IDEA2：專家參與式協同本體工程的能力問題挖掘
arXiv - Artificial IntelligenceElliott Watkiss-Leek, Reham Alharbi, Harry Rostron, Andrew Ng, Ewan Johnson, Andrew Mitchell, Terry R. Payne, Valentina Tamma, Jacopo de Berardinis
利用LLM與專家互動的迭代流程，快速高效地挖掘並優化本體工程所需的能力問題。
AI 幫你先抓重點
AI 重點 1
LLM與專家協同的迭代流程
滑鼠懸停看 AI 判斷理由
此流程突破傳統單向需求轉化瓶頸，讓專家能即時修正LLM生成的CQ，提升準確性與可接受度。
AI 重點 2
可追溯的 provenance 模型
滑鼠懸停看 AI 判斷理由
完整記錄CQ變更與參數，確保透明度與可重現性，對後續本體維護與研究極為重要。
AI 重點 3
兩個實際案例驗證
滑鼠懸停看 AI 判斷理由
實證顯示流程在不同領域均有效，證明方法的通用性與實務價值。
核心研究發現
- 1
IDEA2結合LLM與專家互動，形成半自動化的能力問題（CQ）挖掘流程。
- 2
迭代循環包括LLM初步抽取、專家共創審查、LLM重新表述，直至共識。
- 3
透過可追溯的 provenance 模型，完整記錄CQ的編輯歷程與參數。
- 4
在科學資料與文化遺產兩個實際案例中，流程顯著縮短需求工程時間。
- 5
受訪專家報告高可用性與有效性，提升CQ的接受度與相關性。
對教育工作者的啟發
將LLM嵌入需求收集工具，設計可視化協作平台；建立CQ版本追蹤；培訓專家使用LLM生成與修正；評估流程效能以持續改進，從而提升本體開發效率與質量。
原始文獻資訊
- 英文標題：
- IDEA2: Expert-in-the-loop competency question elicitation for collaborative ontology engineering
- 作者：
- Elliott Watkiss-Leek, Reham Alharbi, Harry Rostron, Andrew Ng, Ewan Johnson, Andrew Mitchell, Terry R. Payne, Valentina Tamma, Jacopo de Berardinis
- 來源：
- arXiv - Artificial Intelligence
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。