2026. augusztus 6., csütörtök · Kutatás

Kutatók egy olyan feldolgozási módszert dolgoztak ki, amely előadásvideók hangját, diaszövegét, diagramjait és egyenleteit egyesíti egy nyomonkövethető, bizonyítékokkal alátámasztott tudásgráfban. A rendszer szöveggé alakítja az előadást, OCR-rel kiolvassa a diákat, majd egy vizuális-nyelvi modell csak azokat a fogalmakat és kapcsolatokat vonja ki, amelyeket a transzkript, az OCR vagy a kép is megerősít. Három neurális hálókról szóló előadáson tesztelve 3118 képkockából és 756 szövegszegmensből 172 kanonikus fogalmat és 282 kapcsolatot állítottak elő, 90,38%-os végpont-lefedettséggel. A szerzők szerint egy előzetes, mindössze három kérdésből álló visszakeresési tesztben 100%-os pontosságot kaptak, ez azonban rendkívül kis mintán mért eredmény. A munka egy nem lektorált arXiv-preprint, amely elsősorban az auditálható konstrukciós módszert, nem pedig csúcsteljesítményt állít.