程式語言與文字分析
- Python
- Pandas
- spaCy
- PyTorch
以 Python 組織教材處理及生成流程，技術環境涵蓋 Pandas 資料整理、spaCy 文字分析與 PyTorch 模型工具。把教材內容轉為後續檢索及出題可以使用的資料。
技術應用情境示意
PythonPandasspaCyPyTorchNetworkXRAG
THE CHALLENGE
解決的問題
生成式 AI 的出題應用需要連結教材知識結構，並對認知層次及題目難度進行設計。
WHAT WE DELIVER
交付成果
- 01教材資料與知識圖譜處理
- 02RAG 增強的考題生成流程
- 03依 Bloom 認知分類設計題目層次
成果與技術價值
形成結合研究與工程實作的教育 AI 系統，支持具知識結構與難度控制的試題生成。
技術架構與實作
從教材文字與知識結構出發，串接檢索、題目生成及難度評估，將教育研究方法落實為具服務分工的考題生成系統。
知識圖譜與檢索
- NetworkX
- Neo4j
- RAG
以圖結構表達教材概念及關係，結合 NetworkX 圖分析與 Neo4j 知識服務。RAG 流程先取得相關知識，再將概念與事實作為題目生成的內容依據。
服務通訊與執行環境
- MQTT
- Docker
- PDF 處理
公開研究程式將 PDF 擷取、知識圖譜與語言模型拆成服務，使用 MQTT 協作，並以 Docker 管理 Neo4j 環境。這種分工讓資料來源、圖譜及生成服務的依賴更清楚。
難度設計與題目評估
- Bloom 認知分類
- 試題評估
依 Bloom 認知分類設計題目層次，將生成與評估分成不同處理階段。透過教材知識結構與題目特徵分析，支援可控制難度的出題流程及後續檢視。
系統運作流程
- 01
擷取教材知識
從文件取得文字、概念及關係，形成知識資料。
- 02
檢索並生成試題
結合圖譜與 RAG，依題目層次進行生成。
- 03
評估題目與難度
分析題目特徵，將生成結果帶入評估流程。
案例依產業與技術成果呈現，客戶與專案識別資訊已去識別化。