⛓️
🕸️KAQG：知識グラフでテスト問題を自在に生成
こんにちは！やきとりです。
最近、**質問生成（Question Generation）**の世界で注目されているテーマが増えていますね。
今回は、【KAQG: A Knowledge-Graph-Enhanced RAG for Difficulty-Controlled Question Generation】（arXiv:2505.07618 Accepted）について、ゆるくもポイントを拾いながらお届けします。
元論文情報
- タイトル：KAQG: A Knowledge-Graph-Enhanced RAG for Difficulty-Controlled Question Generation
- 著者 ：Ching Han Chen, Ming Fang Shiu
- 掲載 ：arXiv:2505.07618 (cs.IR) Accepted
- リンク：https://arxiv.org/abs/2505.07618
✒ 論文を一言でまとめると？
知識グラフ（KG）を使って、取り出した事実のつながりをもとに「簡単〜難しい」まで調整可能なテスト問題を自動生成する仕組みを作った
🤔 質問生成って何？
-
概要レベル
- 文章やデータから自動的に「問い」を作り出す技術。
- 教材作りの手間を減らしたり、自己学習アプリで活用されたりする。
-
応用レベル
- eラーニングで難易度に合わせた練習問題を大量に用意
- 試験の過去問データをもとに新しいバリエーション問題を生成
例えると…
- 🧩 「バラバラのパズルピース（知識グラフのノード）があって、そこからどのピースをどれだけ組み合わせるかで、簡単〜難しいパズル（問題）ができるイメージ」です。
⚠️ 従来の問題点
- ❌ 推論過程が見えにくい：RAG（Retrieval-Augmented Generation）だと「なぜこの根拠を使ったか」がブラックボックス化しがち。
- ❌ 難易度調整が粗い：生成後に手動でレベル分けする必要があり、自動化が不十分。
🚀 本論文の革新ポイント
✨ ポイント1：知識グラフ×RAGによる多段階推論
- ドメイン文書を構造化してグラフ化→グラフ-awareな検索で「事実の連鎖（fact chain）」を抽出→LLMに渡すフロー。
- どのノードをたどったかが明示され、推論の根拠がトレース可能に！
✨ ポイント2：Bloom’s Taxonomy＋IRTで細かく難易度制御
- 教育評価理論のブルームのタキソノミーと 項目反応理論（IRT） を融合。
- 生成プロセス中に「理解」「応用」「分析」などレベル指定や、IRTパラメータを反映して問題を設計。
- 結果のIRTパラメータが専門家基準と一致！
🔬 実験結果ハイライト
- ✅ トレース可能性：推論ルートの正答率が従来比+15%
- ✅ 難易度一致：IRT推定値と専門家評価の相関係数0.87
- ✅ 再現性：GitHub上でデータ・スクリプト一式公開済み
🌱 今後の可能性
- 💡 多教科横断の問題生成プラットフォーム化
- 💡 動的テスト（adaptive testing）への応用でより個別最適化
- 💡 教育データ分析と結びつけたパーソナライズ学習支援
📝 まとめ
- 知識グラフを活用して推論過程を可視化
- 教育評価理論で難易度を自在にコントロール
- 再現性高く、研究・実装コミュニティに貢献
次回もお楽しみに！
Discussion