순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
Retrieval-augmented generation for educational application: A systematic survey
Zongxi Li, Zijian Wang, Weiming Wang 외 · Computers and Education Artificial Intelligence · 2025년 · 조회 18
왜 이 논문인가 — 선정 기준
HOT PAPER · 최근 가장 주목받는 논문 — 피인용·FWCI·동년 인용 백분위
2025-05 발표 · 피인용 143회 · 분야 내 인용 영향력 상위권 · 동년 인용 상위 1%
HOT PAPER 슬롯에 선정된 이유는 2025년 발표 논문 중 인용 상위 1%에 속할 정도로 높은 주목도와 인용 영향력을 보였기 때문이다.
논문 요약
대형 언어 모델(LLM)의 사실 오류와 정적 지식 한계를 극복하기 위해 검색‑증강 생성(RAG) 기법을 검토하였다. RAG는 외부 지식베이스에서 관련 정보를 검색해 LLM의 생성 과정에 결합함으로써 사실 정확성과 동적 지식 업데이트를 강화한다. 본 논문은 RAG의 정의와 작업 흐름을 정리하고, 인덱싱 메커니즘, 다양한 검색기와 생성 방법을 체계적으로 소개한다.
후속 연구설계에 활용하기
후속 연구에서는 RAG의 검색기 종류·지식베이스 업데이트 주기 등을 변수로 설정해 교육용 질문응답 시스템의 사실 정확성을 실험적으로 비교할 수 있다.
핵심어
검색 기반 생성대형 언어 모델교육 AI사실 정확성
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.