🤖 AI

T-TExTS (Teaching Text Expansion for Teacher Scaffolding): Enhancing Text Selection in High School Literature through Knowledge Graph-Based Recommendation

Dieser Beitrag stellt T-TExTS vor, ein wissensgraphbasiertes Empfehlungssystem, das pädagogische Ontologien und Graph-Embedding-Strategien nutzt, um Englischlehrkräften an weiterführenden Schulen bei der Auswahl vielfältiger, thematisch abgestimmter literarischer Texte zu unterstützen, und zeigt, dass hybride Modelle, die strukturelle und pädagogische Signale kombinieren, eine optimale Balance zwischen Interpretierbarkeit und Ranking-Leistung bieten.

Ursprüngliche Autoren: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Veröffentlicht 2026-05-14

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der „überforderte Bibliothekar"

Stellen Sie sich einen Englischlehrer an einer High School als Bibliothekar vor, der ein spezielles Bücherregal für seine Klasse aufbauen muss. Er möchte nicht einfach irgendeine Bücher; er benötigt eine bestimmte Auswahl an Geschichten, die alle dasselbe große Thema behandeln (wie „Rebellion" oder „Dystopie"), aber von verschiedenen Autoren, Kulturen und aus unterschiedlichen Epochen stammen.

Der Lehrer ist jedoch ausgelastet. Er hat keine Stunden, um jedes Buch der Welt zu lesen und die perfekten Übereinstimmungen zu finden. In der Regel landet er dabei bei denselben alten Klassikern, die er gut kennt, was bedeutet, dass das Bücherregal an Vielfalt mangelt. Er braucht einen intelligenten Assistenten, der ihm hilft, neue, vielfältige Bücher zu finden, die dennoch perfekt zum Lehrplan passen.

Die Lösung: T-TExTS (Die „intelligente Karte")

Die Forscher entwickelten ein Werkzeug namens T-TExTS. Denken Sie dabei nicht an eine einfache Suchmaschine, die nach Schlüsselwörtern sucht (wie „Dystopie"), sondern an eine riesige, interaktive Karte der literarischen Welt.

Die Karte (Wissensgraph): Anstatt nur eine Liste von Büchern zu sein, erstellt das System eine Karte, auf der jedes Buch eine Stadt darstellt. Die Straßen, die diese Städte verbinden, sind nicht nur „ähnliche Wörter"; es sind tiefgehende, pädagogische Verbindungen. Eine Straße könnte besagen: „Diese beiden Bücher befassen sich beide mit Zensur", während eine andere sagt: „Diese beiden haben einen ähnlichen Leseanspruch."
Der Bauplan (Ontologie): Bevor die Karte gezeichnet wurde, arbeiteten die Forscher mit erfahrenen Lehrern zusammen, um einen strengen Bauplan (eine Ontologie) zu erstellen. Dieser Bauplan stellt sicher, dass die Karte nur „pädagogische" Straßen verwendet – Verbindungen, die tatsächlich für den Unterricht relevant sind – und nicht nur oberflächliche Ähnlichkeiten.

Wie das System die Karte „abwandert"

Um die besten Bücher zu finden, schickt das System kleine „Entdecker" (Algorithmen) aus, um die Straßen dieser Karte entlangzuwandern. Das Papier testete vier verschiedene Arten, wie diese Entdecker wandern könnten:

DeepWalk (Der zufällige Tourist): Dieser Entdecker wandert zufällig und nimmt jede Straße mit gleicher Wahrscheinlichkeit. Er erhält ein breites, allgemeines Gefühl für die Nachbarschaft.
Biased Random Walk (Der geführte Rundgang): Dieser Entdecker wird von den erfahrenen Lehrern geleitet. Wenn die Lehrer sagen: „Das Genre ist die wichtigste Verbindung", wird dieser Entdecker gezwungen, diese spezifischen Straßen häufiger zu nehmen. Es ist wie ein Reiseleiter, der Ihnen nur die „besten" Orte basierend auf einer spezifischen Regel zeigt.
Node2Vec (Der strategische Wanderer): Dieser Entdecker ist intelligent. Er kann wählen, ob er in der Nähe bleibt (und sich die unmittelbaren Nachbarn ansieht) oder weit wandert, um neue, entfernte Territorien zu entdecken. Er balanciert zwischen der Erkundung des lokalen Gebiets und dem Finden versteckter Juwelen in der Ferne.
Hybrid (Das Beste aus beiden Welten): Dieser Entdecker trägt einen Rucksack, der die Karten sowohl des „zufälligen Touristen" als auch des „geführten Rundgangs" enthält. Er kombiniert den weiten Überblick mit den spezifischen Lehrerregeln.

Was sie entdeckten (Die Rennergebnisse)

Die Forscher testeten diese Entdecker auf Karten unterschiedlicher Größe (98 Bücher, 196 Bücher und 351 Bücher), um herauszufinden, welcher die besten Übereinstimmungen findet.

Die Überraschung: Der „geführte Rundgang" (Biased Random Walk), der stark auf den spezifischen Gewichtungen der Lehrer beruhte, schnitt beim Finden der Gesamtstruktur der Karte tatsächlich schlechter ab als der „strategische Wanderer" (Node2Vec).
- Die Analogie: Es stellte sich heraus, dass die Karte von den Experten von Anfang an so gut gezeichnet war, dass der „geführte Rundgang" den Entdecker nicht zwingen musste, bestimmte Pfade zu nehmen. Die Karte selbst enthielt bereits die richtigen Hinweise. Den Entdecker zu zwingen, sich an eine Art von Straße zu halten, ließ ihn tatsächlich einige großartige Verbindungen verpassen.
Der Gewinner: Node2Vec (der strategische Wanderer) war am besten darin, die richtigen Bücher zu finden, insbesondere als die Bibliothek größer wurde. Er wusste, wann er nah bleiben und wann er weit wandern musste, um die perfekte thematische Übereinstimmung zu finden.
Die praktische Wahl: Das Hybrid-Modell war der Vizemeister. Es war nicht ganz so schnell wie Node2Vec, aber fast genauso gut. Entscheidend ist, dass es aufgrund des Teils des „geführten Rundgangs" den Lehrern ermöglichte, die Ergebnisse zu betrachten und zu sagen: „Ah, ich verstehe, warum es dieses Buch ausgewählt hat; es liegt an der Genre-Regel, die ich festgelegt habe." Diese Transparenz ist für Lehrer von entscheidender Bedeutung, die dem Werkzeug vertrauen müssen.

Ein Realwelt-Test: Die „1984"-Herausforderung

Um zu beweisen, dass es funktionierte, gaben sie dem System das Buch 1984 von George Orwell und fragten: „Welche anderen Bücher sollten wir damit unterrichten?"

Das System identifizierte korrekt Fahrenheit 451 als die Nummer-1-Übereinstimmung (da beide berühmte dystopische Geschichten über Zensur sind).
Der Node2Vec-Entdecker war der Einzige, der alle fünf von den Experten genehmigten „perfekten Übereinstimmungen" fand (einschließlich The Hunger Games und Animal Farm).
Das Hybrid-Modell fand vier von fünf und entdeckte auch einige „nahe Verfehlungen" (wie The Giver), die nicht auf der offiziellen Liste standen, aber dennoch hervorragende Unterrichtswahlmöglichkeiten waren.

Das Fazit

Das Papier kommt zu dem Schluss, dass man nicht ständig die Regeln der Straße anpassen muss, um gute Empfehlungen zu erhalten. Wenn man eine wirklich hochwertige Karte (den Wissensgraphen) auf Basis von Experten-Lehrprinzipien erstellt, kann ein intelligenter Entdecker (Node2Vec) diese besser navigieren als ein starr geführter.

Für ein Werkzeug, das im Klassenzimmer eingesetzt wird, ist der Hybrid-Ansatz jedoch der Sweet Spot. Er bietet die hohe Leistung des intelligenten Entdeckers, hält aber die „Stimme des Lehrers" in den Ergebnissen sichtbar, wodurch sichergestellt wird, dass die Empfehlungen sowohl genau als auch erklärbar sind.

Was das Papier NICHT behauptet:

Es wird nicht behauptet, dass dieses Werkzeug bereits in echten Klassenräumen mit echten Schülern getestet wurde (dies ist für die Zukunft geplant).
Es wird nicht behauptet, Lehrer zu ersetzen; es wird behauptet, ihnen zu helfen, Zeit zu sparen und vielfältige Bücher zu finden.
Es wird nicht behauptet, dass es für jedes Fach funktioniert; es ist speziell für den Englischunterricht an High Schools konzipiert.

Technische Zusammenfassung: T-TExTS (Teaching Text Expansion for Teacher Scaffolding)

Problemstellung
Lehrkräfte für Englisch und Literatur an weiterführenden Schulen sehen sich erheblichen Hindernissen bei der Zusammenstellung vielfältiger, thematisch abgestimmter Textsammlungen aus, bedingt durch begrenzte Planungszeit und einen Mangel an pädagogischen Ressourcen. Traditionelle Empfehlungssysteme, wie Collaborative Filtering (CF) und Content-Based Filtering (CBF), sind für diesen Anwendungsbereich ungeeignet. CF leidet unter dem Cold-Start-Problem bei spärlichen Interaktionsdaten, während CBF Schwierigkeiten hat, neue Themen jenseits der bestehenden Präferenzen eines Nutzers einzuführen. Darüber hinaus haben bestehende Anwendungen von Wissensgraphen (KG) im Bildungsbereich sich weitgehend auf lineare Konzeptsequenzierung in MINT-Fächern oder MOOCs konzentriert und versäumen es, die für die Alphabetisierungsförderung erforderlichen nicht-linearen, semantischen Verbindungen (z. B. gemeinsame Themen, Attribute sozialer Gerechtigkeit, Komplexität von Genres) zu adressieren. Es besteht eine deutliche Lücke bei Werkzeugen, die die pädagogische Scaffolding von Textsammlungen für den sekundären Englischunterricht (ELA) unterstützen.

Methodik
Die Autoren schlagen T-TExTS vor, ein KG-basiertes Empfehlungssystem, das pädagogische Verdienste über oberflächliche Metadaten stellt. Die Methodik besteht aus drei Hauptkomponenten:

Konstruktion domänenspezifischer Ontologien:
Unter Verwendung der Knowledge Acquisition and Representation Methodology (KNARM) erstellten die Autoren eine domänenspezifische Ontologie, die auf pädagogischen Kriterien basiert. Dieser Prozess umfasste:
- Datenerhebung: Aggregation von Texten aus Studien des Bundesstaates Kansas, Beratungen mit Lehrkräften und Lehrplänen des Hochschulbereichs (ENGL 545 und ENGL 580).
- Textanalyse: Anwendung quantitativer Werkzeuge (Lexile, Flesch-Kincaid, ATOS) und qualitativer Bewertungsraster (Achieve the Core) zur Bewertung der Textkomplexität und des instruktionalen Wertes.
- Ontologie-Design: Trennung des Schemas in eine Terminologische Box (TBox), die Klassen definiert (Text, Autor, Genre, Thema, Textkomplexität), und eine Assertionale Box (ABox), die spezifische Aussagen enthält. Die Ontologie modelliert explizit Beziehungen wie hasGenre, hasTheme und hasTextComplexity.
Generierung des Wissensgraphen:
Die Ontologie wurde mittels RDFLib als Wissensgraph instanziiert und in einem GraphDB-Repository gespeichert. Der Graph stellt Texte und Autoren als Individuen dar, die durch pädagogische und strukturelle Relationen verbunden sind.
Embedding- und Empfehlungsstrategien:
Das System projiziert die symbolischen Beziehungen des KG in einen kontinuierlichen Vektorraum unter Verwendung von Graph-Embedding-Techniken auf Basis von Random Walks. Vier Strategien wurden evaluiert:
- DeepWalk: Gleichmäßige Random Walks.
- Biased Random Walk: Experten-gesteuerte Walks, bei denen die Übergangswahrscheinlichkeiten von Domänenexperten gewichtet werden, um spezifische pädagogische Relationen (z. B. Genre, Thema) zu priorisieren.
- Node2Vec: Parametrisierte Random Walks, gesteuert durch Rückkehr- ( $p$ ) und In-Out- ( $q$ ) Parameter, um eine Balance zwischen Breadth-First Search (BFS) und Depth-First Search (DFS) zu erreichen.
- Hybrid-Modell: Eine Konkatenation von DeepWalk (uniform) und Biased Random Walk (experten-gewichtet) Embeddings, um strukturelle Abdeckung mit pädagogischem Fokus zu kombinieren.
Empfehlungen werden durch Berechnung der Kosinus-Ähnlichkeit zwischen dem Embedding eines Anker-Textes und allen anderen Texten im Korpus generiert.

Experimenteller Aufbau
Das System wurde über drei Datensatz-Konfigurationen mit 98, 196 und 351 Texten evaluiert. Die Graphen wurden in Trainings- (80 %), Validierungs- (10 %) und Testsets (10 %) aufgeteilt. Hyperparameter wurden mit Optuna unter Verwendung von Link Prediction (AUC) als Optimierungsziel abgestimmt. Die Leistung wurde gemessen mittels:

Link Prediction: Area Under the Curve (AUC) der Receiver Operating Characteristic (ROC).
Ranking-Metriken: Hits@K, Mean Reciprocal Rank (MRR) und normalisierter Discounted Cumulative Gain (nDCG@10).
Sensitivitätsanalyse: Vergleich der Standardgewichtung gegenüber einem „genre-betonten" Gewichtungsschema.

Wichtige Ergebnisse

Strukturelle Abstimmung vs. Experten-Gewichtung: Eine reine traversal-level Experten-Gewichtung (Biased Random Walk) übertraf die algorithmische strukturelle Abstimmung nicht. Der Biased Random Walk erzielte über alle Skalen hinweg den niedrigsten AUC-Wert (0,6888–0,7466).
Dominanz von Node2Vec: Node2Vec erzielte bei jeder Datensatzgröße den höchsten AUC-Wert (0,9642–0,9750) und die stärksten Ranking-Metriken (Hits@K, MRR, nDCG) bei größeren Skalen (196 und 351 Texte). Die optimale Hyperparameter-Konfiguration begünstigte konsistent einen hohen In-Out-Parameter ( $q=4,0$ ), was eine Präferenz für Depth-First Search (DFS) zur Erfassung längerer Ketten thematischer Assoziationen anzeigt.
Leistung des Hybrid-Modells: Das Hybrid-Modell (Konkatenation von DeepWalk und Biased Walk) behielt über alle Skalen hinweg einen hohen AUC-Wert (0,9122–0,9350) bei und blieb bei den Ranking-Metriken nur wenige Prozentpunkte hinter Node2Vec zurück. Entscheidend zeigte das Hybrid-Modell Robustheit gegenüber Gewichts-Perturbationen; während sich die Leistung des Biased Walk bei Anpassung der Genre-Gewichte um ca. 3 % verschob, wurde die Verschiebung beim Hybrid-Modell auf ca. 1,5 % gedämpft.
Qualitative Fallstudie: Für den Anker-Text 1984 war Node2Vec die einzige Konfiguration, die alle fünf von Experten kuratierten Ground-Truth-Empfehlungen abrufte (darunter strukturell weit entfernte, aber thematisch abgestimmte Texte wie Marrow Thieves). Das Hybrid-Modell konnte erfolgreich Ground-Truth-Texte wiederherstellen, die der Biased Walk verpasste (z. B. Animal Farm), was den Wert der Kombination von struktureller Breite mit pädagogischem Bias demonstriert.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass T-TExTS einen neuartigen, pädagogik-zentrierten Ansatz für Bildungsempfehlungen bietet, der sich von nutzerähnlichkeits- oder popularitätsbasierten Systemen unterscheidet. Das zentrale empirische Ergebnis ist, dass eine hochauflösende, von Experten kuratierte Ontologie inhärent ausreichend pädagogisches Signal kodiert, sodass eine algorithmische strukturelle Abstimmung (insbesondere Node2Vec) dieses ohne zusätzliche traversal-level Gewichtung wiederherstellen kann.

Die Autoren argumentieren jedoch, dass das Hybrid-Modell die praktischste Implementierungswahl für lehrerorientierte Werkzeuge darstellt. Es bietet eine Balance aus konkurrierender Ranking-Qualität und Interpretierbarkeit, die es Bildungspersonal ermöglicht, nachzuvollziehen, welche von Experten zugewiesenen Gewichte die Empfehlungen beeinflussten. Die Studie zeigt, dass ontologiegetriebene KG-Embeddings auch bei bescheidenen Datengrößen (bis zu 351 Texte) für pädagogisches Scaffolding geeignet sind und dass die relative Leistung der Embedding-Methoden stabil bleibt, wenn sich der Lehrplan erweitert.

Einschränkungen
Die Autoren räumen ein, dass der Datensatz, obwohl von Experten kuratiert, im Vergleich zu allgemeinen Benchmarks bescheidenen Umfangs ist. Die Evaluation stützt sich auf von Experten kuratierte Ground Truth anstelle von Live-Klassenzimmer-Nutzerstudien, was bedeutet, dass die Auswirkungen des Systems auf die Planungszeit und die tatsächliche Vielfalt von Textsammlungen in echten Klassenzimmern nicht gemessen wurden. Darüber hinaus können Standard-Ranking-Metriken „pädagogisch vertretbare Beinahe-Treffer" benachteiligen, die nicht mit der spezifischen Ground-Truth-Liste übereinstimmen, aber dennoch für die Lehrplanentwicklung wertvoll sind. Die Autoren schlagen vor, dass zukünftige Arbeiten sich auf die Validierung durch Lehrkräfte und die Entwicklung neuer Evaluationsmetriken konzentrieren sollten, die besser für neuro-symbolische, expertengetriebene Empfehlungssysteme geeignet sind.