A Study on the Intelligent Recommendation of Interdisciplinary Student Innovation and Entrepreneurship Projects Integrating Knowledge Graphs and Graph Neural Networks
यह शोध पत्र KG-GNN-IPR मॉडल का प्रस्ताव करता है, जो विषम शैक्षिक डेटा और मल्टी-हॉप कौशल पूरकता का प्रभावी ढंग से लाभ उठाकर अंतरविषयक छात्र नवाचार और उद्यमिता परियोजना अनुशंसाओं की सटीकता, मजबूती और व्याख्यात्मकता को बढ़ाने के लिए नॉलेज ग्राफ और ग्राफ न्यूरल नेटवर्क को एकीकृत करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक विश्वविद्यालय में, सबसे रोमांचक कार्य अक्सर वहीं होता है जहाँ विभिन्न क्षेत्र आपस में टकराते हैं। एक छात्र को वास्तविक दुनिया की समस्या को हल करने के लिए कंप्यूटर कोडिंग के साथ व्यावसायिक रणनीति को जोड़ने, या डिजाइन थिंकिंग को कृषि विज्ञान के साथ मिलाने की आवश्यकता हो सकती है। ये अंतःविषय (interdisciplinary) परियोजनाएं नवाचार और उद्यमिता शिक्षा का केंद्र हैं, फिर भी उनके लिए सही टीम के सदस्यों को खोजना अत्यंत कठिन है। पारंपरिक रूप से, यह मिलान प्रक्रिया छात्रों द्वारा परियोजनाओं के लंबे शीर्षकों को ब्राउज़ करने या शिक्षकों से व्यक्तिगत सलाह मांगने पर निर्भर करती रही है। जबकि ये विधियाँ छोटे समूहों में काम करती हैं, वे तब संघर्ष करती हैं जब छात्रों और परियोजनाओं की संख्या बढ़ती है, क्योंकि वे अक्सर एक छात्र के विशिष्ट पाठ्यक्रम इतिहास, छिपे हुए कौशल और पिछली प्रतियोगिताओं को एक परियोजना की जटिल आवश्यकताओं से जोड़ने में विफल रहती हैं। इसे हल करने के लिए, शोधकर्ता एक डिजिटल दृष्टिकोण की ओर मुड़ रहे हैं जो शिक्षा को केवल ग्रेड की एक सूची के रूप में नहीं, बल्कि संबंधों के एक विशाल, परस्पर जुड़े जाल के रूप में देखता है।
शेडोंग हुआयू यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं ने इस जाल में नेविगेट करने का एक नया तरीका विकसित किया है। उन्होंने एक ऐसी प्रणाली बनाई है जो पूरे शैक्षिक परिदृश्य के एक विस्तृत मानचित्र की तरह कार्य करती है, जो छात्रों को उनके द्वारा लिए गए पाठ्यक्रमों, उनके द्वारा सीखे गए कौशल, उनका मार्गदर्शन करने वाले मेंटर्स और उन विशिष्ट परियोजनाओं से जोड़ती है जिनमें वे शामिल हो सकते हैं। यह मानचित्र, जिसे 'नॉलेज ग्राफ' (knowledge graph) कहा जाता है, कंप्यूटर को उन कड़ियों को देखने की अनुमति देता है जिन्हें एक मानव चूक सकता है, जैसे कि कैसे डेटा विश्लेषण पर एक कक्षा छात्र को मशीन लर्निंग के लिए आवश्यक परियोजना के लिए तैयार करती है, भले ही छात्र ने पहले कभी समान परियोजना के लिए आवेदन न किया हो। इन जटिल संबंधों को समझने के लिए डिज़ाइन किए गए एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो पिछले तरीकों की तुलना में बहुत अधिक सटीकता के साथ सही छात्रों को सही परियोजनाएं सुझा सकता है।
शोधकर्ताओं ने अपने विश्वविद्यालय के प्रोजेक्ट मैनेजमेंट प्लेटफॉर्म से वास्तविक, गुमनाम रिकॉर्ड एकत्र करके शुरुआत की। उन्होंने 2,000 छात्रों और 500 परियोजनाओं के डेटा को व्यवस्थित किया, उन्हें 180 विभिन्न पाठ्यक्रमों, 120 विशिष्ट कौशलों, 90 मेंटर्स और 12 प्रमुख अध्ययन क्षेत्रों से जोड़ा। फिर उन्होंने एक विशाल नेटवर्क का निर्माण किया जहाँ प्रत्येक छात्र, पाठ्यक्रम, कौशल और परियोजना मानचित्र पर एक बिंदु था, और उनके बीच के संबंध उन बिंदुओं को जोड़ने वाली रेखाएँ थीं। उदाहरण के लिए, सिस्टम समझ गया कि जिसने पायथन (Python) कोर्स पूरा किया है, उसके पास "प्रोग्रामिंग" का कौशल है, और एक विशिष्ट परियोजना को ठीक उसी कौशल की आवश्यकता थी। इस संरचना ने कंप्यूटर को छात्र के पिछले शिक्षण से सीधे परियोजना की भविष्य की जरूरतों तक एक पथ खोजने की अनुमति दी, भले ही वे नेटवर्क में कई चरणों द्वारा अलग क्यों न हों।
यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण काम करता है, टीम ने अपनी नई प्रणाली की तुलना शिक्षा और व्यवसाय में उपयोग की जाने वाली कई मौजूदा विधियों के विरुद्ध की। इन पुरानी विधियों में सरल लोकप्रियता सूचियाँ, ऐसी प्रणालियाँ जो केवल छात्रों को उनके पिछले व्यवहारों के आधार पर मिलाती थीं, और अन्य उन्नत कंप्यूटर मॉडल शामिल थे जो संबंधों के इस विस्तृत मानचित्र का उपयोग नहीं करते थे। परिणामों ने दिखाया कि नई प्रणाली, जिसने ज्ञान मानचित्र के साथ एक स्मार्ट लर्निंग एल्गोरिदम को जोड़ा, लगातार अन्य सभी से बेहतर प्रदर्शन किया। जब शोधकर्ताओं ने सिस्टम से छात्र के लिए शीर्ष दस परियोजनाओं की सिफारिश करने के लिए कहा, तो यह उन परियोजनाओं को चुनने में काफी अधिक सटीक था जो छात्र के लिए वास्तव में प्रासंगिक होंगी। यह प्रणाली कठिन स्थितियों को संभालने में विशेष रूप से अच्छी थी, जैसे कि जब कोई छात्र बिना किसी इतिहास के प्लेटफॉर्म पर नया हो, या जब कोई परियोजना बिल्कुल नई हो जिसके कोई पिछले आवेदक न हों। इन मामलों में, जहाँ अन्य प्रणालियाँ संबंध बनाने में विफल रहीं, नया मॉडल छात्र के पाठ्यक्रमों और परियोजना की आवश्यक कौशलों को देखकर एक मिलान ढूंढ सकता था।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि सिस्टम ने पारंपरिक सीमाओं को पार करने वाली परियोजनाओं को कितनी अच्छी तरह से संभाला। अंतःविषय परियोजनाएं अक्सर भरने में सबसे कठिन होती हैं क्योंकि उनमें उन प्रतिभाओं के मिश्रण की आवश्यकता होती जो आमतौर पर किसी एक छात्र के रिकॉर्ड में एक साथ नहीं दिखाई देतीं। शोधकर्ताओं ने पाया कि उनकी प्रणाली पुराने तरीकों की तुलना में इन क्रॉस-डिसीप्लिनरी (cross-disciplinary) मिलानों को पहचानने में कहीं अधिक बेहतर थी। यह देख सकता था कि, उदाहरण के तौर पर, डेटा विश्लेषण कौशल वाला एक मार्केटिंग छात्र तकनीकी परियोजना के लिए एकदम सही फिट होगा, भले ही उसका मेजर अलग हो। सिस्टम ने केवल अनुमान नहीं लगाया; यह दिखा सकता था कि मिलान क्यों किया गया। यह एक पथ दिखा सकता था कि छात्र ने एक विशिष्ट पाठ्यक्रम लिया, जिसने एक विशिष्ट कौशल सिखाया, जो फिर एक विशिष्ट परियोजना के लिए आवश्यक था। इसके तर्क को समझाने की यह क्षमता अत्यंत महत्वपूर्ण है, क्योंकि यह शिक्षकों और छात्रों को सुझावों को एक रहस्यमय 'ब्लैक बॉक्स' के रूप में देखने के बजाय उन पर भरोसा करने की अनुमति देती है।
अध्ययन ने यह भी परीक्षण किया कि जब डेटा अव्यवस्थित या अधूरा हो, तो सिस्टम कितना मजबूत रहता है, जो वास्तविक दुनिया के विश्वविद्यालय रिकॉर्ड में सामान्य है। शोधकर्ताओं ने जानबूझकर त्रुटियाँ डालीं, जैसे कि गलत लेबल किए गए कौशल या गायब परियोजना आवश्यकताएँ, यह देखने के लिए कि क्या सिस्टम टूट जाता है। तीस प्रतिशत तक डेटा दूषित होने के बावजूद, नया सिस्टम स्थिर और सटीक बना रहा, जबकि अन्य विधियाँ काफी संघर्ष करती रहीं। यह लचीलापन बताता है कि सिस्टम द्वारा बनाया गया संबंधों का नेटवर्क इतनी मजबूत थी कि वह गायब या गलत जानकारी की भरपाई कर सके। छात्र की शिक्षा के व्यापक चित्र और परियोजना के संदर्भ को देखकर, सिस्टम ने सही कनेक्शन खोज लिए भले ही पहेली के कुछ टुकड़े थोड़े गलत हों।
अंततः, यह शोध सुझाव देता है कि छात्र परियोजना मिलान का भविष्य शिक्षा के भीतर गहरे, संरचनात्मक संबंधों को समझने में निहित है, न कि केवल सतही समानताओं को देखने में। यह प्रणाली शिक्षकों के निर्णय या छात्रों के चुनाव को प्रतिस्थापित नहीं करती है; इसके बजाय, यह उन अवसरों को उजागर करने के लिए एक शक्तिशाली उपकरण प्रदान करती है जो अन्यथा छिपे रह सकते हैं। सीखने और अनुप्रयोग के बीच के अदृश्य लिंक को दृश्यमान बनाकर, शोधकर्ताओं ने एक ऐसा तरीका बनाया है जिससे छात्रों को उन चुनौतियों को खोजने में मदद मिल सके जो उनकी क्षमताओं को सर्वोत्तम रूप से निखारेंगी और उन्हें बढ़ने में मदद करेंगी। यह कार्य प्रदर्शित करता है कि जब आर्टिफिशियल इंटेलिजेंस को इस आधार पर बनाया जाता है कि ज्ञान कैसे जुड़ता है, तो यह ऐसा मार्गदर्शन प्रदान कर सकता है जो न केवल सटीक है, बल्कि मानवीय सीखने के अनुभव के लिए समझने योग्य और गहराई से प्रासंगिक भी है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।