基于人工智能的结构化数据集构建方法：用于生成有意义的知识关联与多样化问题

《Exploratory Research in Clinical and Social Pharmacy》：AI-Enhanced Structured Dataset Building for Generating Meaningful Knowledge Relationships and Diversified Questions

针对知识组件（KCs）结构松散、问答单一及LLM生成幻觉问题，本研究提出SKQA系统，结合Tree of Thought（ToT）和Retrieval Augmented Generation（RAG）技术，自动生成多关系结构化KCs并创建千余对差异化QA。以数据库系统课程为例，验证其能有效提升学习评估质量与知识留存效率。

　　随着生成式人工智能（Generative AI）技术的迅速发展，教育领域对能够有效支持特定领域知识重新训练的高质量数据集的需求日益增长。大型语言模型（LLMs）在教育中的应用正逐步拓展，特别是在个性化学习和知识追踪（Knowledge Tracing）方面。然而，现有的数据集在多个方面存在局限性，例如缺乏结构化的知识组件（Knowledge Components, KCs）、问题与知识组件之间的关系单一、问题难度和认知发展水平的多样性不足，以及生成文本时可能产生的“幻觉”（hallucination）问题。这些问题严重制约了LLMs在教育中的进一步应用和效果提升。

为了应对上述挑战，本研究提出了一种名为“Smart Knowledge with Questions and Answers”（SKQA）的混合系统。该系统结合了提示工程（Prompt Engineering）技术，旨在构建一个能够生成结构化知识组件及其多维关系，并进一步生成多样化的问答对的框架。SKQA不仅能够帮助学生更好地理解知识网络，还能提升评估过程的效率和准确性。本研究以《数据库系统基础》（Fundamentals of Database Systems, FDS）课程为例，展示了SKQA如何生成七个结构化的知识组件群组，并基于这些知识组件生成超过1000对涵盖不同难度和认知发展水平的问答对。

在个性化学习中，学习内容的构建和评估是两个核心环节。学习内容需要能够反映学生的个体需求和认知水平，而评估则要能够有效衡量学生对知识的掌握程度。为了实现这一目标，学习材料必须包含有意义的知识组件，并且这些知识组件之间应建立起清晰的关联。这种结构化的知识网络可以帮助学生更深入地理解知识点，并在学习过程中形成有效的知识迁移能力。此外，评估内容的多样性也至关重要，它不仅能够覆盖不同难度层次的问题，还能适应不同认知发展阶段的学生，从而提升学习的针对性和效果。

然而，当前的许多数据集在这些方面存在明显的不足。例如，一些已有的知识追踪数据集仅限于两个知识组件之间的关系，无法全面反映知识网络的复杂性。同时，问题的难度和认知发展水平的多样性也较为有限，难以满足个性化学习的需求。此外，基于LLMs生成的问答对常常面临“幻觉”问题，即模型可能会生成与事实不符或与学习内容无关的内容，这直接影响了问答对的质量和可靠性。因此，如何构建一个既能生成结构化知识组件，又能生成高质量、多样化问答对的系统，成为当前教育技术研究中的一个重要课题。

SKQA系统正是针对这些问题提出的一种解决方案。它通过整合多种先进的提示技术，如Tree of Thought（ToT）和Retrieval Augmented Generation（RAG），实现了对知识组件结构的自动构建和问答对的多样化生成。ToT是一种能够引导模型在生成答案时进行更深层次推理的提示方法，它允许模型在多个可能的路径中进行选择，从而生成更具逻辑性和多样性的回答。RAG则通过引入外部知识库，增强了模型在生成内容时的准确性和相关性，避免了“幻觉”问题的出现。这两种技术的结合，使得SKQA能够在生成问答对时，不仅关注问题本身，还能够充分考虑知识组件之间的关系，从而生成更加符合教育需求的问答内容。

在实际应用中，SKQA的构建过程分为三个主要阶段。首先，系统利用已有的知识追踪数据集，如DBE-KT22，提取所有潜在的知识组件关系。这一阶段的关键在于如何准确识别和分类不同的知识组件，并建立它们之间的关联。其次，基于这些关系，系统使用ToT方法生成结构化的知识组件。ToT通过引导模型在多个可能的推理路径中进行选择，从而生成更加复杂和多样化的知识结构。这一阶段的成果是将知识组件组织成树状或图状结构，使其能够更清晰地反映知识之间的层次和联系。最后，系统利用RAG技术生成多样化的问答对。RAG通过引入外部知识源，确保生成的问题和答案具有较高的准确性和相关性，同时还能根据不同的难度和认知发展水平进行调整，从而满足不同学生的学习需求。

为了验证SKQA的有效性，研究团队对生成的问答对进行了定性和定量的评估。定性评估主要关注问答对的内容质量、逻辑性和与学习目标的相关性，而定量评估则通过统计分析和对比实验，衡量问答对的多样性、准确性和实用性。结果显示，SKQA在生成高质量、多样化的问答对方面表现优异，尤其是在知识组件的结构化构建和多维关系的表达上。此外，SKQA生成的问答对在不同难度和认知发展水平上的分布也较为合理，能够更好地适应个性化学习的需求。

在实验环境中，研究团队采用了标准的硬件配置，包括一个具有8个核心的Intel(R) Core(TM) i7-6700处理器、16GB内存和128MB VRAM的Intel HD Graphics 530显卡。系统运行在Windows 11 x64平台上，使用Python和TensorFlow作为主要的开发工具。这种配置不仅能够支持SKQA系统的高效运行，还能确保实验结果的可重复性和可扩展性。

SKQA的提出不仅解决了现有数据集在结构化知识组件和问答多样性方面的不足，还为教育技术的发展提供了新的思路和方法。通过结合ToT和RAG等先进的提示技术，SKQA能够生成更加符合教育需求的问答内容，从而提升个性化学习的效果。此外，SKQA的应用范围并不局限于某一特定课程，而是可以广泛适用于各种学科和领域，如操作系统（Operating Systems）等。这种广泛的适用性使得SKQA具有较高的实用价值和推广潜力。

在实际应用中，SKQA的结构化知识组件能够帮助学生更清晰地理解知识点之间的联系，从而形成更加系统的知识网络。这种知识网络不仅有助于学生在学习过程中进行有效的知识迁移，还能提升他们对复杂概念的理解能力。此外，SKQA生成的问答对能够覆盖不同难度层次和认知发展阶段，使评估更加全面和科学。通过这种方式，SKQA能够更好地支持学生的个性化学习，帮助他们根据自身的学习进度和理解水平，选择适合自己的学习内容和评估方式。

从教育技术发展的角度来看，SKQA的提出具有重要的意义。它不仅解决了当前知识追踪数据集中存在的多个问题，还为未来的研究提供了新的方向。例如，SKQA的结构化知识组件可以作为构建更复杂知识网络的基础，而其问答生成机制也可以进一步优化，以适应更多样化的学习场景。此外，SKQA的成功应用还表明，提示工程技术在教育领域的潜力巨大，未来可以结合更多先进的AI技术，进一步提升教育内容的智能化水平。

在教学实践中，SKQA的应用能够显著提升学习效果。通过生成结构化的知识组件，教师可以更直观地了解学生在学习过程中的知识掌握情况，从而调整教学策略。同时，SKQA生成的问答对可以作为教学资源的一部分，帮助学生巩固所学知识，提升他们的理解能力和应用能力。特别是在个性化学习中，SKQA能够根据学生的学习进度和认知水平，生成适合他们的学习内容和评估方式，从而实现更加精准和高效的教学。

此外，SKQA还能够帮助教育研究者更好地分析学生的学习行为和知识掌握情况。通过生成结构化的知识组件和多样化的问答对，研究者可以更全面地了解学生在学习过程中的表现，从而为教育政策的制定和教学方法的改进提供数据支持。这种数据驱动的教育研究方法，有助于推动教育技术的进一步发展，提高教育质量和效率。

总的来说，SKQA系统为教育技术领域提供了一种全新的解决方案，它不仅能够生成结构化的知识组件，还能生成高质量、多样化的问答对，从而更好地支持个性化学习和知识追踪。通过结合先进的提示技术和外部知识源，SKQA有效解决了现有数据集在结构化知识组件和问答多样性方面的不足，提升了教育内容的智能化水平。未来，SKQA有望在更多学科和领域中得到应用，为教育技术的发展带来新的机遇和挑战。