常識的な質問応答（QA）手法は、事前学習された言語モデル（LM）の強力な表現力と知識グラフ（KG）による推論能力を統合するものである。一般的なアプローチでは、QAペアに関連するノードをKGから収集し、作業用グラフ（WG）を構築した後、グラフニューラルネットワーク（GNN）を用いた推論を行う。しかし、このアプローチには二つの主要な課題がある：(i) QAペアに含まれるすべての情報をWGに正確に反映することが困難であり、(ii) WGにKGから不要なノードが含まれてしまうことである。これらの課題に対処するために、WGに対する二つのシンプルな改善を提案する。第一に、「グラフ拡張のための顕著エンティティ（Prominent Entities for Graph Augmentation）」は、QAペアから関連するテキストチャンクを特定し、その対応するLMからの潜在表現をWGに追加することで拡張を行う。第二に、「文脈に配慮したノード削除（Context-Aware Node Pruning）」は、QAペアに対して関連性が低いノードをWGから除去する。本手法の有効性をOpenBookQA、CommonsenseQA、MedQA-USMLEの三つのベンチマークで評価した結果、GrapeQAはLM + KGベースの先行手法（特にQA-GNN）に対して一貫した性能向上を示し、特にOpenBookQAでは顕著な改善が得られた。