基于联邦学习的线上教室中同伴间分布式隐私保护链接预测
社会与信息网络
2025-10-31 v2
摘要
课堂同伴之间的社交互动（表示为社交学习网络（SLNs））在提高学习成果方面发挥着关键作用。虽然最近注意到了SLN分析，但大多数现有方法依赖集中式训练，数据在本地/云服务器上进行聚合和处理，且直接访问原始数据。在现实教育环境中，由于隐私顾虑，跨多个教室的直接数据访问往往受到限制。此外，训练孤立教室的数据可防止识别在多个教室中存在的常见互动模式，从而限制了模型性能。为此，我们提出了首批框架之一，将联邦学习（FL）与从多个教室在线论坛中学生互动所得的SLNs相集成，以预测学生之间未来链接的形成（即互动）。通过利用FL，我们的方法在保留数据隐私的同时，实现了跨多个教室的协作模型训练，无需原始数据的集中化。鉴于每个教室可能呈现独特的学生互动动态，我们进一步采用模型个人化技术以适应教室特性。我们的结果表明，我们方法在捕获SLNs中共享的以及教室特定的表示方面效果良好。此外，我们利用可解释人工智能（XAI）技术来解释模型预测，识别影响不同教室链接形成的关键因素。这些洞见在隐私保护、协作和分布式机器学习框架中揭示了社交学习互动的驱动因素——这是此前尚未探索的方面。
引用
@article{arxiv.2504.10456,
title = {Privacy-Preserving Distributed Link Predictions Among Peers in Online Classrooms Using Federated Learning},
author = {Anurata Prabha Hridi and Muntasir Hoq and Zhikai Gao and Collin Lynch and Rajeev Sahay and Seyyedali Hosseinalipour and Bita Akram},
journal= {arXiv preprint arXiv:2504.10456},
year = {2025}
}
备注
Published in Educational Data Mining Conference (EDM) 2025