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Shuheng Cao, Weijia Zhang, Jiaqi Wu, Xiyun Hu, Yat Yang, Juqy Chen, Zhaoxiang Feng

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de ultieme, op maat gemaakte Lego-kasteel te bouwen, maar de instructies liggen verspreid over een miljoen verschillende websites, waarvan sommige in code zijn geschreven, sommige in PDF's, en andere verborgen achter deuren die je niet kent. Dit is de wereld van academisch advisering, een vakgebied waar computers proberen studenten te helpen uitzoeken welke lessen ze precies moeten volgen om op tijd af te studeren. Jarenlang hebben onderzoekers slimme systemen gebouwd die het perfecte rooster kunnen voorstellen als ze al over de volledige lijst met regels beschikken. Maar hier is de crux: het verkrijgen van die lijst met regels is een nachtmerrie. Universiteitswebsites zijn rommelig, inconsistent en veranderen voortdurend. Als een computer probeert de regels te "lezen" terwijl hij tegelijkertijd beslist welke lessen hij moet kiezen, creëert dit een verwarrende lus: hij kan een regel overslaan omdat hij dacht dat deze nog niet belangrijk was, om er later pas achter te komen dat het overslaan van die regel het hele plan onmogelijk maakt. Dit artikel pakt precies dat hoofdpijndossier aan en vraagt: hoe kan een computer eerst alle rommelige regels verzamelen, zonder de persoonlijke doelen van de student te kennen, en vervolgens die regels gebruiken om een perfect, gegarandeerd plan te maken?

Maak kennis met KnowPlan, een tweetraps robotteam dat ontworpen is om deze academische knoop te ontwarren. Beschouw de eerste robot, CatalogBrowse, als een supergeorganiseerde bibliothecaris die er niet om geeft wie je bent of wat je wilt studeren. Zijn enige taak is om de digitale bibliotheek van de universiteit te verkennen en elke enkele regel, cursus en vereiste te vinden, hoe verborgen ook. In plaats van gewoon willekeurig op links te klikken of een eenvoudige kaart te volgen, speelt deze robot een spannend spel van "wat nu?". Hij berekent de waarde van elke mogieve klik door te vragen: "Als ik deze pagina open, hoeveel nieuwe informatie krijg ik dan vergeleken met de inspanning?" Hij gaat door totdat hij een "closure certificate" heeft—een digitaal zegel van goedkeuring dat bewijst dat hij geen enkel cruciaal onderdeel van de puzzel is misgelopen. Hij raadt niet; hij stopt pas wanneer hij wiskundig zeker weet dat hij alles heeft gevonden wat hij in die bevroren momentopname van de website kan vinden. Zodra hij klaar is, draagt hij drie nette, georganiseerde digitale bestanden over die het volledige curriculum bevatten.

De tweede robot, DegreeMap, is de meesterplanner. Deze neemt die drie bestanden en het persoonlijke profiel van de student (zoals cijfers, interesses en hoeveel werk iemand aankan). Vervolgens bouwt het een complexe 3D-kaart van vereisten, waarbij cursussen verbonden zijn door onzichtbare draden van logica (zoals "je moet Wiskunde 101 volgen vóór Wiskunde 102"). Door gebruik te maken van een krachtige wiskundige motor, vindt het niet zomaar een plan; het vindt het beste plan. Het balanceert harde regels (je kunt niet afstuderen zonder dit vak) met zachte wensen (je houdt echt van biologie), en zorgt ervoor dat de student in de kortste tijd met de minste stress afstudeert. Cruciaal is dat, omdat de eerste robot zijn werk perfect heeft gedaan, de tweede robot nooit hoeft te gissen of een regel bestaat. Hij werkt simpelweg met wat hem wordt gegeven.

De resultaten zijn indrukwekkend. Bij tests bij 100 verschillende universiteiten vond de eerste robot 96,2% van alle beschikbare cursussen en herstelde hij 88,7% van de "verborgen" pagina's die andere methoden misten, terwijl hij 47% minder webpagina's bezocht dan een robot die simpelweg alles probeert te lezen. De tweede robot gebruikte deze gegevens vervolgens om plannen te maken die voor 100% geldig waren (geen onmogelijke roosters) en maakte studenten een klein maar meetbaar deel gelukkiger met hun keuzes vergeleken met andere top-systemen. Het hele systeem slaagde erin om 99,5% van de verzoeken te certificeren, wat bewijst dat door de taak van "het vinden van de regels" te scheiden van de taak van "het maken van het plan", we een veel betrouwbaardere en persoonlijkere gids voor studenten kunnen bouwen. De auteurs tonen aan dat deze aanpak de verwarring van circulaire logica wegneemt en een chaotische zoektocht verandert in een gecertificeerde, stapsgewijze reis naar afstuderen.

Technische Samenvatting: KnowPlan

Probleemstelling

Het plannen van academische loopbaanpaden is een door beperkingen gestuurd beslissingsprobleem waarbij studenten cursussen moeten sequensen om aan de logica van voorkennis (prerequisites), graadvereisten, eenhedenlimieten en term-aanbiedingen te voldoen. Hoewel eerder werk zich heeft gericht op cursusaanbevelingen en curriculumoptimalisatie, gaan deze benaderingen grotendeels uit van de veronderstelling dat een voldoende volledige representatie van het curriculum al beschikbaar is.

Het construeren van deze representatie vanuit publieke universitaire bronnen is inherent moeilijk. Institutionele curricula zijn verspreid over heterogene formaten (webpagina's, JSON-endpoints, PDF's) zonder gedeeld schema, en bevatten geneste logische clausules, overlap in vereisten en beleidsuitzonderingen. Een kritieke, onbehandelde kloof in de bestaande literatuur is de acquisitie–planning circulariteit: als een gepersonaliseerde planner de bronacquisitie controleert, bepaalt het huidige studentdoel welke pagina's worden geopend. Bijgevolg bepaalt de resulterende partiële graaf welke plannen haalbaar lijken, en wordt dezelfde incomplete graaf gebruikt om het plan te valideren. Ontbrekende regels blijven onzichtbaar omdat ze nooit zijn verworven.

Methodologie

De auteurs presenteren KnowPlan, een extractie-georiënteerd framework dat de curriculumreconstructie scheidt van de gepersonaliseerde graadplanning om deze circulariteit te doorbreken. Het systeem werkt in twee afzonderlijke fasen:

1. CatalogBrowse: Profielonafhankelijke Extractie

CatalogBrowse is een web-exploratieagent die ontworpen is om curriculumdata te verwerven zonder toegang tot een studentprofiel.

Toestand en Observabiliteit: De agent onderhoudt een dynamische pagina-graaf en een frontier van ongeopende links. Cruciaal is dat de pagininhoud pas wordt onthuld nadat een actie vooraf is vastgelegd en betaald is, wat voorkomt dat de agent de inhoud inspecteert om te beslissen of hij deze moet openen.
Atomaire Verplichtingen: In plaats van te vertrouwen op gewogen voltooiingssignalen die stimuleren op 'makkelijke successen', richt de agent zich op een eindige set atomaire verplichtingen ( $O$ ), zoals het ontdekken van indexvermeldingen, het instantiëren van entiteiten, het invullen van verplichte velden en het oplossen van referenties.
Beleid: De agent selecteert acties met behulp van een lower-confidence bound (LCB) op de verwachte marginale verplichtingswinst per eenheid bron-toegang. Dit conservatieve beleid geeft prioriteit aan reeds gevalideerde bewijslast en zorgt ervoor dat onbekende acties alleen worden opgevolgd als de verplichting zelf een positieve verwachte winst genereert.
Parsing en Fallback: Het systeem gebruikt deterministische platform-adapters voor API's, DOM's en PDF's. Voor complexe logische clausules gebruikt het een span-geconstreind clausule-naar-AST-model. Het model is beperkt tot tokens die letterlijk aanwezig zijn in de zichtbare span en kan geen willekeurige URL's of identificatoren emitteren; outputs worden opnieuw gelokaliseerd in de paginatekst voordat ze worden geaccepteerd.
Terminatie: De agent stopt pas wanneer een closure certificate (sluitingscertificaat) geldt. Dit certificaat verifieert dat elke ontdekte indexvermelding ofwel gekoppeld is aan een entiteit, ofwel expliciet als mislukt is geregistreerd; dat elk schema-vereist veld gebonden of expliciet onopgelost is; en dat elke provenance-offset binnen de grenzen ligt van een pagina die de agent heeft geopend. Het certificaat lokaliseert bewijs, maar beoordeelt de feiten zelf niet; het is snapshot-relatief en maakt geen aanspraak op de live Web.
Output: De fase emitteert exact drie provenance-gelinkte JSON-documenten: cursussen/voorkennis, programmarequirements en algemene onderwijskaders.

2. DegreeMap: Gepersonaliseerde Planning

DegreeMap consumeert uitsluitend de drie JSON-documenten geproduceerd door CatalogBrowse en de specifieke aanvraag van de student.

Getypeerde Vereistenhypergraaf: De compiler brengt de JSON-documenten in kaart naar een getypeerde vereistenhypergraaf. Het behoudt complexe logische structuren (bijv. CHOOSE_N, ALL_OF) als hyperedges in plaats van ze uit te breiden naar paarwise clausules, wat exacte handhaving van restricties zoals "kies 3 uit 9" garandeert.
Gepersonaliseerde Nut (Utility): Het systeem berekent een score $S(c)$ $S (c)$ voor elke cursus op basis van:
- Direct semantisch belang ( $I_0$ ).
- Getypeerde graafdiffusie ( $I_D$ ), waarbij belang wordt gepropageerd door vervulling en cross-listing edges, maar niet door voorkennis-edges.
- Waarde van het ontsluiten van voorkennis ( $U$ ), waarbij belang achterwaarts wordt gepropageerd langs afhankelijkheidspaden.
- Major/Algemeen Onderwijs winst, toekomstige optiewaarde, werklast, risico en afkeer.
Lexicografische CP-SAT Optimalisatie: De planner lost op voor een gerangschikte set plannen met behulp van een lexicografische volgorde:
1. Harde Haalbaarheid (voldoen aan alle restricties).
2. Minimale voltooiingshorizon.
3. Werklast en planningsrisico.
4. Gepersonaliseerd nut.
5. Toekomstige optiewaarde.
  Elke fase fixeert het bewezen optimum van de vorige fase als een harde restrictie, wat certificeerbaarheid binnen een vast solver-budget waarborgt.
Verduidelijking: Als het optimale plan varieert over de resterende voorkeurshypothesen, stelt het systeem gerichte vragen om de verwachte spijt (regret) te verminderen.

Belangrijkste Bijdragen

Formulering: Het artikel formuleert graadplanning vanuit publieke bronnen als een tweestaps acquisitie-en-optimalisatieprobleem, waardoor de acquisitie–planning circulariteit direct meetbaar wordt gemaakt.
CatalogBrowse: Introduceert een profielonafhankelijke agent met een verplichtingsgestuurde exploratie, provenance-gelinkte extractie en een certificaat-gebaseerde stopregel die garandeert dat alle ontdekte vermeldingen ofwel verwerkt ofwel expliciet gefaald zijn.
DegreeMap: Presenteert een planner die een getypeerde verechtenhypergraaf combineert met exacte lexicografische optimalisatie, geëvalueerd via gemaskeerde-bron en gepaarde gold-versus-geëxtraheerde tracks.

Resultaten

Het systeem werd geëvalueerd op een Broad-100 track (100 universiteiten) en een Dense-6 track (6 universiteiten met diverse bronformaten).

Extractieprestaties (CatalogBrowse):
- Bereikte 96,2% inventaris-recall en 88,7% masked-source recovery (het herstellen van entiteiten achter verborgen pagina's).
- Gebruikte 47% minder bron-toegangen dan een exhaustieve crawler terwijl het baselines zoals Static BFS en Go-Browse-stijl agents overtrof.
- Handhaafde een hoge Typed F1 (79,4) en AST Semantische Equivalentie (77,8) op de broad track.
Planningsprestaties (DegreeMap):
- Behield 100,0% harde haalbaarheid op de Dense-6 track.
- Verbeterde het gepersonaliseerde nut met +0,066 ten opzichte van de sterkste baseline (LLMAP-stijl MSGS).
- Verkortte de voltooiingshorizon van 6,7 naar 6,3 termijnen.
End-to-End Prestaties:
- De volledige pipeline certificeerde 99,5% van de planningsverzoeken.
- De utility-kloof ten opzichte van planning over een bevoorrechte gold-curriculumgraaf was slechts 0,015.
- Ablatie-studies bevestigden dat het verwijderen van het fixed-point certificaat de recall met 4,4 punten verminderde, en het gebruik van een gewogen som-objectief in plaats van lexicografische optimalisatie de gecertificeerde haalbaarheid met 4,0 punten verminderde.

Betekenis

Het artikel beweert dat KnowPlan de acquisitie–planning circulariteit door constructie wegneemt. Door de acquisitie van het curriculum (onafhankelijk van studentdoelen) te scheiden van de optimalisatie van het plan, maakt het systeem de interface tussen data-acquisitie en gebruik meetbaar in plaats van verondersteld. De auteurs benadrukken dat deze aanpak een modelleringsaanname (dat het curriculum bekend is) omzet in een meetbare hoeveelheid, en aantonen dat betrouwbare graadplanning een profielonafhankelijke curriculumacquisitie vereist voordat student-specifieke optimalisatie kan plaatsvinden. Het framework is generaliseerbaar naar elk domein waar een agent een wereldmodel moet verwerven om te scoren tegen een later doel, mits het acquisitiedoel vaststaat voordat het doel bekend is.