haolpku/K12-KGraph

解決する課題

K12-KGraphは、現代のLLMに欠けている「カリキュラム認識」を補います。モデルは概念の定義は可能ですが、教育的概念間の構造的関係——例えば前提条件、分類学的隣接、または概念を検証・テストするための特定の実験や演習——を理解するのに困難を抱えることがよくあります。

動作方法

このプロジェクトは、公式のK-12 STEM教科書（数学、物理、化学、生物）からカリキュラムに整合した知識グラフ（KG）を構築します。パイプラインは以下の通りです：

1. 抽出：MinerUによるPDF解析と、GPT-5.2によるスキーマ制約付きの概念、スキル、実験の抽出。
2. 構造化：データの階層的マージとDAG（有向非巡回グラフ）検証により、論理的な流れを保証。
3. アセット生成：KGを活用して以下の2つの主要なアセットを生成します：
   • K12-Bench：構造的推論を評価するための23,640問のマルチセレクト問題のベンチマーク。
   • K12-Train：教師あり微調整（SFT）用に設計された2,267件のインストラクション-応答ペアのデータセット。モデルにカリキュラム構造を学習させる。

対象ユーザー

教育用LLM、カリキュラム認識AI、STEM分野における構造的推論のベンチマークに取り組むAI研究者および開発者。

主な特徴

• 多次元整合：定義、式、実験、演習、教科書の場所の各側面で概念を整合。
• 高品質：分野専門家による検証（Fleiss' κ = 0.84）と自動DAG検証により保証。
• 即時利用可能モデル：カリキュラムデータで特別に訓練された3つのファインチューニング済みチェックポイント（Llama 3.1、Qwen 3.5、Qwen 3）を提供。
• 包括的なスキーマ：7種類のノードタイプ（例：Concept、Skill、Experiment）と9種類のエッジタイプ（例：prerequisites_for、verifies）を含み、教育的依存関係をマッピング。