Cortex: A Retrieval-Augmented Framework for Career-Aligned Learning Paths

Vatsala Ramachandran

doi:10.1007/s10994-026-07160-5

2026-09-22

PRE

Vatsala Ramachandran

Manasvi Vedanta

Sonia Khetarpaul *

DOI：10.1007/s10994-026-07160-5

原文链接

原文求助

摘要

En 中文

在专业发展快速演变的背景下，许多学习者及转行者发现难以将现有技能与其期望职业的需求对齐。传统职业指导系统常依赖刚性关键词匹配，忽略了用户意图的语义细微差别。例如，对“大数据分析”感兴趣的用户可能不会明确提及“数据科学家”，导致传统系统遗漏这一关联。此外，一旦确定职业路径，确定技能获取的优化顺序（同时考虑先决条件和依赖关系）仍是一个重大的教育学挑战，且极少在规模化上得到有效自动化。为应对这些挑战，本文提出Cortex，一个基于AI的职业对齐学习系统，该系统结合了检索增强生成（RAG）、大型语言模型（LLMs）、知识图谱和句子嵌入，以语义匹配用户兴趣与职业，并生成具备技能间依赖关系和脚手架的先决条件一致的技能提升路径。主要科学贡献是一种新颖的端到端架构，连接语义意图理解、通过ESCO依赖图实现先决条件感知的技能排序，以及分类学约束的LLM生成。该系统利用ESCO数据集将职业目标映射到相关技能并生成结构化学习路径。实验结果表明，整合LLMs与受约束的RAG框架以及基于知识图谱的依赖建模，可有效为多样化职业目标生成先决条件感知的学习路径。

Keyword:

Learning path generation

Large language models

Retrieval-augmented generation

Knowledge graphs

Career recommendation systems