🤖 AI

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

Dit artikel introduceert T-TExTS, een op kennisgrafieken gebaseerd aanbevelingssysteem dat didactische ontologieën en grafische inbeddingstrategieën benut om docenten Engels op de middelbare school te helpen bij het selecteren van diverse, thematisch afgestemde literatuurteksten, en toont aan dat hybride modellen die structurele en didactische signalen combineren een optimale balans bieden tussen interpreteerbaarheid en rangschikkingsprestaties.

Oorspronkelijke auteurs: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Gepubliceerd 2026-05-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: De "Overweldigde Bibliotheekbeheerder"

Stel je een leraar Engels op de middelbare school voor als een bibliothecaris die een speciaal boekenrek voor zijn klas moet bouwen. Ze willen niet zomaar enige boeken; ze hebben een specifieke set verhalen nodig die allemaal over hetzelfde grote idee gaan (zoals "opstand" of "dystopie"), maar die van verschillende auteurs, culturen en tijdperken komen.

De leraar is echter druk. Ze hebben geen uren om elk boek ter wereld te lezen om de perfecte matches te vinden. Meestal eindigen ze met het kiezen van dezelfde oude klassiekers die ze goed kennen, wat betekent dat het boekenrek diversiteit mist. Ze hebben een slimme assistent nodig om hen te helpen nieuwe, diverse boeken te vinden die nog steeds perfect bij het lesplan passen.

De Oplossing: T-TExTS (De "Slimme Kaart")

De onderzoekers bouwden een tool genaamd T-TExTS. Denk hierbij niet aan een simpele zoekmachine die zoekt naar trefwoorden (zoals "dystopie"), maar aan een gigantische, interactieve kaart van de literaire wereld.

De Kaart (Kennisgraf): In plaats van slechts een lijst met boeken, bouwt het systeem een kaart waar elk boek een stad is. De wegen die deze steden verbinden, zijn niet zomaar "soortgelijke woorden"; het zijn diepe, educatieve connecties. De ene weg kan zeggen: "Deze twee boeken gaan allebei over censuur", terwijl een andere zegt: "Deze twee hebben een vergelijkbare leesbaarheid."
Het Blauwdruk (Ontologie): Voordat ze de kaart tekenden, werkten de onderzoekers samen met expertleraren om een strikt blauwdruk (een ontologie) te maken. Dit blauwdruk zorgt ervoor dat de kaart alleen "pedagogische" wegen gebruikt—connecties die echt belangrijk zijn voor het onderwijs—in plaats van alleen oppervlakkige overeenkomsten.

Hoe het Systeem de Kaart "Bewandelt"

Om de beste boeken te vinden, stuurt het systeem kleine "verkenners" (algoritmen) de wegen van deze kaart op. Het papier testte vier verschillende manieren waarop deze verkenners konden lopen:

DeepWalk (De Toevallige Toerist): Deze verkener loopt willekeurig, waarbij elke weg evenveel kans krijgt. Het krijgt een breed, algemeen gevoel van de buurt.
Biased Random Walk (De Geleide Tour): Deze verkener wordt geleid door de expertleraren. Als de leraren zeggen: "Genre is de belangrijkste connectie", dan wordt deze verkener gedwongen om vaker die specifieke wegen te nemen. Het is als een rondleidinggids die je alleen de "beste" plekken laat zien op basis van een specifieke regel.
Node2Vec (De Strategische Wandelaar): Deze verkener is slim. Hij kan kiezen om dicht bij huis te blijven (naar directe buren kijken) of ver weg te wandelen om nieuwe, verre gebieden te ontdekken. Het balanceert tussen het verkennen van het lokale gebied en het vinden van verborgen juweeltjes ver weg.
Hybrid (Het Beste van Beide Werelden): Deze verkener draagt een rugzak met de kaarten van zowel de "Toevallige Toerist" als de "Geleide Tour". Het combineert het brede overzicht met de specifieke lerarenregels.

Wat Ze Ontdekten (De Uitslagen van de Wedstrijd)

De onderzoekers testten deze verkenners op kaarten van verschillende groottes (98 boeken, 196 boeken en 351 boeken) om te zien welke de beste matches vond.

De Verrassing: De "Geleide Tour" (Biased Random Walk), die zwaar leunde op de specifieke wegingen van de leraren, presteerde slechter in het vinden van de algehele structuur van de kaart dan de "Strategische Wandelaar" (Node2Vec).
- De Analogie: Het blijkt dat de kaart door de experts in eerste instantie zo goed was getekend dat de "Geleide Tour" de verkener niet hoefde te dwingen om specifieke paden te volgen. De kaart zelf bevatte al de juiste aanwijzingen. Het dwingen van de verkener om zich aan één type weg te houden, liet ze juist enkele geweldige connecties missen.
De Winnaar: Node2Vec (de Strategische Wandelaar) was het beste in het vinden van de juiste boeken, vooral naarmate de bibliotheek groter werd. Het wist wanneer het dichtbij moest blijven en wanneer het ver weg moest wandelen om de perfecte thematische match te vinden.
De Praktische Keuze: Het Hybrid-model was de tweede. Het was niet helemaal zo snel als Node2Vec, maar bijna even goed. Cruciaal: omdat het het deel van de "Geleide Tour" bevatte, konden leraren naar de resultaten kijken en zeggen: "Ah, ik zie waarom dit boek is gekozen; het is vanwege de genre-regel die ik heb ingesteld." Deze transparantie is essentieel voor leraren die het hulpmiddel moeten vertrouwen.

Een Wereldse Test: De "1984"-Uitdaging

Om te bewijzen dat het werkte, gaven ze het systeem het boek 1984 van George Orwell en vroegen ze: "Welke andere boeken zouden we hierbij moeten onderwijzen?"

Het systeem identificeerde Fahrenheit 451 correct als de #1 match (omdat ze allebei beroemde dystopische verhalen zijn over censuur).
De Node2Vec-verkener was de enige die alle vijf van de door experts goedgekeurde "perfecte matches" vond (waaronder The Hunger Games en Animal Farm).
Het Hybrid-model vond vier van de vijf, en het vond ook enkele "bijna-misses" (zoals The Giver) die niet op de officiële lijst stonden, maar nog steeds uitstekende onderwijskeuzes waren.

De Conclusie

Het papier concludeert dat je niet constant de regels van de weg hoeft aan te passen om goede aanbevelingen te krijgen. Als je een echt hoogwaardige kaart (de Kennisgraf) bouwt op basis van expertonderwijsprincipes, kan een slimme verkener (Node2Vec) deze beter navigeren dan een strikt geleide.

Echter, voor een tool die in een klaslokaal wordt gebruikt, is de Hybrid-aanpak het sweet spot. Het geeft je de hoge prestaties van de slimme verkener, maar houdt de "stem van de leraar" zichtbaar in de resultaten, zodat de aanbevelingen zowel accuraat als verklaarbaar zijn.

Wat het papier NIET beweert:

Het beweert niet dat deze tool al is getest in echte klaslokalen met echte studenten (dat is gepland voor de toekomst).
Het beweert niet dat het leraren vervangt; het beweert dat het hen helpt tijd te besparen en diverse boeken te vinden.
Het beweert niet dat het werkt voor elk vak; het is specifiek ontworpen voor Engels Literatuur op de middelbare school.

Technische Samenvatting: T-TExTS (Onderwijs Tekstuitbreiding voor Leraren Scaffolding)

Probleemstelling
Leerkrachten Engels Literatuur op de middelbare school staan voor aanzienlijke belemmeringen bij het samenstellen van diverse, thematisch uitgelijnde tekstsets vanwege beperkte planningstijd en een gebrek aan pedagogische hulpmiddelen. Traditionele aanbevelingssystemen, zoals Collaborative Filtering (CF) en Content-Based Filtering (CBF), zijn ongeschikt voor dit domein. CF lijdt aan het cold-start-probleem bij schaarse interactiegegevens, terwijl CBF moeite heeft om nieuwe onderwerpen in te brengen die verder gaan dan de bestaande voorkeuren van de gebruiker. Bovendien hebben bestaande toepassing van Kennisgrafieken (KG) in het onderwijs zich grotendeels gericht op lineaire conceptsequencing in STEM of MOOC's, en falen ze om de niet-lineaire, semantische connecties (bijv. gedeelde thema's, eigenschappen van sociale rechtvaardigheid, complexiteit van genres) aan te pakken die nodig zijn voor geletterdheidsonderwijs. Er is een duidelijk gat in hulpmiddelen die pedagogische scaffolding van tekstsets voor secundair Engels Language Arts (ELA) ondersteunen.

Methodologie
De auteurs stellen T-TExTS voor, een op een kennisgrafiek gebaseerd aanbevelingssysteem dat pedagogische verdienste prioriteert boven oppervlakkige metadata. De methodologie bestaat uit drie hoofdbestanddelen:

Constructie van domeinspecifieke ontologie:
Met behulp van de Knowledge Acquisition and Representation Methodology (KNARM) hebben de auteurs een domeinspecifieke ontologie opgezet die is gebaseerd op pedagogische criteria. Dit proces omvatte:
- Datacollectie: Aggregatie van teksten uit studies van de staat Kansas, overleg met onderwijzers en syllabi van het hoger onderwijs (ENGL 545 en ENGL 580).
- Tekstanalyse: Toepassing van kwantitatieve tools (Lexile, Flesch-Kincaid, ATOS) en kwalitatieve rubrieken (Achieve the Core) om de complexiteit van teksten en instructieve verdienste te evalueren.
- Ontologieontwerp: Het opsplitsen van het schema in een Terminologische Box (TBox) die klassen definieert (Tekst, Auteur, Genre, Thema, Tekstcomplexiteit) en een Assertionele Box (ABox) die specifieke beweringen bevat. De ontologie modelleert expliciet relaties zoals hasGenre, hasTheme en hasTextComplexity.
Generatie van Kennisgrafiek:
De ontologie is geïnstancierd als een Kennisgrafiek met behulp van RDFLib en opgeslagen in een GraphDB-repository. De grafiek stelt teksten en auteurs voor als individuen die verbonden zijn door pedagogische en structurele relaties.
Embedding en aanbevelingsstrategieën:
Het systeem projecteert de symbolische relaties van de KG in een continue vectorruimte met behulp van op random-walk gebaseerde grafiek-embeddingtechnieken. Vier strategieën zijn geëvalueerd:
- DeepWalk: Uniforme random walks.
- Biased Random Walk: Expert-geleide walks waarbij overgangskansen worden gewogen door domeinexperts om specifieke pedagogische relaties (bijv. genre, thema) te prioriteren.
- Node2Vec: Geparametriseerde random walks die worden gestuurd door return ( $p$ ) en in-out ( $q$ ) parameters om Breadth-First Search (BFS) en Depth-First Search (DFS) exploratie in evenwicht te brengen.
- Hybride Model: Een concatenatie van DeepWalk (uniform) en Biased Random Walk (expert-gewogen) embeddings om structurele dekking te combineren met pedagogische focus.
Aanbevelingen worden gegenereerd door de Cosine Similariteit te berekenen tussen de embedding van een anker-tekst en alle andere teksten in het corpus.

Experimentele Opstelling
Het systeem is geëvalueerd over drie datasetconfiguraties met respectievelijk 98, 196 en 351 teksten. De grafieken zijn opgesplitst in trainingssets (80%), validatiesets (10%) en tests (10%). Hyperparameters zijn afgestemd met Optuna met linkpredictie (AUC) als optimalisatiedoel. De prestaties werden gemeten met behulp van:

Linkpredictie: Area Under the Curve (AUC) van de Receiver Operating Characteristic (ROC).
Ranking-metrics: Hits@K, Mean Reciprocal Rank (MRR) en genormaliseerde Discounted Cumulative Gain (nDCG@10).
Sensitiviteitsanalyse: Vergelijking van standaardweging versus een "genre-geaccentueerd" wegingsschema.

Belangrijkste Resultaten

Structurele afstemming versus Expertweging: Expertweging op traversaal-niveau (Biased Random Walk) alleen presteerde niet beter dan algoritmische structurele afstemming. De Biased Random Walk behaalde de laagste AUC (0,6888–0,7466) over alle schalen.
Dominantie van Node2Vec: Node2Vec behaalde de hoogste AUC bij elke datasetgrootte (0,9642–0,9750) en de sterkste ranking-metrics (Hits@K, MRR, nDCG) op grotere schalen (196 en 351 teksten). De optimale hyperparameterconfiguratie gaf consequent de voorkeur aan een hoge in-out parameter ( $q=4,0$ ), wat wijst op een voorkeur voor Depth-First Search (DFS) exploratie om langere ketens van thematische associatie vast te leggen.
Prestaties van het Hybride Model: Het Hybride model (concatenatie van DeepWalk en Biased Walk) behield een hoge AUC (0,9122–0,9350) over alle schalen en bleef binnen enkele procentpunten van Node2Vec op ranking-metrics. Cruciaal toonde het Hybride model robustheid tegen gewichtsperturbaties; terwijl de prestaties van de Biased Walk met ongeveer 3% verschoven wanneer genre-weights werden aangepast, werd de verschuiving van het Hybride model gedempt tot ongeveer 1,5%.
Kwalitatieve Casestudie: Voor de anker-tekst 1984 was Node2Vec de enige configuratie die alle vijf door experts samengestelde ground-truth-aanbevelingen ophaalde (inclusief structureel verre maar thematisch uitgelijnde teksten zoals Marrow Thieves). Het Hybride model slaagde erin ground-truth-teksten te herstellen die de Biased Walk miste (bijv. Animal Farm), wat de waarde aantoont van het combineren van structurele breedte met pedagogische bias.

Betekenis en Aanspraken
Het artikel beweert dat T-TExTS een nieuwe, op pedagogie gerichte aanpak biedt voor educatieve aanbevelingen, die verschilt van op gebruikersgelijkenis of populariteit gebaseerde systemen. De centrale empirische bevinding is dat een hoogwaardige, door experts samengestelde ontologie inherent voldoende pedagogisch signaal encodeert, zodat algoritmische structurele afstemming (specifiek Node2Vec) dit kan herstellen zonder de noodzaak van aanvullende weging op traversaal-niveau.

De auteurs betogen echter dat het Hybride model de meest praktische implementatiekeuze vertegenwoordigt voor hulpmiddelen gericht op leraren. Het biedt een balans tussen concurrerende rankingkwaliteit en interpreteerbaarheid, waardoor onderwijzers kunnen traceren welke door experts toegewezen weights de aanbevelingen hebben beïnvloed. De studie toont aan dat door ontologie gedreven KG-embeddings levensvatbaar zijn voor educatieve scaffolding, zelfs bij bescheiden datagroottes (tot 351 teksten), en dat de relatieve prestaties van embedding-methoden stabiel blijven naarmate het curriculum uitbreidt.

Beperkingen
De auteurs erkennen dat de dataset, hoewel door experts samengesteld, bescheiden is in schaal vergeleken met algemene benchmarks. De evaluatie vertrouwt op door experts samengestelde ground truth in plaats van live klaslokaal-gebruikersstudies, wat betekent dat de impact van het systeem op planningstijd en daadwerkelijke diversiteit van tekstsets in echte klaslokalen ongemeten blijft. Bovendien kunnen standaard ranking-metrics "pedagogisch verdedigbare bijna-misses" straffen die niet overeenkomen met de specifieke ground-truth-lijst, maar toch waardevol zijn voor curriculumontwerp. De auteurs suggereren dat toekomstig werk zich moet richten op validatie gericht op leraren en de ontwikkeling van nieuwe evaluatiemetrics die beter geschikt zijn voor neuro-symbolische, door experts gedreven aanbevelingssystemen.