تعتبر هياكل الكفاءة مثل ESCO وROME وO*NET أدوات حيوية لضمان توافق التعليم مع احتياجات سوق العمل. لكن، تكمن المشكلة في تعقيدها التقني وتنوعها الهيكلي مما يعوق استخدامها العملي من قبل المعلمين. في هذا السياق، تم تقديم خدمة جديدة تُدعى SkillGraph-Service، وهي خدمة صغيرة قابلة للتشغيل المتبادل تهدف إلى سد هذه الفجوة من خلال دمج هذه الموارد في رسم بياني للمعرفة (Knowledge Graph) يحافظ على الأصول.

تعتمد خدمة SkillGraph-Service على معمارية تعتمد على رسم بياني للمعرفة أولًا (KG-first)، مع fallback باستخدام نماذج اللغات الضخمة (LLM) لتوفير المرونة المفاهيمية. يستفيد النظام من محرك استرجاع هجيني خفيف الوزن يجمع بين SQLite FTS5 وHNSW للبحث عن المتجهات، مما يعالج مشكلة عدم توافق المفردات في استفسارات المعلمين. وبفضل هذا التصميم، تعتمد خدمة SkillGraph على نماذج اللغات الضخمة في ترتيب الاسترجاع وشرح المعلومات بما يتناسب مع جمهور المستخدمين.

أظهرت التقييمات التجريبية على مجموعة بيانات متعددة اللغات أن الاستراتيجية الهجينة المقترحة تحقق فعالية استرجاع متفوقة (nDCG@5>0.94) مع زمن استجابة يقل عن 200 مللي ثانية. وهذا يعني أن إعادة ترتيب البيانات باستخدام خوارزميات معقدة قد لا تكون ضرورية في هذا المجال. بالإضافة إلى ذلك، أظهر تحليل الشروحات المولدة وجود توازن بين السلاسة والدقة: حيث تضمن نماذج اللغات الضخمة الصارمة دقة عالية في الاقتباسات، بينما تظل القوالب المحددة الطريقة الأكثر موثوقية لتعظيم تغطية الأدلة.

تقدم هذه المعمارية حلاً عمليًا وقابلًا للتوسع وقابلًا للتدقيق من أجل دمج بيانات المهارات المعقدة في النظم البيئية التعليمية الرقمية، مما يسهل على المعلمين الوصول إلى المهارات المطلوبة لتعليم فعال.