利用多關係圖卷積網路進行序列化學習者建模
arXiv - Computers and SocietyRawaa Alatrash, Mohamed Amine Chatti, Hong Yang, Yumeng Wang
提出 MR-ConceptGCN 模型，結合多關係圖卷積網路與語言模型，實現基於概念的序列化學習者建模。
AI 幫你先抓重點
AI 重點 1
從「同質關係」轉向「多關係語義」的建模思維
滑鼠懸停看 AI 判斷理由
傳統模型常將圖結構中的不同關係視為同質，忽略了知識點之間複雜的層級或關聯特性。透過 MR-GCN 捕捉多維度的關係，能讓 AI 更精準地理解學習者在知識圖譜中的位置與路徑。
AI 重點 2
結合序列化互動與知識概念的深度融合
滑鼠懸停看 AI 判斷理由
單純的知識點推薦往往忽略了學習的動態過程。將學習者的互動序列與知識概念的語義特徵結合，能更貼近學習者隨時間變化的認知狀態，這對於實現真正的個性化學習路徑至關重要。
核心研究發現
- 1
開發出 MR-ConceptGCN 模型，能有效結合個人知識圖譜（PKG）、多關係圖卷積網路（MR-GCNs）與 SBERT 預訓練語言模型。
- 2
該模型能捕捉知識概念中更豐富的關係與語義特徵，並整合學習者的長期與短期互動序列。
- 3
透過 31 名參與者的線上使用者研究證實，該模型在教育推薦系統的準確性、實用性、多樣性與滿意度上均有顯著提升。
對教育工作者的啟發
對於開發智慧學習平台（ITS）或教育推薦系統的設計者，本研究提供了重要啟發：不應僅將學習內容視為孤立的標籤，而應建立包含多種關係（如先修、進階、相關）的知識圖譜。透過結合語言模型（如 SBERT）來強化概念的語義理解，並考慮學習者在時間軸上的互動序列，可以建構出更具預測力且符合學習邏輯的個性化推薦路徑，從而提升學習者的學習滿意度與知識掌握效率。
原始文獻資訊
- 英文標題：
- Sequential Learner Modeling Using Multi-Relational Graph Convolutional Networks
- 作者：
- Rawaa Alatrash, Mohamed Amine Chatti, Hong Yang, Yumeng Wang
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。