Quand un graphe sait ce que vous n'avez pas appris : un nouveau modèle d'apprenant

La modélisation de l'apprenant, le problème consistant à déterminer ce qu'un étudiant sait et ne sait pas, a jusqu'à présent traité chaque type de relation entre données d'étudiant de la même manière. Un étudiant cliquant sur une vidéo est traité de la même manière qu'un étudiant échouant à un quiz, car les modèles de graphes qui alimentent la plupart des systèmes de recommandation aplatissent ces interactions en un seul type d'arête. Cela perd de la nuance : la différence sémantique entre comprendre et sauter compte.

Un nouvel article de chercheurs de l'Université des Sciences et Technologies, soumis à arXiv le 21 juillet, propose MR-ConceptGCN, une approche entièrement non supervisée qui utilise des réseaux convolutifs graphiques multi-relationnels pour préserver ces distinctions. Le modèle construit un graphe de connaissances personnel pour chaque apprenant, les nœuds étant des concepts de connaissances tirés des supports de cours, et enrichit la représentation de chaque concept à l'aide d'un modèle Sentence-BERT (SBERT) pré-entraîné. Le MR-GCN propage ensuite les informations à travers les types de relations afin que le graphe puisse dire, par exemple, si un étudiant a rencontré un concept via une réponse correcte à un test ou un message de forum qu'il n'a jamais lu.

Les embeddings enrichis des concepts pour lesquels l'étudiant n'a pas démontré de compréhension sont ensuite séquencés par ordre d'interaction, produisant un modèle temporel qui mélange les connaissances à long terme avec les obstacles récents. Le résultat est une recommandation qui sait quelles lacunes sont les plus anciennes et lesquelles sont les plus récentes.

Les chercheurs ont testé le système à l'intérieur de CourseMapper, une plateforme éducative utilisée dans l'étude. Trente et un participants ont évalué les recommandations. Dans l'ensemble, MR-ConceptGCN a surpassé les bases de référence GCN homogènes et une approche populaire de filtrage collaboratif (BPR-MF) en termes de précision, d'utilité, de diversité et de satisfaction globale.

L'échantillon est petit, les auteurs le signalent explicitement. Mais l'architecture est générale. Toute plateforme d'apprentissage qui peut définir des étiquettes de concepts et séparer les types d'interactions (réponse correcte, cours sauté, discussion active sur le forum) pourrait se brancher sur ce pipeline sans étiquetage manuel. L'entraînement est entièrement non supervisé.

Ce qui compte pour le domaine : l'article montre que les modèles graphiques multi-relationnels, déjà courants dans la complétion de graphes de connaissances et la recommandation, fonctionnent pour la modélisation de l'utilisateur, un cadre où les arêtes sont des actions qui portent des significations différentes. Cela ouvre une voie vers des systèmes adaptatifs qui différencient les types de preuves.

Encore ouvert : si l'écart se maintient à grande échelle, si la qualité des embeddings SBERT se dégrade pour les concepts de domaine de niche, et si la logique de séquençage capture réellement l'oubli temporel mieux que des moyennes plus simples pondérées par la récence. L'étude utilisateur dit oui pour 31 personnes. La réplication dira le reste.