Gegenwärtig ist die Diskussion und Anwendung von Künstlicher Intelligenz im Fremdsprachenunterricht in vollem Gange, und große Sprachmodelle bieten Lehrern und Schülern offensichtlich Vorteile in Bezug auf Bequemlichkeit und Effizienz. Aufgrund der großen Anzahl von Parametern, der langen Trainingszeit und der Black-Box-Eigenschaften neuronaler Netze weisen große Sprachmodelle jedoch Probleme wie langsame Wissensaktualisierung, unzureichendes Fachwissen und „Halluzinationen“ in den Antworten auf, was Risiken und Unsicherheiten hinsichtlich der Zuverlässigkeit der Wissensproduktion in Lehranwendungen mit sich bringt. Retrieval Augmented Generation (RAG) mindert das Problem der „Halluzinationen“ großer Sprachmodelle effektiv durch Integration externer Wissensquellen und ist zu einer wichtigen Technologie zur Verbesserung der Leistungsfähigkeit großer Sprachmodelle geworden. In dieser Arbeit wurde ein wissensgestütztes Frage-Antwort-System mit mehreren Engines und Strategien entwickelt, das Echtzeit-Internetdaten als Repräsentation aktueller Netzwerkwissen, strukturierte Daten in Form von Wissensgraphen und unstrukturierte private lokale Dokumente des Nutzers kombiniert, zusammen mit der starken natürlichen Sprachverstehensfähigkeit großer Sprachmodelle und erworbenem parametriertem Wissen und umfassend im Fremdsprachunterrichtssystem angewendet wird. Das System beantwortet Fragen von Lehrkräften und Lernenden im forschenden Lernprozess und zeichnet sich durch Sicherheit, Zuverlässigkeit, umfassende und akkurate Referenzinformationen sowie Echtzeitaktualisierung aus. Durch objektive Bewertungen und Expertenbewertungen wurde die gute Zuverlässigkeit und Wirksamkeit des Systems bestätigt.

große Sprachmodelle; Retrieval Augmented Generation; Wissensgraphen; mehrquellige heterogene Wissensdatenbanken; Fremdsprachen-Wissensfragen und -antworten