DysLexLens：用于分析在线论坛中阅读障碍学习者见解的低资源LLM框架
DysLexLens是一个端到端、可追溯证据的低资源大语言模型框架，通过分析Reddit论坛上的讨论，研究阅读障碍学习者使用AI工具的真实体验。它采用词典驱动过滤、知识图谱推理、定量评估和定性验证等方法，有效从嘈杂的社交媒体中提取相关信息。
阅读障碍学习者越来越多地使用人工智能（AI）工具来辅助阅读、写作、组织和学习相关任务，但他们在使用这些工具时的真实体验却鲜少被深入研究。为此，研究人员提出了DysLexLens——一个低资源的大语言模型（LLM）框架，旨在通过分析在线论坛讨论来洞察阅读障碍学习者与AI工具交互的体验。该研究由Dana Rezazadegan等九位作者共同完成，相关论文于2026年6月提交至arXiv。
DysLexLens被设计为一个端到端、可追溯证据的架构。它能够将嘈杂的社交媒体帖子转换为由词典驱动的语料库，提供基于知识图谱（KG）的查询推理，生成可验证的查询响应，并通过定量和人工评估来评价响应质量。该框架包含四个关键特性：首先，它采用词典驱动的过滤方法构建更聚焦于阅读障碍和AI的Reddit语料库，滤除不相关或弱相关的帖子，从而提高从低资源论坛环境中收集数据的相关性。其次，它集成了LLM辅助的语义分析与基于知识图谱的查询推理，以揭示有意义的模式。第三，它使用定量评估指标（RAGAS和查询鲁棒性）来衡量LLM生成的响应性能。RAGAS用于评估生成响应的忠实度和相关性，而查询鲁棒性则测试模型在不同问题表述下的稳定性。第四，它提供了结构化的定性验证指南，专门针对幻觉和证据对齐来评估响应质量，确保模型的输出基于实际论坛证据。
研究团队使用Reddit上与阅读障碍相关的论坛数据和30个精心设计的问题展示了DysLexLens的有效性。结果表明，该框架具备推广到其他低资源论坛数据环境的潜力，例如针对其他学习障碍或特定领域的论坛。为了提高研究的可重复性，DysLexLens的代码、示例数据、问题和评估结果均已发布在GitHub上。这一研究不仅为分析特殊群体使用AI的体验提供了新工具，也为在数据稀缺的领域中进行自然语言处理分析树立了典范。此外，该框架的模块化设计意味着它可以适应不同的语言和人群，未来有望应用于更多低资源场景。