22 oktober 2024 presenterar Xiu Li sin doktorsavhandling på Institutionen för data- och systemvetenskap (DSV) vid Stockholms universitet. Titeln är ”Exploring Natural Language Processing for Linking Digital Learning Materials – Towards Intelligent and Adaptive Learning Systems”.

Doktorand: Xiu Li, DSV
Opponent: Asad Sayeed, Göteborgs universitet
Huvudhandledare: Aron Henriksson, DSV
Handledare: Jalal Nouri och Martin Duneld, DSV

Kontaktuppgifter till Xiu Li

Disputationen genomförs i DSVs lokaler i Kista, med start klockan 13.00.

Hitta till DSV

Sammanfattning

Den digitala transformationen på utbildningsområdet har skapat många möjligheter men också gjort det svårt att navigera i det växande landskapet av digitala läromedel. Mängden och mångfalden av läromedel skapar utmaningar för både lärare och elever att effektivt identifiera och använda de mest relevanta resurserna baserat på specifika lärandesammanhang.

Med detta i åtanke finns det ett stort behov av system som effektivt kan koppla samman dessa olika läromedel för att stödja undervisnings- och inlärningsaktiviteter. I det syftet kan språkteknologi utnyttjas för att tillhandahålla några av de grundläggande byggstenarna för utbildningsorienterade rekommendationssystem.

Denna avhandling undersöker användningen av språkteknologi för att automatiskt länka samman och rekommendera relevanta läromedel i form av läroboksinnehåll, övningar och läroplansmål. En central fråga är hur man effektivt kan representera olika läromedel och för detta ändamål utforskas olika språkmodeller; de erhållna representationerna används sedan för att mäta semantisk textlikhet mellan läromedel. Läromedel kan också representeras utifrån pedagogiska begrepp, vilket undersöks i en ontologibaserad länkningsmetod.

För att ytterligare berika representationerna och förbättra länkprestandan kan olika språkmodeller kombineras och förstärkas med extern kunskap i form av kunskapsgrafer och kunskapsbaser. Utöver tillvägagångssätt baserade på semantisk textlikhet utforskas promptning av stora språkmodeller och en metod baserad på RAG (retrieval-augmented generation) för att förbättra länkprestandan läggs fram.

Avhandlingen presenterar en systematisk utvärdering av användningen av språkteknologi för att representera och länka samman digitalt utbildningsinnehåll, som spänner över olika typer av läromedel, användningsområden och ämnen. Resultaten visar på genomförbarheten av oövervakade metoder baserade på semantisk textlikhet mellan representationer från förtränade språkmodeller, och att kontextuella representationer överträffar traditionella textrepresentationsmetoder.

Vidare kan zero-shot-promptning av stora språkmodeller överträffa metoder baserade på semantisk textlikhet genom att använda RAG för att utnyttja en extern kunskapsbas i form av en digital lärobok. De potentiella praktiska tillämpningarna av de föreslagna metoderna för automatisk länkning av digitala läromedel banar väg för utvecklingen av intelligenta och adaptiva lärsystem, inklusive intelligenta läroböcker.