💻 computer science

A Study on the Intelligent Recommendation of Interdisciplinary Student Innovation and Entrepreneurship Projects Integrating Knowledge Graphs and Graph Neural Networks

Este artículo propone el modelo KG-GNN-IPR, el cual integra grafos de conocimiento y redes neuronales de grafos para mejorar la precisión, robustez y explicabilidad de las recomendaciones de proyectos interdisciplinarios de innovación y emprendimiento estudiantil mediante el aprovechamiento efectivo de datos educativos heterogéneos y la complementariedad de habilidades de múltiples saltos.

Autores originales: Yanhong Wu¹, Lina Guo¹, Qi Li¹, Chengyu Sun

Publicado 2026-09-04

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yanhong Wu¹, Lina Guo¹, Qi Li¹, Chengyu Sun

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En la universidad moderna, el trabajo más emocionante ocurre a menudo donde los diferentes campos colisionan. Un estudiante podría necesitar combinar la programación informática con la estrategia de negocios, o mezclar el pensamiento de diseño con la ciencia agrícola, para resolver un problema del mundo real. Estos proyectos interdisciplinarios son el corazón de la educación en innovación y emprendimiento, pero encontrar a los miembros de equipo adecuados para ellos es notoriamente difícil. Tradicionalmente, este proceso de emparejamiento ha dependido de que los estudiantes exploren largas listas de títulos de proyectos o pidan consejos personales a los profesores. Si bien estos métodos funcionan en grupos pequeños, tienen dificultades cuando el número de estudiantes y proyectos crece, pasando por alto a menudo cómo el historial de cursos específico de un estudiante, sus habilidades ocultas y sus competencias pasadas se conectan con las necesidades complejas de un proyecto. Para solucionar esto, los investigadores están recurriendo a un enfoque digital que trata la educación no solo como una lista de calificaciones, sino como una vasta e interconectada red de relaciones.

Un equipo de investigadores de la Universidad de Tecnología de Shandong Huayu ha desarrollado una nueva forma de navegar por esta red. Construyeron un sistema que actúa como un mapa detallado de todo el panorama educativo, conectando a los estudiantes con los cursos que tomaron, las habilidades que aprendieron, los mentores que los guían y los proyectos específicos a los que podrían unirse. Este mapa, conocido como un grafo de conocimiento, permite que la computadora vea vínculos que un humano podría pasar por alto, como el hecho de que una clase sobre análisis de datos prepara a un estudiante para un proyecto que requiere aprendizaje automático, incluso si el estudiante nunca ha postulado para un proyecto similar antes. Al utilizar un tipo de inteligencia artificial diseñada para comprender estas conexiones complejas, los investigadores crearon una herramienta que puede sugerir los proyectos adecuados a los estudiantes correctos con mucha mayor precisión que los métodos anteriores.

Los investigadores comenzaron recopilando registros reales y anónimos de la plataforma de gestión de proyectos de su universidad. Organizaron datos de 2,000 estudiantes y 500 proyectos, vinculándolos con 180 cursos diferentes, 120 habilidades específicas, 90 mentores y 12 campos de estudio principales. Luego construyeron una red masiva donde cada estudiante, curso, habilidad y proyecto era un punto en el mapa, y las relaciones entre ellos eran las líneas que conectaban esos puntos. Por ejemplo, el sistema entendió que un estudiante que completó un curso de Python poseía una habilidad de "programación", y que un proyecto específico requería esa misma habilidad. Esta estructura permitió que la computadora trazara un camino desde el aprendizaje pasado de un estudiante directamente hacia las necesidades futuras de un proyecto, incluso si estaban separados por varios pasos en la red.

Para probar si este enfoque funcionaba, el equipo comparó su nuevo sistema con varios métodos existentes utilizados en la educación y los negocios. Estos métodos antiguos incluían listas simples de popularidad, sistemas que simplemente emparejaban a los estudiantes con comportamientos pasados similares y otros modelos computacionales avanzados que no utilizaban este mapa detallado de relaciones. Los resultados mostraron que el nuevo sistema, que combinaba el mapa de conocimiento con un algoritmo de aprendizaje inteligente, superó consistentemente a todos los demás. Cuando los investigadores pidieron al sistema que recomendara los diez mejores proyectos para un estudiante, este fue significativamente más preciso al elegir aquellos que el estudiante realmente encontraría relevantes. El sistema fue particularmente bueno manejando situaciones difíciles, como cuando un estudiante era nuevo en la plataforma sin historial, o cuando un proyecto era completamente nuevo sin solicitantes previos. En estos casos, donde otros sistemas fallaron al hacer una conexión, el nuevo modelo aún pudo encontrar un emparejamiento al observar los cursos del estudiante y las habilidades requeridas del proyecto.

Uno de los hallazgos más importantes fue la eficacia del sistema para manejar proyectos que cruzaban las fronteras tradicionales. Los proyectos interdisciplinarios son a menudo los más difíciles de cubrir porque requieren una mezcla de talentos que no suelen aparecer juntos en el registro de un solo estudiante. Los investigadores encontraron que su sistema era mucho mejor identificando estos emparejamientos transdisciplinarios que cualquier otro método antiguo. Podía ver, por ejemplo, que un estudiante de marketing con habilidades de análisis de datos sería un encaje perfecto para un proyecto tecnológico, a pesar de que su carrera fuera diferente. El sistema no solo adivinaba; podía mostrar exactamente por qué se realizaba un emparejamiento. Podía trazar un camino que mostraba que un estudiante tomó un curso específico, el cual enseñó una habilidad específica, la cual era requerida por un proyecto específico. Esta capacidad de explicar su razonamiento es crucial, ya que permite que los profesores y los estudiantes confíen en las sugerencias en lugar de verlas como una caja negra misteriosa.

El estudio también probó qué tan robusto era el sistema cuando los datos eran desordenados o incompletos, lo cual es común en los registros universitarios del mundo real. Los investigadores introdujeron errores intencionalmente, como habilidades mal etiquetadas o requisitos de proyectos faltantes, para ver si el sistema fallaba. Incluso con hasta un treinta por ciento de los datos corrompidos, el nuevo sistema se mantuvo estable y preciso, mientras que otros métodos tuvieron dificultades significativas. Esta resiliencia sugiere que la red de relaciones que el sistema construyó era lo suficientemente fuerte como para compensar la información faltante o incorrecta. Al observar el panorama general de la educación de un estudiante y el contexto del proyecto, el sistema pudo encontrar las conexiones correctas incluso cuando algunas piezas del rompecabezas estaban ligeramente erróneas.

En última instancia, esta investigación sugiere que el futuro del emparejamiento de proyectos estudiantiles reside en comprender las relaciones estructurales profundas dentro de la educación, en lugar de solo mirar similitudes superficiales. El sistema no reemplaza el juicio de los profesores ni las elecciones de los estudiantes; en cambio, proporciona una herramienta poderosa para resaltar oportunidades que de otro modo podrían permanecer ocultas. Al hacer visibles los vínculos invisibles entre el aprendizaje y la aplicación, los investigadores han creado una forma de ayudar a los estudiantes a encontrar los desafíos que mejor estirarán sus capacidades y les ayudarán a crecer. El trabajo demuestra que cuando la inteligencia artificial se construye sobre un mapa claro de cómo se conecta el conocimiento, puede ofrecer una guía que no solo es precisa, sino también comprensible y profundamente relevante para la experiencia humana del aprendizaje.

Resumen Técnico: Recomendación Inteligente de Proyectos de Innovación y Emprendimiento Estudiantil Interdisciplinarios

Planteamiento del Problema
La educación en innovación y emprendship universitario requiere cada vez más que los estudiantes colaboren a través de fronteras disciplinarias para resolver problemas prácticos de naturaleza abierta. Sin embargo, los mecanismos actuales de emparejamiento de proyectos en las plataformas universitarias dependen en gran medida de la búsqueda manual, el filtrado por palabras clave o la intuición docente. Estos métodos tradicionales no logran capturar las relaciones complejas y multidimensionales entre los atributos de los estudiantes (historial de cursos, habilidades, intereses), los requisitos del proyecto (rutas técnicas, experiencia del mentor, necesidades disciplinares) y la naturaleza estructural de los equipos interdisciplinarios. Además, los sistemas de recomendación existentes suelen tener dificultades con la escasez de datos, los escenarios de arranque en frío (estudiantes nuevos o proyectos nuevos) y la falta de explicabilidad requerida para la toma de decisiones educativas.

Metodología: El Modelo KG-GNN-IPR
Los autores proponen el modelo KG-GNN-IPR, el cual integra Grafos de Conocimiento (KG) y Redes Neuronales de Grafos (GNN) para abordar estos desafíos. La metodología consta de cuatro componentes principales:

Construcción de un Grafo de Conocimiento Educativo Heterogéneo:
El sistema construye un grafo $G=(V, E, R)$ que contiene ocho tipos de entidades: estudiantes, cursos, habilidades, especialidades, disciplinas, mentores, proyectos y competencias. Las aristas representan relaciones educativas específicas, tales como "completó curso", "posee habilidad", "proyecto requiere habilidad" y "mentor guía proyecto". Esta estructura permite al modelo representar vínculos interdisciplinarios que no son capturados por matrices simples de interacción usuario-ítem.
Incrustación del Grafo de Conocimiento (Embedding):
Para garantizar la consistencia semántica, el modelo emplea restricciones de relación traslacional (similares a TransE) donde la suma de las incrustaciones de la entidad de cabecera y la relación aproxima la incrustación de la entidad de cola ( $\mathbf{e}_h + \mathbf{e}_r \approx \mathbf{e}_t$ ). Esto preserva la estructura semántica básica de las entidades educativas antes de la propagación del grafo.
Propagación de Atención de Relación (GNN):
El núcleo del modelo utiliza un mecanismo de Red de Atención de Grafos (GAT) para agregar información de los vecinos. A diferencia de las GCN estándar que promedian la información de los vecinos, este módulo aprende pesos de atención ( $\alpha_{vu}$ ) para diferentes tipos de relación. Esto permite al modelo distinguir la importancia de diversas rutas (por ejemplo, priorizando la "posesión de una habilidad" sobre la "afiliación a una especialidad" según el contexto) y propagar señales a través de múltiples saltos para capturar dependencias de orden superior.
Emparejamiento y Clasificación (Ranking):
La capa final combina las representaciones de estudiantes y proyectos mediante productos punto, concatenación y productos elemento a elemento para predecir una puntuación de emparejamiento. El modelo se entrena utilizando la pérdida de Clasificación Personalizada Bayesiana (BPR), la cual optimiza el orden relativo de los pares de proyectos positivos (participados) frente a los negativos (no participados), en lugar de simplemente predecir puntuaciones absolutas.
Mecanismo de Explicabilidad:
El sistema proporciona dos niveles de explicación:
- Interpretación de Rutas: Trazar rutas de múltiples saltos (ej. Estudiante $\to$ Curso $\to$ Habilidad $\to$ Proyecto) para justificar por qué se recomienda un proyecto específico.
- Interpretación de la Atención: Resumir los pesos de contribución de diferentes relaciones a la puntuación final.

Contribuciones Clave

Construcción de Grafos Específicos del Dominio: El estudio construye un grafo heterogéneo integral diseñado específicamente para la innovación y el emprendimiento interdisciplinario, modelando explícitamente la interacción entre habilidades, disciplinas, mentores y etapas de proyectos.
Arquitectura Híbrida: Combina la incrustación de grafos de conocimiento para la estabilidad semántica con la propagación de GNN sensible a las relaciones para capturar patrones estructurales complejos de múltiples saltos, abordando las limitaciones tanto del filtrado colaborativo como de los métodos de grafos estándar.
Robustez en Escenarios de Escasez y Arranque en Frío: El modelo está diseñado para aprovechar la información lateral (cursos, habilidades, mentores) para realizar recomendaciones cuando los datos de interacción histórica son inexistentes o escasos, un problema común en los ciclos de proyectos universitarios.
IA Explicable para la Educación: El marco prioriza la interpretabilidad, proporcionando rutas accionables y pesos de atención que permiten a educadores y estudiantes comprender la lógica detrás de las recomendaciones, alineándose con el diseño de sistemas de datos educativos centrados en el ser humano.

Resultados Experimentales
El modelo fue evaluado utilizando datos anonimizados de la Universidad de Tecnología de Shandong Huayu, que comprenden 2,000 estudiantes y 500 proyectos. Se comparó contra siete líneas base: Popularity, UserCF, BPR-MF, GCN, GAT, LightGCN y KGAT.

Rendimiento General: El KG-GNN-IPR superó a todas las líneas base en Precision@10, Recall@10, NDCG@10 y HR@10. Notablemente, alcanzó un NDCG@10 de 0.444 y un HR@10 de 0.756.
Arranque en Frío y Escasez: El modelo demostró una resiliencia superior en escenarios de arranque en frío (nuevos estudiantes/proyectos) y bajo alta escasez de datos (10%–20% de datos de interacción), donde los métodos de factorización de matrices tradicionales y las GNN estándar mostraron caídas significativas de rendimiento.
Robustez al Ruido: Bajo perturbaciones de ruido (hasta un 30% en etiquetas de habilidades y aristas de interacción), el KG-GNN-IPR mantuvo un rendimiento superior a LightGCN, lo que sugiere que la estructura de grafo heterogéneo proporciona tolerancia a fallos.
Rendimiento Interdisciplinario: El modelo mostró la brecha de rendimiento más pequeña (-0.020) entre las recomendaciones de proyectos de una sola disciplina y las de proyectos interdisciplinarios, indicando su efectividad en el manejo del emparejamiento de habilidades trans-dominio.
Estudios de Ablación: Eliminar el grafo de conocimiento, la propagación GNN o el mecanismo de atención resultó en descensos significativos de rendimiento, confirmando la necesidad de cada componente.

Significancia y Reivindicaciones
El artículo sostiene que la integración de grafos de conocimiento y GNN ofrece una estructura semántica trazable para las entidades educativas, permitiendo al sistema aprender enlaces de múltiples saltos y patrones de complementariedad de habilidades que el simple emparejamiento por similitud no puede identificar. Los autores afirman que este enfoque mejora tanto la precisión como la explicabilidad de las recomendaciones, haciéndolo adecuado para el despliegue práctico en plataformas educativas.

El estudio enfatiza que el modelo sirve como una herramienta de apoyo a la decisión en lugar de un reemplazo para el juicio humano. Al visualizar las rutas de recomendación y resaltar las brechas de capacidad, el sistema tiene como objetivo apoyar la toma de decisiones de los docentes, la autorregulación de los estudiantes y la formación de equipos interdisciplinarios efectivos. Los autores concluyen que, si bien el modelo es prometedor, el trabajo futuro requiere validación en múltiples universidades, actualizaciones dinámicas de los grafos para reflejar el crecimiento estudiantil e integración de modelos de lenguaje de gran escala para la extracción automatizada de requisitos.

Más como este