TRACE-CS: 面向可解释课程排课的混合逻辑-大语言模型系统
TRACE-CS: A Hybrid Logic-LLM System for Explainable Course Scheduling
AI总结：
本研究提出混合系统TRACE-CS，融合符号逻辑推理与LLM处理课程排课对比查询，兼顾逻辑正确性与自然语言交互性，生成可解释的排课方案，解决已部署排课系统的核心挑战。
摘要：
我们提出了TRACE-CS，这是一种将符号推理与大语言模型（LLMs）相结合的新型混合系统，用于解决课程排课问题中的对比查询。TRACE-CS利用基于逻辑的技术对排课约束进行编码，并生成可证明正确的解释，同时利用LLM处理自然语言查询，并将逻辑解释优化为用户友好的响应。该系统展示了将符号知识表示（KR）方法与LLMs相结合，如何打造出平衡逻辑正确性与自然语言易用性的可解释AI智能体，解决了已部署排课系统中的一项核心挑战。
英文摘要：
We present TRACE-CS, a novel hybrid system that combines symbolic reasoning with large language models (LLMs)to address contrastive queries in course scheduling problems. TRACE-CS leverages logic-based techniques to encode scheduling constraints and generate provably correct explanations, while utilizing an LLM to process natural language queries and refine logical explanations into user friendly responses. This system showcases how combining symbolic KR methods with LLMs creates explainable AI agents that balance logical correctness with natural language accessibility, addressing a fundamental challenge in deployed scheduling systems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
