A Study on the Intelligent Recommendation of Interdisciplinary Student Innovation and Entrepreneurship Projects Integrating Knowledge Graphs and Graph Neural Networks
Dit artikel stelt het KG-GNN-IPR-model voor, dat kennisgrafen en graph neural networks integreert om de nauwkeurigheid, robuustheid en verklaarbaarheid van aanbevelingen voor interdisciplinaire innovatie- en ondernemerschapsprojecten van studenten te verbeteren door effectief gebruik te maken van heterogene onderwijsgegevens en multi-hop vaardigheidcomplementariteit.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
In de moderne universiteit vindt het meest opwindende werk vaak plaats waar verschillende vakgebieden samenkomen. Een student moet misschien computercode combineren met bedrijfsstrategie, of design thinking mengen met landbouwwetenschap, om een reëel probleem op te lossen. Deze interdisciplinaire projecten vormen de kern van innovatie en ondernemerschapsonderwijs, maar het vinden van de juiste teamleden voor deze projecten is berucht moeilijk. Traditioneel gezien heeft dit matchingsproces vertrouwd op studenten die door lange lijsten met projecttitels bladeren of om persoonlijk advies van docenten vragen. Hoewel deze methoden werken bij kleine groepen, hebben ze moeite wanneer het aantal studenten en projecten groter wordt, waarbij ze vaak over het hoofd zien hoe de specifieke cursusgeschiedenis, verborgen vaardigheden en eerdere competities van een student verbonden zijn met de complexe behoeften van een project. Om dit op te lossen, richten onderzoekers zich op een digitale aanpak die onderwijs niet alleen ziet als een lijst met cijfers, maar als een uitgestrekt, onderling verbonden web van relaties.
Een team van onderzoekers aan de Shandong Huayu University of Technology heeft een nieuwe manier ontwikkeld om door dit web te navigeren. Ze bouwden een systeem dat fungeert als een gedetailleerde kaart van het gehele educatieve landschap, waarbij studenten worden verbonden met de cursussen die ze volgden, de vaardigheden die ze leerden, de mentoren die hen begeleiden en de specifieke projecten waarbij ze zouden kunnen deelnemen. Deze kaart, bekend als een kennisgrafiek (knowledge graph), stelt de computer in staat om verbanden te zien die een mens zou missen, zoals hoe een klas over data-analyse een student voorbereidt op een project dat machine learning vereist, zelfs als de student nog nooit voor een soortgelijk project heeft gesolliciteerd. Door gebruik te maken van een type kunstmatige intelligentie dat ontworpen is om deze complexe verbindingen te begrijpen, creëerden de onderzoekers een hulpmiddel dat de juiste projecten aan de juiste studenten kan suggereren met veel grotere nauwkeurigheid dan voorheen gebruikte methoden.
De onderzoekers begonnen met het verzamelen van echte, geanonimiseerde gegevens van het projectbeheersplatform van hun universiteit. Ze organiseerden gegevens van 2.000 studenten en 500 projecten, gekoppeld aan 180 verschillende cursussen, 120 specifieke vaardigheden, 90 mentoren en 12 belangrijke vakgebieden. Vervolgens construeerden ze een massaal netwerk waarbij elke student, cursus, vaardigheid en project een punt op de kaart was, en de relaties tussen hen de lijnen waren die die punten verbonden. Bijvoorbeeld, het systeem begreep dat een student die een Python-cursus had voltooid, over een "programmeervaardigheid" beschikte, en dat een specifiek project precies die vaardigheid vereiste. Deze structuur stelde de computer in staat om een pad te traceren van het verleden van een student naar de toekomstige behoeften van een project, zelfs als ze door verschillende stappen in het netwerk van elkaar gescheiden waren.
Om te testen of deze aanpak werkte, vergeleken het team hun nieuwe systeem met verschillende bestaande methoden die in het onderwijs en de zakenwereld worden gebruikt. Deze oudere methoden omvatten eenvoudige populariteitslijsten, systemen die studenten simpelweg matchen met vergelijkbaar historisch gedrag, en andere geavanceerde computermodellen die geen gedetailleerde kaart van relaties gebruikten. De resultaten toonden aan dat het nieuwe systeem, dat de kenniskaart combineerde met een slim leeralgoritme, consequent beter presteerde dan alle andere. Wanneer de onderzoekers het systeem vroegen om de top tien projecten voor een student aan te bevelen, was het aanzienlijk nauwkeuriger in het kiezen van de projecten die de student daadwerkelijk relevant zou vinden. Het systeem was bijzonder goed in het afhandelen van moeilijke situaties, zoals wanneer een student nieuw is op het platform zonder geschiedenis, of wanneer een project gloednieuw is zonder eerdere aanmeldingen. In deze gevallen, waar andere systemen er niet in slaagden een verbinding te leggen, kon het nieuwe model nog steeds een match vinden door te kijken naar de cursussen van de student en de vereiste vaardigheden van het project.
Een van de belangrijkste bevindingen was hoe goed het systeem omging met projecten die traditionele grenzen overschreden. Interdisciplinaire projecten zijn vaak het moeilijkst te vullen omdat ze een mix van talenten vereisen die normaal gesproken niet samen voorkomen in het dossier van één enkele student. De onderzoekers ontdekten dat hun systeem veel beter was in het identificeren van deze grensoverschrijdende matches dan welke van de oudere methoden ook. Het kon bijvoorbeeld zien dat een marketingstudent met vaardigheden in data-analyse een perfecte match zou zijn voor een technologisch project, ook al was hun vakgebied anders. Het systeem gokte niet alleen; het kon precies laten zien waarom een match werd gemaakt. Het kon een pad traceren dat liet zien dat een student een specifieke cursus volgde, die een specifieke vaardigheid aanleerde, die vervolgens door een specifiek project werd vereist. Dit vermogen om de eigen redenering uit te leggen is cruciaal, omdat het docenten en studenten in staat stelt om de suggesties te vertrouwen in plaats van ze te zien als een mysterieuze 'black box'.
De studie testte ook hoe robuust het systeem was wanneer de gegevens slordig of incompleet waren, wat gebruikelijk is bij echte universitaire gegevens. De onderzoekers introduceerden opzettelijk fouten, zoals verkeerd gelabelde vaardigheden of ontbrekende projectvereisten, om te zien of het systeem zou breken. Zelfs met tot dertig procent gecorrumpeerde gegevens bleef het nieuwe systeem stabiel en accuraat, terwijl andere methoden aanzienlijk moeite hadden. Deze veerkracht suggereert dat het netwerk van relaties dat het systeem bouwde sterk genoeg was om ontbrekende of onjuiste informatie te compenseren. Door naar het bredere beeld van de opleiding van een student en de context van het project te kijken, kon het systeem de juiste verbindingen vinden, zelfs wanneer sommige puzzelstukjes niet helemaal klopten.
Uiteindelijk suggereert dit onderzoek dat de toekomst van het matchen van studentenprojecten ligt in het begrijpen van de diepe, structurele relaties binnen het onderwijs, in plaats van alleen te kijken naar oppervlakkige overeenkomsten. Het systeem vervangt het oordeel van docenten of de keuzes van studenten niet; in plaats daarvan biedt het een krachtig hulpmiddel om kansen te benadrukken die anders verborgen zouden blijven. Door de onzichtbare links tussen leren en toepassing zichtbaar te maken, hebben de onderzoekers een manier gecreëerd om studenten te helpen de uitdagingen te vinden die hun vermogens het beste zullen oprekken en hen helpen groeien. Het werk demonstreert dat wanneer kunstmatige intelligentie wordt gebouwd op een heldere kaart van hoe kennis samenhangt, het begeleiding kan bieden die niet alleen accuraat is, maar ook begrijpelijk en diep relevant voor de menselijke ervaring van het leren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.