A Study on the Intelligent Recommendation of Interdisciplinary Student Innovation and Entrepreneurship Projects Integrating Knowledge Graphs and Graph Neural Networks
Dieses Papier schlägt das KG-GNN-IPR-Modell vor, welches Wissensgraphen und Graph Neural Networks integriert, um die Genauigkeit, Robustheit und Erklärbarkeit von Empfehlungen für interdisziplinäre Innovations- und Entrepreneurship-Projekte von Studierenden zu verbessern, indem es heterogene Bildungsdaten und mehrstufige Kompetänzergänzungen effektiv nutzt.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In der modernen Universität findet die spannendste Arbeit oft dort statt, wo verschiedene Fachbereiche aufeinandertreffen. Ein Student muss vielleicht Computerprogrammierung mit Geschäftsstrategie kombinieren oder Design Thinking mit Agrarwissenschaften verschmelzen, um ein reales Problem zu lösen. Diese interdisziplinären Projekte sind das Herzstück der Innovations- und Unternehmertumsbildung, doch das Finden der richtigen Teammitglieder dafür ist notorisch schwierig. Traditionell basierte dieser Matching-Prozess darauf, dass Studenten lange Listen von Projekttiteln durchstöberten oder Lehrer um persönlichen Rat baten. Während diese Methoden in kleinen Gruppen funktionieren, stoßen sie an ihre Grenzen, wenn die Anzahl der Studenten und Projekte wächst, da sie oft die Verbindung zwischen der spezifischen Kursgeschichte eines Studenten, verborgenen Fähigkeiten und vergangenen Wettbewerben zu den komplexen Anforderungen eines Projekts übersehen. Um dies zu lösen, wenden Forscher einen digitalen Ansatz an, der Bildung nicht nur als eine Liste von Noten betrachtet, sondern als ein riesiges, vernetztes Geflecht von Beziehungen.
Ein Team von Forschern an der Shandong Huayu University of Technology hat einen neuen Weg entwickelt, um durch dieses Geflecht zu navigieren. Sie haben ein System entwickelt, das wie eine detaillierte Karte der gesamten Bildungslandschaft fungiert und Studenten mit den Kursen verbindet, die sie belegt haben, den Fähigkeiten, die sie erlernt haben, den Mentoren, die sie leiten, und den spezifischen Projekten, denen sie beitreten könnten. Diese Karte, bekannt als Wissensgraph (Knowledge Graph), ermöglicht es dem Computer, Verbindungen zu sehen, die einem Menschen entgehen könnten, wie etwa die Tatsache, dass ein Kurs in Datenanalyse einen Studenten auf ein Projekt vorbereitet, das maschinelles Lernen erfordert, selbst wenn der Student zuvor noch nie etwas Ähnliches beantragt hat. Durch den Einsatz einer Form von künstlicher Intelligenz, die darauf ausgelegt ist, diese komplexen Verbindungen zu verstehen, schufen die Forscher ein Werkzeug, das die richtigen Projekte mit wesentlich höherer Genauigkeit als bisherige Methoden den richtigen Studenten vorschlagen kann.
Die Forscher begannen damit, echte, anonymisierte Datensätze von der Projektmanagement-Plattform ihrer Universität zu sammeln. Sie organisierten Daten von 2.000 Studenten und 500 Projekten und verknüpften diese mit 180 verschiedenen Kursen, 120 spezifischen Fähigkeiten, 90 Mentoren und 12 Hauptfachbereichen. Dann konstruierten sie ein massives Netzwerk, in dem jeder Student, jeder Kurs, jede Fähigkeit und jedes Projekt ein Punkt auf der Karte war und die Beziehungen zwischen ihnen die Linien bildeten, die diese Punkte verbanden. Das System verstand beispielsweise, dass ein Student, der einen Python-Kurs abgeschlossen hatte, über die Fähigkeit „Programmierung“ verfügte und dass ein spezifisches Projekt genau diese Fähigkeit erforderte. Diese Struktur ermöglichte es dem Computer, einen Pfad von der vergangenen Lernleistung eines Studenten direkt zu den zukünftigen Anforderungen eines Projekts zu verfolgen, selbst wenn diese im Netzwerk durch mehrere Schritte voneinander getrennt waren.
Um zu testen, ob dieser Ansatz funktionierte, verglich das Team ihr neues System mit mehreren bestehenden Methoden aus dem Bildungs- und Wirtschaftssektor. Zu diesen älteren Methoden gehörten einfache Popularitätslisten, Systeme, die Studenten lediglich mit ähnlichen vergangenen Verhaltensweisen zusammenführten, sowie andere fortgeschrittene Computermodelle, die keinen solch detaillierten Beziehungsplan verwendeten. Die Ergebnisse zeigten, dass das neue System, welches die Wissenskarte mit einem intelligenten Lernalgorithmus kombinierte, alle anderen Methoden konsequent übertraf. Wenn die Forscher das System baten, die zehn besten Projekte für einen Studenten zu empfehlen, war es signifikant genauer darin, diejenigen auszuwählen, die für den Studenten tatsächlich relevant wären. Das System war besonders gut darin, schwierige Situationen zu bewältigen, wie etwa wenn ein Student neu auf der Plattform war und keine Historie aufwies oder wenn ein Projekt ganz neu war und noch keine bisherigen Bewerber hatte. In diesen Fällen, in denen andere Systeme keine Verbindung herstellen konnten, konnte das neue Modell dennoch eine Übereinstimmung finden, indem es die Kurse des Studenten und die erforderlichen Fähigkeiten des Projekts betrachtete.
Eines der wichtigsten Ergebnisse war, wie gut das System Projekte handhabte, die traditionelle Grenzen überschritten. Interdisziplinäre Projekte sind oft am schwierigsten zu besetzen, da sie eine Mischung aus Talenten erfordern, die normalerweise nicht gemeinsam in der Akte eines einzelnen Studenten erscheinen. Die Forscher fanden heraus, dass ihr System wesentlich besser darin war, diese fachübergreifenden Übereinstimmungen zu identifizieren als alle älteren Methoden. Es konnte beispielsweise erkennen, dass ein Marketingstudent mit Fähigkeiten in der Datenanalyse eine perfekte Ergänzung für ein Technologieprojekt wäre, obwohl sein Studienfach ein anderes war. Das System rät nicht einfach nur; es konnte genau aufzeigen, warum eine Übereinstimmung zustande kam. Es konnte einen Pfad nachverfolgen, der zeigte, dass ein Student einen spezifischen Kurs belegte, der eine spezifische Fähigkeit vermittelte, die wiederum von einem spezifischen Projekt benötigt wurde. Diese Fähigkeit, seine Logik zu erklären, ist entscheidend, da sie es Lehrern und Studenten ermöglicht, den Vorschlägen zu vertrauen, anstatt sie als eine mysteriöse „Black Box“ zu betrachten.
Die Studie testete auch, wie robust das System war, wenn die Daten unordentlich oder unvollständig waren, was in realen Universitätsdatensätzen häufig vorkommt. Die Forscher führten absichtlich Fehler ein, wie etwa falsch beschriftte Fähigkeiten oder fehlende Projektanforderungen, um zu sehen, ob das System zusammenbrechen würde. Selbst wenn bis zu dreißig Prozent der Daten korrumpiert waren, blieb das neue System stabil und präzise, während andere Methoden erheblich zu kämpfen hatten. Diese Resilienz deutet darauf an, dass das durch das System aufgebaute Beziehungsnetzwerk stark genug war, um fehlende oder fehlerhafte Informationen zu kompensieren. Indem das System das breitere Bild der Ausbildung eines Studenten und den Kontext des Projekts betrachtete, konnte es die richtigen Verbindungen finden, selbst wenn einige Teile des Puzzles leicht fehlerhaft waren.
Letztendlich legt diese Forschung nahe, dass die Zukunft des Matching von Studentenprojekten im Verständnis der tiefen, strukturellen Beziehungen innerhalb der Bildung liegt, anstatt nur oberflächliche Ähnlichkeiten zu betrachten. Das System ersetzt nicht das Urteilsvermögen der Lehrer oder die Entscheidungen der Studenten; stattdessen bietet es ein leistungsstarkes Werkzeug, um Chancen hervorzuheben, die ansonsten verborgen geblieben wären. Indem es die unsichtbaren Verbindungen zwischen Lernen und Anwendung sichtbar macht, haben die Forscher einen Weg geschaffen, um Studenten dabei zu helfen, die Herausforderungen zu finden, die ihre Fähigkeiten am besten fordern und ihnen helfen werden, zu wachsen. Die Arbeit zeigt, dass künstliche Intelligenz, wenn sie auf einer klaren Karte der Wissensverbindungen aufgebaut ist, eine Anleitung bieten kann, die nicht nur präzise, sondern auch verständlich und tiefgreifend relevant für die menschliche Erfahrung des Lernens ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.