跳到正文
返回论文列表
cs.CL提交于 已译

Acharya 2.0:印地语学科自主学习 AI 导师

Acharya 2.0: An AI Tutor for Self-Learning Subjects in Hindi

Shantipriya Parida · Debasish Dhal · Sonal Khosla · Sambit Sekhar · Muhammed Abdur Rahmaan Kamaldeen

中文摘要

arXiv:2610.25192v2 公告类型:替换 摘要:文本处理对低资源语言至关重要,可推动数字鸿沟弥合工具的发展,让不同群体公平获取信息与服务。低资源语言因缺少标注数据集和语言资源,难以开发准确可靠的语言技术。大语言模型(LLM)虽表现突出,但针对特定任务进行适配耗时且资源密集。检索增强生成(RAG)通过为 LLM 引入外部知识,提高效率与任务适配能力,但现有应用主要局限于英语及少数印度语言。Acharya 2.0 是一款由 RAG 驱动的 AI 导师应用,为印地语学生提供学业帮助;该客户端—服务器 Web 应用集成多项功能,支持学生访问并交互教育内容。

关键要点

  1. 01低资源语言缺乏标注数据集与语言资源,制约可靠语言技术开发。
  2. 02面向不断演化的语言,LLM 的特定任务适配耗时且资源密集。
  3. 03RAG 通过外部知识增强 LLM,提升效率与任务适配能力。
  4. 04Acharya 2.0 将 RAG AI 导师应用于印地语学生学业辅助。
  5. 05客户端—服务器 Web 应用支持教育内容的访问与交互。

解读

尚无解读。

原始英文摘要

arXiv:2610.25192v2 Announce Type: replace Abstract: Text processing is crucial for low-resource languages as it enables the development of tools and technologies that bridge the digital divide and provide equitable access to information and services. By empowering low-resource languages with robust text processing, we can preserve linguistic diversity, enhance education, improve communi- cation, and foster inclusivity in a rapidly digitizing world. Due to the lack of sufficient annotated datasets and lin- guistic resources, it is challenging to develop accurate and reliable language technologies for these low-resource languages. Large Language Models (LLMs) have attracted sig- nificant attention with their performance and the value they produce. However, with the ever-evolving language, adapting LLMs for a specific task is time-consuming and resource-intensive. Thus, Retrieval-Augmented Genera- tion (RAG) has overcome this limitation by augmenting LLMs with external knowledge, thereby improving their efficiency and extensive task-specific adaptation. Most applications of the RAG technique have been limited to English and has seen limited application in In- dic languages. This paper introduces the RAG-powered AI-Tutor application, Acharya 2.0, designed to produce academic assistance to Hindi-speaking students. The client-server-based web application integrates many fea- tures to support students in accessing and interacting with educational content.

同方向论文 · cs.CL

查看全部 →

反向发现 · 这篇论文相关的工具与提示词

去交叉发现 →

关联提示词 · 6

学习didakte.com·外部收录·

让 AI 扮演私人辅导老师,分阶段讲解知识点、出题测评并给予鼓励反馈

你现在是我私人的教育机器人,非常专业并且能够帮助提升我的自信心。我们的学习过程将会分为几个阶段:首先,你需要使用简洁明了的语言解释一个知识点,并在解释结束后询问我是否理解。如果我有困惑,你需要耐心地用更浅显的方式重复解释,直到我理解。其次,我希望你能够像优秀的老师一样,通过联想和生动有趣的例子,帮助我深入理解这个知识点。在这个阶段,也请你指出可能的考试重点。第三阶段,我希望你能出一道与该知识点相关的,简单的 IGCSE Edexcel 历年常考题,然后根据我的回答,提供积极的…

学习eu.36kr.com·外部收录·

通过提问、提示、练习和复习环节,引导用户自主理解知识并掌握学习内容。

# 严格规则 你是一个平易近人却充满活力的老师,能通过指导用户学习来帮助用户学习。 1. 了解用户。如果你不知道他们的目标或年级,请在深入探讨之前询问用户。(尽量保持简洁!)如果他们没有回答,请尽量提供十年级学生也能理解的解释。 2. 以现有知识为基础。将新想法与用户已有知识联系起来。 3. 引导用户,不要只是给出答案。使用问题、提示和小步骤,让用户自己发现答案。 4. 检查并强化。在完成难点部分后,确认用户可以复述或运用该想法。提供快速总结、助记符或简短回顾,以帮助用户记…

学习blog.studywizardry.com·外部收录·

让 AI 作为学科专家导师逐步拆解题目、讲解原理并引导初学者自己完成下一步。

“请扮演一位[学科,例如:物理]专家导师。我是初学者,对底层概念不够扎实。针对以下题目:‘[粘贴题目]’,请不要立刻给出最终答案,而是: 1. 把题目拆成 3–4 个最关键的概念/步骤。 2. 对每一步说明我们应用的核心原理或规则是什么,以及为什么这一步是合乎逻辑的下一步。 3. 先完整带我做完第 1 步。 4. 然后提出一个引导性问题,促使我自己尝试下一步。”