CHÚC MỪNG NHÓM SINH VIÊN LỚP CTTT2021 KHOA HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ IEEE ICALT 2026
The 26th IEEE International Conference on Advanced Learning Technologies (ICALT 2026) là hội nghị khoa học quốc tế thường niên do IEEE tổ chức, tập trung vào lĩnh vực công nghệ học tập tiên tiến (Advanced Learning Technologies). Đây là lần tổ chức thứ 26. ICALT 2026 được tổ chức tại Trường Đại học Sư phạm Kỹ thuật Hưng Yên từ ngày 5 – 9/07/2026. Hội nghị được phân loại CORE Rank B và do IEEE xuất bản.
ICALT là diễn đàn dành cho các nhà nghiên cứu, giảng viên và chuyên gia trong lĩnh vực công nghệ học tập và các lĩnh vực liên quan, nhằm chia sẻ những kết quả nghiên cứu mới, trao đổi các hướng tiếp cận và thúc đẩy hợp tác nghiên cứu trong lĩnh vực công nghệ giáo dục.
Thông tin chi tiết về hội nghị có thể tham khảo tại: ICALT 2026 – IEEE Computer Society Technical Community on Learning Technology
Tên bài báo: “IA-ARF: An Intent-Aware Adaptive Retrieval Framework for Academic Advising Systems”
Sinh viên thực hiện:
- Nguyễn Hữu Thiện – MSSV: 21522625 – Lớp CTTT2021;
- Tăng Ngọc Gia Hân – MSSV: 21520818 – Lớp CTTT2021
Giảng viên hướng dẫn: TS. Trần Hưng Nghiệp
Abstract: Traditional Retrieval-Augmented Generation (RAG) systems often struggle with context fragmentation in specialized academic domains, leading to factual inconsistencies and poor retrieval performance. This paper introduces the Intent-Aware Asymmetric Retrieval-Augmented Framework (IA-ARF), a RAG architecture that adapts retrieval behavior to query structure. IA-ARF decouples query understanding from retrieval execution through a deterministic Intent Router based on Granularity, Scope, and Dependency (GSD) analysis, which maps queries to specialized retrieval strategies. To address semantic fracturing, the framework employs asymmetric indexing, retrieving fine-grained units for search while expanding to their parent sections for generation, thereby preserving regulatory conditions and exceptions.
Evaluated on official academic documents from the University of Information Technology, Vietnam National University, IA-ARF with a lightweight Gemma-3:4B model improves context relevance from 63.57% to 94.28%, context recall from 40% to 79.57%, faithfulness from 31.02% to 86.36%, and answer correctness from 33.81% to 59.92%, while reducing end-to-end latency by 21.8%. These results show that the proposed approach enables lightweight models to deliver accurate, policy-grounded academic advising in privacy-sensitive educational settings.
Source code và implementation artifacts: https://github.com/UNKN-Lab/IA-ARF
