使用图形神经网络探索学校课程的结构

科学领域:

• 教育技术的教育技术
• 机器学习 机器学习
• 图形理论 图形理论

背景情况:

• 学校的课程组织知识以实现学生的最佳学习,经常反映隐含的教育理论.
• 教育评估数据,如学生的反应,可以提供关于课程设计和有效性的见解.
• 对学生项目响应矩阵的传统分析往往忽略了复杂的关系模式.

研究的目的:

• 使用图形神经网络 (GNN) 建模学生项目响应数据,以揭示基础课程结构.
• 调查GNN预测学生反应的能力,并从教育评估数据中提取有意义的特征.
• 将GNN的表现与经典模型进行比较,以识别学生表现中的群组模式.

主要方法:

• 利用来自计算机基础的形成性评估系统的稀疏学生项目响应矩阵.
• 以学生和项目作为节点和响应作为边缘的双部分图形来表示数据.
• 应用图形神经网络 (GNN) 来学习节点和边缘嵌入,用于预测响应标签.

主要成果:

• 学习项目嵌入式捕捉了课程属性,如项目难度和学科域结构.
• 该GNN模型展示了优势超过古典模型,特别是当在学生-项目交互存在的群组模式.
• 模拟证实了GNN在从响应模式中检索学校课程结构方面的有效性.

结论:

• 教育评估中的学生反应模式包含了关于课程结构的重要信息.
• 基于图形的神经模型,特别是GNN,可以有效地检索和表示这些课程结构.
• 这种方法提供了一种基于实证学习数据的新方法来分析和潜在地完善教育课程.