💻 computer science

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

Este artigo propõe o modelo KG-GNN-IPR, que integra grafos de conhecimento e redes neurais de grafos para aumentar a precisão, robustez e explicabilidade das recomendações de projetos interdisciplinares de inovação e empreendedorismo estudantil, ao aproveitar efetivamente dados educacionais heterogêneos e complementaridade de habilidades de múltiplos saltos.

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

Publicado 2026-09-04

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Na universidade moderna, o trabalho mais empolgante ocorre frequentemente onde diferentes campos colidem. Um estudante pode precisar combinar programação de computadores com estratégia de negócios, ou fundir o pensamento de design com a ciência agrícola, para resolver um problema do mundo real. Esses projetos interdisciplinares são o coração da educação em inovação e empreendedorismo, mas encontrar os membros de equipe certos para eles é notoriamente difícil. Tradicionalmente, esse processo de correspondência dependia de estudantes navegando por longas listas de títulos de projetos ou pedindo conselhos pessoais aos professores. Embora esses métodos funcionem em pequenos grupos, eles têm dificuldade quando o número de estudantes e projetos cresce, muitas vezes negligenciando como o histórico de cursos específico de um aluno, habilidades ocultas e competições passadas se conectam às necessidades complexas de um projeto. Para resolver isso, pesquisadores estão recorrendo a uma abordagem digital que trata a educação não apenas como uma lista de notas, mas como uma vasta e interconectada teia de relacionamentos.

Uma equipe de pesquisadores da Universidade de Tecnologia de Shandong Huayu desenvolveu uma nova maneira de navegar por essa teia. Eles construíram um sistema que atua como um mapa detalhado de todo o cenário educacional, conectando estudantes aos cursos que cursaram, às habilidades que aprenderam, aos mentores que os guiam e aos projetos específicos aos quais podem se juntar. Este mapa, conhecido como um grafo de conhecimento, permite que o computador veja ligações que um humano poderia perder, como o modo como uma aula de análise de dados prepara um estudante para um projeto que exige aprendizado de máquina, mesmo que o estudante nunca tenha se candidatado a um projeto semelhante antes. Ao usar um tipo de inteligência artificial projetada para entender essas conexções complexas, os pesquisadores criaram uma ferramenta que pode sugerir os projetos certos para os alunos certos com muito mais precisidade do que os métodos anteriores.

Os pesquisadores começaram reunindo registros reais e anônimos da plataforma de gestão de projetos de sua universidade. Eles organizaram dados de 2.000 estudantes e 500 projetos, vinculando-os a 180 cursos diferentes, 120 habilidades específicas, 90 mentores e 12 grandes áreas de estudo. Em seguida, construíram uma rede massiva onde cada estudante, curso, habilidade e projeto era um ponto no mapa, e os relacionamentos entre eles eram as linhas que conectavam esses pontos. Por exemplo, o sistema entendeu que um estudante que concluiu um curso de Python possuía uma habilidade de "programação", e que um projeto específico exigia exatamente essa habilidade. Essa estrutura permitiu que o computador traçasse um caminho do aprendizado passado de um estudante diretamente para as necessidades futuras de um projeto, mesmo que estivessem separados por vários passos na rede.

Para testar se essa abordagem funcionava, a equipe comparou seu novo sistema com diversos métodos existentes usados na educação e nos negócios. Esses métodos antigos incluíam listas simples de popularidade, sistemas que apenas combinavam estudantes com comportamentos passados semelhantes e outros modelos computacionais avançados que não utilizavam este mapa detalhado de relacionamentos. Os resultados mostraram que o novo sistema, que combinou o mapa de conhecimento com um algoritmo de aprendizado inteligente, superou consistentemente todos os outros. Quando os pesquisadores pediram ao sistema para recomendar os dez principais projetos para um estudante, ele foi significativamente mais preciso ao escolher aqueles que o estudante realmente consideraria relevantes. O sistema foi particularmente bom em lidar com situações difíceis, como quando um estudante era novo na plataforma e não tinha histórico, ou quando um projeto era totalmente novo e sem candidatos anteriores. Nesses casos, onde outros sistemas falharam em fazer uma conexão, o novo modelo ainda conseguia encontrar uma correspondência ao observar os cursos do estudante e as habilidades exigidas pelo projeto.

Uma das descobertas mais importantes foi o quão bem o sistema lidou com projetos que cruzavam fronteiras tradicionais. Projetos interdisciplinares são frequentemente os mais difíceis de preencher porque exigem uma mistura de talentos que normalmente não aparecem juntos no registro de um único estudante. Os pesquisadores descobriram que seu sistema era muito melhor em identificar essas correspondências transdisciplinares do que qualquer um dos métodos mais antigos. Ele podia ver, por exemplo, que um estudante de marketing com habilidades de análise de dados seria um encaixe perfeito para um projeto de tecnologia, embora seu curso fosse diferente. O sistema não apenas adivinhava; ele podia mostrar exatamente por que uma correspondência foi feita. Ele podia traçar um caminho mostrando que um estudante fez um curso específico, que ensinou uma habilidade específica, que era então exigida por um projeto específico. Essa capacidade de explicar seu raciocínio é crucial, pois permite que professores e estudantes confiem nas sugestões em vez de vê-las como uma caixa preta misteriosa.

O estudo também testou o quão robusto o sistema era quando os dados eram desorganizados ou incompletos, o que é comum em registros universitários do mundo real. Os pesquisadores introduziram erros intencionalmente, como habilidades rotuladas incorretamente ou requisitos de projetos ausentes, para ver se o sistema quebraria. Mesmo com até trinta por cento dos dados corrompidos, o novo sistema permaneceu estável e preciso, enquanto outros métodos tiveram dificuldades significativas. Essa resiliência sugere que a rede de relacionamentos que o sistema construiu era forte o suficiente para compensar informações ausentes ou incorretas. Ao olhar para o panorama geral da educação de um estudante e o contexto de um projeto, o sistema conseguia encontrar as conexões certas mesmo quando algumas peças do quebra-cabeça estavam ligeiramente erradas.

Em última análise, esta pesquisa sugere que o futuro da correspondência de projetos estudantis reside na compreensão das relações estruturais profundas dentro da educação, em vez de apenas olhar para semelhanças superficiais. O sistema não substitui o julgamento dos professores ou as escolhas dos estudantes; em vez disso, fornece uma ferramenta poderosa para destacar oportunidades que poderiam permanecer ocultas. Ao tornar visíveis os elos invisíveis entre o aprendizado e a aplicação, os pesquisadores criaram uma maneira de ajudar os estudantes a encontrar os desafios que melhor testarão suas habilidades e os ajudarão a crescer. O trabalho demonstra que, quando a inteligência artificial é construída sobre um mapa claro de como o conhecimento se conecta, ela pode oferecer uma orientação que é não apenas precisa, mas também compreensível e profundamente relevante para a experiência humana de aprendizagem.

Resumo Técnico: Recomendação Inteligente de Projetos Interdisciplinares de Inovação e Empreendedorismo Estudantil

Problema
A educação para inovação e empreendedorismo universitário exige cada vez mais que os estudantes colaborem através de fronteiras disciplinares para resolver problemas práticos de natureza aberta. No entanto, os atuais mecanismos de correspondência de projetos em plataformas universitárias dependem fortemente de navegação manual, triagem por palavras-chave ou intuição docente. Esses métodos tradicionais falham em capturar as relações complexas e multidimensionais entre atributos dos estudantes (histórico de cursos, habilidades, interesses), requisitos de projetos (rotas técnicas, especialidade de mentores, necessidades disciplinares) e a natureza estrutural das equipes interdisciplinares. Além disso, os sistemas de recomendação existentes frequentemente enfrentam dificuldades com a esparsidade de dados, cenários de cold-start (novos estudantes ou novos projetos) e a falta de explicabilidade necessária para a tomada de decisão educacional.

Metodologia: O Modelo KG-GNN-IPR
Os autores propõem o modelo KG-GNN-IPR, que integra Grafos de Conhecimento (KG) e Redes Neurais em Grafos (GNN) para enfrentar esses desafios. A metodologia consiste em quatro componentes principais:

Construção de um Grafo de Conhecimento Educacional Heterogêneo:
O sistema constrói um grafo $G=(V, E, R)$ contendo oito tipos de entidades: estudantes, cursos, habilidades, cursos/áreas, disciplinas, mentores, projetos e competições. As arestas representam relações educacionais específicas, tais como "concluiu curso", "possui habilidade", "projeto requer habilidade" e "mentor orienta projeto". Esta estrutura permite que o modelo represente vínculos interdisciplinares que não são capturados por simples matrizes de interação usuário-item.
Embedding de Grafo de Conhecimento:
Para garantir a consistência semântica, o modelo utiliza restrições de relação translacional (semelhantes ao TransE), onde a soma dos embeddings da entidade de origem e da relação aproxima-se do embedding da entidade de destino ( $\mathbf{e}_h + \mathbf{e}_r \approx \mathbf{e}_t$ ). Isso preserva a estrutura semântica básica das entidades educacionais antes da propagação do grafo.
Propagação de Atenção de Relação (GNN):
O núcleo do modelo utiliza um mecanismo de Rede de Atenção em Grafo (GAT) para agregar informações de vizinhos. Diferente das GCNs padrão, que fazem a média das informações dos vizinhos, este módulo aprende pesos de atenção ( $\alpha_{vu}$ ) para diferentes tipos de relação. Isso permite que o modelo distinga a importância de vários caminhos (por exemplo, priorizando "posse de habilidade" sobre "afiliação à disciplina", dependendo do contexto) e propague sinais através de múltiplos saltos para capturar dependências de ordem superior.
Correspondência e Classificação (Ranking):
A camada final combina as representações de estudantes e projetos usando produtos escalares, concatenação e produtos elemento a elemento para prever uma pontuação de correspondência. O modelo é treinado utilizando a perda de Ranking Personalizado Bayesiano (BPR), que otimiza a ordenação relativa de pares de projetos positivos (participados) versus negativos (não participados), em vez de apenas prever pontuações absolutas.
Mecanismo de Explicabilidade:
O sistema fornece dois níveis de explicação:
- Interpretação de Caminho: Rastreamento de caminhos de múltiplos saltos (ex: Estudante $\to$ Curso $\to$ Habilidade $\to$ Projeto) para justificar por que um projeto específico foi recomendado.
- Interpretação de Atenção: Resumo dos pesos de contribuição de diferentes relações para a pontuação final.

Principais Contribuições

Construção de Grafo Específico do Domínio: O estudo constró de um grafo heterogêneo abrangente especificamente adaptado para inovação e empreendedorismo interdisciplinar, modelando explicitamente a interação entre habilidades, disciplinas, mentores e estágios de projetos.
Arquitetura Híbrida: Combina o embedding de grafo de conhecimento para estabilidade semântica com a propagação de GNN consciente de relações para capturar padrões estruturais complexos de múltiplos saltos, abordando as limitações tanto da filtragem colaborativa quanto dos métodos de grafos padrão.
Robustez em Cenários de Escassez e Cold-Start: O modelo é projetado para alavancar informações laterais (cursos, habilidades, mentores) para fazer recomendações quando os dados de interação histórica estão ausentes ou esparsos, um problema comum nos ciclos de projetos universitários.
IA Explicável para a Educação: O framework prioriza a interpretabilidade, fornecendo caminhos acionáveis e pesos de atenção que permitem aos educadores e estudantes compreender a lógica por trás das recomendações, alinhando-se ao design de sistemas de dados educacionais centrados no ser humano.

Resultados Experimentais
O modelo foi avaliado utilizando dados desidentificados da Universidade de Tecnologia de Shandong Huayu, compreendendo 2.000 estudantes e 500 projetos. Foi comparado contra sete modelos de base (baselines): Popularidade, UserCF, BPR-MF, GCN, GAT, LightGCN e KGAT.

Desempenho Geral: O KG-GNN-IPR superou todos os modelos de base em Precision@10, Recall@10, NDCG@10 e HR@10. Notavelmente, alcançou um NDCG@10 de 0,444 e um HR@10 de 0,756.
Cold Start e Esparsidade: O modelo demonstrou resiliência superior em cenários de cold-start (novos estudantes/projetos) e sob alta esparsidade de dados (10%–20% de dados de interação), onde a fatoração de matriz tradicional e as GNNs padrão apresentaram quedas significativas de desempenho.
Robustez ao Ruído: Sob perturbações de ruído (até 30% em rótulos de habilidades e arestas de interação), o KG-GNN-IPR manteve um desempenho superior ao LightGCN, sugerindo que a estrutura de grafo heterogêneo proporciona tolerância a falhas.
Desempenho Interdisciplinar: O modelo apresentou a menor lacuna de desempenho (-0,020) entre recomendações de projetos de disciplina única e interdisciplinares, indicando sua eficidade no tratamento de correspondência de habilidades entre domínios.
Estudos de Ablação: A remoção do grafo de conhecimento, da propagação GNN ou do mecanismo de atenção resultou em declínios significativos de desempenho, confirmando a necessidade de cada componente.

Significância e Alegações
O artigo alega que a integração de grafos de conhecimento e GNNs oferece uma estrutura semântica rastreável para entidades educacionais, permitindo que o sistema aprenda links de múltiplos saltos e padrões de complementaridade de habilidades que a simples correspondência de similaridade não consegue identificar. Os autores afirmam que esta abordagem melhora tanto a precisão quanto a explicabilidade das recomendações, tornando-a adequada para implementação prática em plataformas educacionais.

O estudo enfatiza que o modelo serve como uma ferramenta de suporte à decisão, e não como um substituto para o julgamento humano. Ao visualizar caminhos de recomendação e destacar lacunas de capacidade, o sistema visa apoiar a tomada de decisão dos professores, a autorregulação dos estudantes e a formação de equipes interdisciplinares eficazes. Os autores concluem que, embora o modelo seja promissor, trabalhos futuros exigem validação multiuniversitária, atualizações dinâmicas de grafos para refletir o crescimento do estudante e a integração de modelos de linguagem de grande escala (LLMs) para extração automatizada de requisitos.

Mais como este