Slides2MindMap：从讲义幻灯片重建认知高效的知识层级

从讲义幻灯片生成思维导图可以帮助学习者高效地整合碎片化知识，为智能教育带来显著益处。然而，专门的自动生成和评估框架仍处于探索和挑战阶段，需要平衡全局和局部的知识焦点，并处理大规模、异构的幻灯片。我们提出了 Slides2MindMap 任务，旨在从课程幻灯片集合中重建认知高效的知识层次结构。为了系统性地评估，我们引入了 S2M-Bench，这是一个包含 12,774 页幻灯片和专家标注的思维导图，覆盖 24 门大学课程。S2M-Bench 包括一个基于认知科学的评价框架，该框架结合了基准数据的比较、结构一致性分析和 VLM 作为法官。为解决此任务，我们提出了 AutoMindMap，一个受 Structure Building Framework 启发的 agentic 框架。AutoMindMap 包括全局的骨架锚定 Skeleton Laying，由上下文感知的总结增强后的迭代知识整合，以及双阶段的局部-全局解耦机制。该框架平衡了局部知识的忠实性与全局一致性的关系，并适应于幻灯片的特定特征。在 S2M-Bench 上的实验结果表明，AutoMindMap 在基准测试中优于基线，并在不同模型和场景下表现出优异的鲁棒性，突显了其教育应用价值。