في عالم التعليم الرقمي المعاصر، تعتبر الربط بين الموارد التعليمية وإطار كفاءة منظم خطوة أساسية لتحسين البحث القائم على الكفاءات وتحليل المناهج الدراسية في أنظمة إدارة التعلم (Learning Management Systems - LMS). لكن، يبقى تصنيف المحتوى التعليمي يدوياً عملية مملة وشاقة، بينما غالباً ما تفشل الأساليب الآلية الكاملة في توفير الشفافية المطلوبة.

لذلك، تم تطوير نهج متكامل جديد يقدم أنبوب مواءمة يعتمد على نموذج لغوي كبير (Large Language Model - LLM) كأداة تصنيف معززة بالإثباتات. يبدأ هذا النهج بتقسيم المحتوى التعليمي - بما في ذلك المحتوى التعليمي والتقييمات - إلى قطع بيداغوجية ذات معنى. وبعد ذلك، تُسترجع مجموعة صغيرة من الكفاءات المحتملة من ملفات الكفاءات المنظمة التي تم تعزيزها بالسياق المبني على الرسم البياني.

يقوم النموذج اللغوي بعد ذلك باختيار أكثر الكفاءات صلة من هذه المجموعة ويقدم شواهد داعمة مستخلصة من نص القطعة التعليمية. وتُحسن هذه التنبؤات باستخدام بنية الرسم البياني للكفاءات ويتم تجميعها على مستوى المورد التعليمي.

تُقيم هذه الطريقة الجديدة على مجموعة بيانات مبنية من مرجع كفاءات قسم علوم الكمبيوتر في جامعة التكنولوجيا في كومبيين (Université de Technologie de Compiègne - UTC)، والتي تغطي 22 كفاءة عبر مواد دراسية متعددة. وقد حقق أنبوب LLM + BM25 + Graph (LBG) نتائج مذهلة، حيث حصل على دقة صغيرة ونموذجية (micro-F1) تبلغ 0.57 و0.50 على مستوى القطعة، و0.51 على مستوى المورد، ومعدل الاسترجاع (MRR) بلغ 0.82، متفوقاً على أساليب الأبعاد المنخفضة وأنظمة التصنيف الموجهة.. كما أن النهج الجديد ينتج شواهد يمكن تتبعها بشكل ميكانيكي لدعم تدقيق البشر والتحليل التعليمي.