Große Sprachmodelle (LLMs) haben in offenen Generierungsaufgaben beeindruckende Ergebnisse erzielt. Sie stoßen jedoch häufig an ihre Grenzen, wenn es darum geht, Inhalte an die unterschiedlichen kognitiven Fähigkeiten der Nutzer anzupassen. Dieses Problem, das wir als kognitive Fehlanpassung bezeichnen, zeigt sich in zwei Formen: Erstens in der Wissenskomplexität, wenn die Inhalte zu schwer oder zu einfach für das Verständnis des Nutzers sind; zweitens in der Präsentationsweise, wenn Struktur oder Ton die A

Um diesen Herausforderungen zu begegnen, stellen wir das Cognitive-Level Alignment Framework (CLAF) vor – ein generisches Generierungsframework, das sowohl die Wissenskomplexität als auch den Präsentationsstil an die kognitive Ebene des Nutzers anpasst. CLAF kombiniert ein kapazitätsorientiertes Abrufmodul, das auf einem hierarchischen Wissensgraphen basiert, mit einem Stiloptimierungsmodul, das sich an Bloom’s Taxonomie und Präferenzlernen orientiert. Zusätzlich sorgt ein wissenskontrollierender Generierungsbaustein für Konsistenz und Relevanz im gesamten Text.

Zur Unterstützung von Training und Evaluation haben wir SCALE entwickelt, ein kognitiv annotiertes Datenset, das Antworten auf mehreren Verständnisebenen zu jeder Anfrage enthält. Die ersten Experimente zeigen, dass CLAF die Anpassungsfähigkeit und Informationsgehalt von LLM-Ausgaben deutlich verbessert – und damit eine robuste Lösung für die kognitive Ausrichtung in realen Anwendungen darstellt.