DEVELOPING A RETRIEVAL-AUGMENTED GENERATION SYSTEM FOR LEARNING SUPPORT

Abstract

Large Language Models (LLMs) are increasingly used to support learning activities; however, several limitations remain. AI-generated responses may not be grounded in official educational materials, their accuracy and reliability are not always verified, and valuable knowledge arising from student–AI interactions is often not systematically accumulated and reused for subsequent learning activities. As a result, students may find it difficult to assess the reliability of AI-generated information and to effectively transform these interactions into opportunities for knowledge reinforcement. This thesis aims to develop a Retrieval-Augmented Generation (RAG)-based learning support system in which AI-generated answers are grounded in official academic documents and can be reviewed and verified by lecturers, thereby improving the reliability and academic usefulness of the generated content. In addition, the system accumulates lecturer-verified question–answer pairs as reusable knowledge units and uses them to generate learning exercises, enabling students to review and reinforce previously acquired knowledge. To achieve these objectives, a RAG pipeline was first designed and experimentally evaluated to identify suitable document chunking and retrieval strategies that could provide relevant and effective context for the Large Language Model. The selected configuration was then integrated into the RAG engine of a complete webbased learning support system. The system provides document-grounded question answering, lecturer verification, knowledge curation and reuse, automatic exercise generation, review activities, and document management. The completed system supports three main user groups. Students can interact with the RAG-based chatbot, take generated review exercises, and upload personal documents as additional private knowledge sources. Lecturers can review, edit, and approve AI-generated question–answer pairs, as well as manage curated knowledge and generated exercises. Administrators can manage system documents, user accounts, curated knowledge, and learning exercises when necessary. Overall, the thesis demonstrates the feasibility of combining RAG, lecturer verification, and knowledge reuse within a unified learning support system to provide more reliable AI-assisted learning and support continuous knowledge reinforcement. Các mô hình ngôn ngữ lớn (Large Language Models – LLMs) ngày càng được sử dụng rộng rãi để hỗ trợ các hoạt động học tập. Tuy nhiên, việc ứng dụng các mô hình này vẫn còn tồn tại một số hạn chế. Các câu trả lời do trí tuệ nhân tạo tạo ra có thể không dựa trên các tài liệu giáo dục chính thống, tính chính xác và độ tin cậy của nội dung không phải lúc nào cũng được xác minh, đồng thời những kiến thức có giá trị hình thành từ quá trình tương tác giữa sinh viên và AI thường chưa được tích lũy và tái sử dụng một cách có hệ thống cho các hoạt động học tập tiếp theo. Do đó, sinh viên có thể gặp khó khăn trong việc đánh giá độ tin cậy của thông tin do AI cung cấp cũng như trong việc tận dụng hiệu quả các tương tác này để củng cố kiến thức. Luận văn này hướng đến việc xây dựng một hệ thống hỗ trợ học tập dựa trên kỹ thuật Retrieval-Augmented Generation (RAG), trong đó các câu trả lời do AI tạo ra được dựa trên các tài liệu học thuật chính thống và có thể được giảng viên xem xét, xác minh nhằm nâng cao độ tin cậy cũng như giá trị sử dụng trong học tập của nội dung được tạo ra. Bên cạnh đó, hệ thống tích lũy các cặp câu hỏi – câu trả lời đã được giảng viên xác minh thành những đơn vị kiến thức có thể tái sử dụng và sử dụng chúng để tạo các bài tập học tập, qua đó giúp sinh viên ôn tập và củng cố những kiến thức đã tiếp thu. Để đạt được các mục tiêu trên, trước tiên một quy trình RAG được thiết kế và đánh giá thực nghiệm nhằm xác định các chiến lược phân đoạn tài liệu và truy xuất phù hợp, có khả năng cung cấp ngữ cảnh liên quan và hiệu quả cho mô hình ngôn ngữ lớn. Cấu hình được lựa chọn sau đó được tích hợp vào bộ máy RAG của một hệ thống hỗ trợ học tập hoàn chỉnh trên nền tảng web. Hệ thống cung cấp các chức năng bao gồm hỏi đáp dựa trên tài liệu, xác minh nội dung bởi giảng viên, quản lý và tái sử dụng tri thức, tự động tạo bài tập, hỗ trợ hoạt động ôn tập và quản lý tài liệu. Hệ thống hoàn chỉnh hỗ trợ ba nhóm người dùng chính. Sinh viên có thể tương tác với chatbot dựa trên RAG, thực hiện các bài tập ôn tập được tạo tự động và tải lên các tài liệu cá nhân để sử dụng như những nguồn tri thức riêng tư bổ sung. Giảng viên có thể xem xét, chỉnh sửa và phê duyệt các cặp câu hỏi – câu trả lời do AI tạo ra, đồng thời quản lý tri thức đã được tuyển chọn và các bài tập được sinh tự động. Quản trị viên có thể quản lý tài liệu của hệ thống, tài khoản người dùng, tri thức đã được tuyển chọn và các bài tập học tập khi cần thiết. Nhìn chung, luận văn cho thấy tính khả thi của việc kết hợp RAG, cơ chế xác minh của giảng viên và tái sử dụng tri thức trong một hệ thống hỗ trợ học tập thống nhất, qua đó góp phần nâng cao độ tin cậy của hoạt động học tập có sự hỗ trợ của AI và hỗ trợ quá trình củng cố kiến thức liên tục.