ترجمه فارسی مقاله برچسب زدن دانش با سیستم چند عامل مبتنی بر مدل زبان بزرگ

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Knowledge Tagging with Large Language Model based Multi-Agent System
عنوان مقاله به فارسی برچسب زدن دانش با سیستم چند عامل مبتنی بر مدل زبان بزرگ
نویسندگان Hang Li, Tianlong Xu, Ethan Chang, Qingsong Wen
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Artificial Intelligence,محاسبه و زبان , هوش مصنوعی ,
توضیحات Submitted 12 September, 2024; originally announced September 2024. , Comments: 8 pages, 3 figures
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 8 صفحه ، 3 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Knowledge tagging for questions is vital in modern intelligent educational applications, including learning progress diagnosis, practice question recommendations, and course content organization. Traditionally, these annotations have been performed by pedagogical experts, as the task demands not only a deep semantic understanding of question stems and knowledge definitions but also a strong ability to link problem-solving logic with relevant knowledge concepts. With the advent of advanced natural language processing (NLP) algorithms, such as pre-trained language models and large language models (LLMs), pioneering studies have explored automating the knowledge tagging process using various machine learning models. In this paper, we investigate the use of a multi-agent system to address the limitations of previous algorithms, particularly in handling complex cases involving intricate knowledge definitions and strict numerical constraints. By demonstrating its superior performance on the publicly available math question knowledge tagging dataset, MathKnowCT, we highlight the significant potential of an LLM-based multi-agent system in overcoming the challenges that previous methods have encountered. Finally, through an in-depth discussion of the implications of automating knowledge tagging, we underscore the promising results of deploying LLM-based algorithms in educational contexts.

چکیده به فارسی (ترجمه ماشینی)

برچسب زدن دانش برای سؤالات در برنامه های آموزشی مدرن ، از جمله تشخیص پیشرفت پیشرفت ، توصیه های سؤال تمرین و سازمان محتوای دوره بسیار مهم است.به طور سنتی ، این حاشیه نویسی ها توسط کارشناسان آموزشی انجام شده است ، زیرا این کار نه تنها درک معنایی عمیق از سؤال و تعاریف دانش را می طلبد بلکه توانایی محکمی برای پیوند منطق حل مسئله با مفاهیم دانش مربوطه است.با ظهور الگوریتم های پیشرفته پردازش زبان طبیعی (NLP) ، مانند مدل های زبان از قبل آموزش دیده و مدلهای بزرگ زبان (LLM) ، مطالعات پیشگامانه به بررسی خودکار کردن فرایند برچسب زدن دانش با استفاده از مدلهای مختلف یادگیری ماشین پرداخته اند.در این مقاله ، ما استفاده از یک سیستم چند عامل را برای پرداختن به محدودیت های الگوریتم های قبلی ، به ویژه در رسیدگی به موارد پیچیده شامل تعاریف دانش پیچیده و محدودیت های عددی دقیق بررسی می کنیم.ما با نشان دادن عملکرد برتر آن در مجموعه داده های برچسب زدن دانش ریاضی در دسترس عمومی ، Mathkanct ، پتانسیل قابل توجهی از یک سیستم چند عامل مبتنی بر LLM را در غلبه بر چالش هایی که روش های قبلی با آن روبرو بوده اند ، برجسته می کنیم.سرانجام ، از طریق بحث عمیق در مورد پیامدهای اتوماسیون برچسب زدن به دانش ، ما نتایج امیدوار کننده استقرار الگوریتم های مبتنی بر LLM را در زمینه های آموزشی تأکید می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.