Aprendizaje cognitivo basado en grafos de conocimiento con razonamiento de múltiples hechos

Área de la Ciencia:

• Inteligencia artificial en la educación
• Minería de datos educativos
• Ciencias cognitivas

Sus antecedentes:

• Los sistemas de educación inteligentes personalizan el aprendizaje analizando las interacciones de estudiantes, tareas y conceptos.
• Los modelos de diagnóstico cognitivo (CD) predicen el rendimiento de los estudiantes, pero tienen dificultades con las relaciones complejas estudiante-ejercicio-concepto y las interacciones de orden superior.

Objetivo del estudio:

• Proponer un nuevo marco de diagnóstico cognitivo basado en un grafo de conocimiento con signo y razonamiento de múltiples hechos (CD-SKG).
• Abordar las limitaciones en los modelos de CD existentes con respecto a las interacciones complejas y de orden superior entre estudiantes, ejercicios y conceptos.

Principales métodos:

• Se modelaron estudiantes, ejercicios y conceptos como hechos con signo para codificar la valencia de la respuesta y capturar interacciones tripartitas.
• Se empleó una red convolucional de hipergrafos de doble vista en un hipergrafo cognitivo con signo para aprender las características de la respuesta.
• Se analizaron relaciones de orden superior en dos niveles de diagnóstico integrando factores cognitivos tripartitos.

Principales resultados:

• El marco CD-SKG logró un rendimiento óptimo en cuatro conjuntos de datos del mundo real.
• Superó a ocho modelos de diagnóstico cognitivo de vanguardia.
• Demostró la captura efectiva de interacciones complejas y de orden superior.

Conclusiones:

• El marco propuesto CD-SKG mejora significativamente la precisión del diagnóstico cognitivo en sistemas de educación inteligentes.
• Proporciona un método robusto para modelar relaciones intrincadas dentro de los datos educativos.
• Los hallazgos allanan el camino para experiencias de aprendizaje personalizadas más sofisticadas.