CAGE：コードに基づく生成的強化により教育用図解における「正確さと美観」のギャップを埋める

Abstract

教育用ダイアグラム――生物学的プロセス、化学構造、物理システム、数学的概念を示すラベル付きの図解――は、K-12 教育において不可欠な認知ツールである。 しかし、これらを正確かつ魅力的に生成できる既存の手法は存在しない。オープンソースの拡散モデルは視覚的に豊かな画像を生成できる一方で、テキストラベルを破局的に判読不能にしてしまう。LLM によるコードベースの生成はラベルの正確性を保証できるが、視覚的に平坦な出力になりがちである。クローズドソースの API はこのギャップを部分的に埋めるが、信頼性に欠け、教育用途の規模では費用が過度に高いままである。 本稿では、400 件の K-12 ダイアグラム・プロンプトに対して、3 つのパラダイムすべてで「正確性と美観」のジレンマを定量化し、補完的な自動評価および人手評価プロトコルを用いて、ラベルの忠実度と視覚品質の両方を測定する。これを解決するために、CAGE（Code-Anchored Generative Enhancement）を提案する。これは、LLM が構造的に正しいダイアグラムを生成する実行可能なコードを合成し、そのプログラム出力に基づいて ControlNet により拡散モデルを条件付けすることで、ラベルの忠実度を維持したまま、それを視覚的に洗練されたグラフィックへと洗練（refine）するものである。さらに、EduDiagram-2K（2,000 組のプログラマティック・スタイル化ダイアグラムのコレクション）を導入し、このパイプラインを可能にする。また、マルチメディア・コミュニティ向けの実証的な成果（proof-of-concept results）と研究アジェンダを提示する。