개인 맞춤형 학습을 위한 교수자 의도 기반 지식 그래프

Instructor-Aligned Knowledge Graphs for Personalized Learning

교육적 개념을 숙달하려면 선수 지식(예: 병합 정렬 이전의 재귀)과 하위 개념(예: 정렬 알고리즘의 일부로서의 병합 정렬)을 모두 이해해야 한다. 이러한 의존성을 포착하는 것은 학생들의 지식 결손을 파악하고 개인 맞춤형 학습을 위한 표적 개입을 가능하게 하는 데 필수적이다. 이는 대규모 강의에서 특히 어려운 과제인데, 교수자가 학생들의 개별적인 오해를 진단하거나 어떤 개념이 보강되어야 하는지 현실적으로 파악할 수 없기 때문이다. 지식 그래프는 이러한 개념적 관계를 대규모로 포착하는 데 자연스러운 표현 방식을 제공하지만, 기존의 접근법들은 표면적 수준('알고리즘'과 같은 강의 수준의 개념이나 수강 신청과 같은 행정적 관계에 초점)에 머물거나, 교육 자료에 내재된 풍부한 교수적 신호를 무시한다. 본 논문에서는 강의의 의도된 학습 진행 과정을 포착하여 교수자의 의도에 부합하는 지식 그래프를 자동으로 구축하는 프레임워크인 InstructKG를 제안한다. 강의 자료(슬라이드, 노트 등)가 주어지면, InstructKG는 중요한 개념을 노드로 추출하고 학습 의존성을 방향성 간선(예: '부분(part-of)' 또는 '의존(depends-on)' 관계)으로 추론한다. 이 프레임워크는 교육 자료 고유의 풍부한 시간적 및 의미론적 신호(예: '재귀'는 '병합 정렬'보다 먼저 학습됨, '재귀'는 '병합 정렬'의 정의에서 언급됨)를 대형 언어 모델의 일반화 능력과 결합하여 시너지를 창출한다. 여러 강의에 걸친 다양하고 실제적인 강의 자료에 대한 실험과 사람 주도 평가를 통해, InstructKG가 교수자 의도에 부합하는 풍부한 학습 진행 과정을 성공적으로 포착함을 입증한다.

Mastering educational concepts requires understanding both their prerequisites (e.g., recursion before merge sort) and sub-concepts (e.g., merge sort as part of sorting algorithms). Capturing these dependencies is critical for identifying students' knowledge gaps and enabling targeted intervention for personalized learning. This is especially challenging in large-scale courses, where instructors cannot feasibly diagnose individual misunderstanding or determine which concepts need reinforcement. While knowledge graphs offer a natural representation for capturing these conceptual relationships at scale, existing approaches are either surface-level (focusing on course-level concepts like "Algorithms" or logistical relationships such as course enrollment), or disregard the rich pedagogical signals embedded in instructional materials. We propose InstructKG, a framework for automatically constructing instructor-aligned knowledge graphs that capture a course's intended learning progression. Given a course's lecture materials (slides, notes, etc.), InstructKG extracts significant concepts as nodes and infers learning dependencies as directed edges (e.g., "part-of" or "depends-on" relationships). The framework synergizes the rich temporal and semantic signals unique to educational materials (e.g., "recursion" is taught before "mergesort"; "recursion" is mentioned in the definition of "merge sort") with the generalizability of large language models. Through experiments on real-world, diverse lecture materials across multiple courses and human-based evaluation, we demonstrate that InstructKG captures rich, instructor-aligned learning progressions.