《Information》：Dialogical Learning Support in RAG-Based E-Learning
Asya Toskova,
Kosta Georgiev and
Todorka Glushkova
编辑推荐：
本研究提出一种基于检索增强生成（Retrieval-Augmented Generation, RAG）架构的网络化平台，旨在通过受控且符合教育学目标的人工智能辅助方式，依托经教师验证的教育材料，支持对话式学习。该系统整合检索基础、上下文感知对话管理及模块化模
本研究提出一种基于检索增强生成（Retrieval-Augmented Generation, RAG）架构的网络化平台，旨在通过受控且符合教育学目标的人工智能辅助方式，依托经教师验证的教育材料，支持对话式学习。该系统整合检索基础、上下文感知对话管理及模块化模型无关设计，将学习建模为持续对话而非孤立查询序列。为确保可靠的知识访问，平台采用结合语义嵌入与词汇匹配的混合检索策略，构建两阶段索引与检索框架。研究在低资源语言环境（保加利亚语）中实现多语言交互，并通过人工构建且经人工验证相关性评估的问题集进行实证评估。结果显示，所选配置在TOP-5层级达到90%的检索准确率，TOP-6层级可达91.4%，为响应生成提供了可靠的上下文基础。对生成响应的补充人工评估进一步表明，该平台具有极强的实际可用性及基本可靠的答案质量。平台设计同时遵循欧洲监管原则，强调教育环境中人工智能应用的透明度、可追溯性及受控使用。总体而言，本研究表明，将检索精度与教学结构相结合，能够开发出支持结构化且上下文可靠的深度学习过程的人工智能系统。
论文解读
随着人工智能在教育领域的渗透，大语言模型（Large Language Model, LLM）虽拓展了自然语言交互边界，却因训练数据异质性面临幻觉风险与认知基础缺失问题——学习者易将模型生成的看似合理实则无依据的内容视为权威，尤其在低资源语言教育场景中，可控、合规的AI辅助工具缺口显著。针对现有检索增强生成（Retrieval-Augmented Generation, RAG）架构多侧重答案准确性、忽视对话过程教学编排的局限，Asya Toskova、Kosta Georgiev与Todorka Glushkova研究团队开发了面向对话式学习的RAG电子学习平台，相关成果发表于《Information》。研究证实，融合检索基础、上下文管理与教学对齐的架构可实现90%的TOP-5检索准确率，为教育AI的可信部署提供了可复制的技术路径。
关键技术方法层面，研究采用模块化三层架构设计，以教师验证的UML（统一建模语言）教材为测试样本队列，通过微积分上下文环境（Calculus of Context-Aware Ambients, CCA）形式化建模验证流程逻辑；检索环节实施两阶段分块策略，结合intfloat/multilingual-e5-small嵌入模型与FAISS IndexFlatIP索引，对比语义检索与混合检索（70%语义+30%词汇）性能；评估阶段构建含70个问题的手动标注数据集，从检索精度、响应正确性、基础度、幻觉率及实用性五个维度开展人工验证。
研究结果部分，检索粒度敏感性分析显示，300字符过小分块导致TOP-5准确率仅60%-65%，800字符分块虽自动化指标最优，但人工评估中500/150（分块长度/重叠度）配置以TOP-1 78.57%、TOP-5 90%的表现优于前者，证实中等分块可平衡上下文完整性与检索精度。检索策略对比表明，混合检索在TOP-1层级较纯语义检索提升8.57个百分点，尤其适配UML等技术领域精确术语匹配需求，最终选定α=0.7的加权混合策略。检索输入规模验证进一步确认500/150分块的人工评估指标全面优于800/250配置，排除大分块的噪声干扰。失败案例分析指出7%的检索误差源于查询歧义、知识库覆盖不足或跨概念术语重叠，而非检索机制缺陷；对话历史采用最近5轮消息的有界注入，避免上下文漂移。最终配置确定为混合检索+TOP-K=5+两阶段分块，将生成模型约束为基于验证材料的上下文合成器。生成响应评估显示，响应正确率达88.10%，基础度76.19%，幻觉率为23.81%，但实用性高达95.24%，证明即使存在轻微瑕疵， grounded响应仍能支撑学习进程。
讨论部分强调，该平台通过三层架构分离知识管理、响应生成与对话交互，将LLM从知识源重构为教学内容的媒介，契合欧盟人工智能法案（EU AI Act）的有限风险定位——仅提供解释性支持而不替代教师决策。技术层面，当前FAISS IndexFlatIP索引适用于课程级小规模语料，检索延迟中位数仅0.0167秒，具备实时交互可行性；但面向机构级大规模部署，需升级近似最近邻索引（如HNSW、IVF）与分布式检索架构。局限性在于知识库质量直接决定系统表现，未来需拓展多模态教育资源支持与苏格拉底式引导脚手架。
研究结论指出，基于RAG的对话式学习平台可通过混合检索与分阶段分块策略，为生成模型提供可靠的教学上下文基础，其模块化设计与合规性对齐特征，为数字学习环境中的可信教育AI开发提供了可推广的架构范式。
