弥合差距：大型语言模型作为能力问题实例化的脚手架

知识图谱（KG）是数字人文领域表示信息的强大方式。然而，非技术用户在探索初期往往举步维艰，这一挑战被称为初始探索问题。Tús Maith框架通过精心策划的自然语言问答（CuQAs）来解决这个问题，这些问答由能力问题（CQs）创建，旨在传达知识图谱的范围并提供有意义的入口点。虽然先前的工作已探索使用大型语言模型（LLM）进行CQ模板生成，但模板填充步骤——即用实体信息实例化问答——仍然是一个关键挑战。在本文中，我们评估LLM是否有能力在这个阶段支持领域专家，专注于爱尔兰虚拟财政部（VRTI）知识图谱，其中准确性、来源性和鲁棒性对实际使用至关重要。使用从流行搜索词和专家编写的模板派生的结构化JSON输入，我们在两种来源条件（基本与完整）下跨四个LLM（GPT-5、DeepSeek-V3.1、 Gemini 2.0 Flash、Qwen-2.5-72B）生成了并评估了24,900个问答对。我们的评估考虑槽位保真度、语义相似性、完整性、幻觉率和运行效率，对每个LLM的每次运行进行统计检验，并进行额外的批次级分析（n = 68）以分离来源要求效应。我们进一步表明，轻量级JSON验证检查是事实性问答对地面真实语义评估的有效代理。这些LLM生成、经验证的问答构成了从抽象CQ模板到填充问答的生命周期中间步骤，由VRTI知识图谱的领域专家（历史学家）审阅和细化，以生成最终面向用户的问答（CuQAs）。为了展示实际影响，我们展示了Tús Maith框架的原型（TMv1），并强调了面向策展人界面的设计含义：来源透明交互、验证集成工作流程和性能透明模型选择。