В настоящее время обсуждение и применение технологий искусственного интеллекта в преподавании иностранных языков находятся в активной стадии развития, и преимущества больших языковых моделей для преподавателей и студентов очевидны. Однако большие языковые модели, из-за большого количества параметров, длительного времени обучения и «черного ящика» нейронных сетей, сталкиваются с проблемами медленного обновления знаний, недостаточности специализированных знаний и явлением «галлюцинаций» в ответах, что приводит к рискам и неопределенности в надежности знаний при их использовании в образовательных приложениях. Технология расширенного генеративного поиска (Retrieval Augmented Generation, RAG) эффективно снижает проблему «галлюцинаций» больших языковых моделей благодаря интеграции внешних знаний и стала важной технологией для повышения возможностей больших языковых моделей. В данной работе построена система вопросов и ответов на основе многоступенчатого и многопроцессорного поиска знаний, включающая в себя актуальные сетевые данные, представляющие данные из интернета, структурированные данные в виде графов знаний и неструктурированные локальные личные документы пользователя, а также мощные возможности больших языковых моделей по пониманию естественного языка и приобретенным параметризованным знаниям, с комплексным применением в системе обучения иностранным языкам. Система отвечает на вопросы преподавателей и студентов, возникающие в процессе исследовательского обучения, характеризуется безопасностью и надежностью, полнотой и точностью справочной информации, а также обновлением в реальном времени. Экспериментальная проверка с использованием объективной оценки и экспертной субъективной оценки подтвердили хорошую надежность и эффективность системы.

большие языковые модели;расширенное генеративное создание;графы знаний;многокомпонентные гетерогенные базы знаний;вопросы и ответы по иностранным языкам