基于图神经网络的社会学习网络时空链接形成预测

社会学习网络（SLNs）是图形表示，捕捉教育环境（如教室）内学生之间的交互，其中节点代表学生，边代表交互。准确预测这些网络中未来交互（即链接预测）对于实现有效的协作学习、支持及时教学干预以及指导有效的基于小组的学习活动设计至关重要。然而，传统的链接预测方法通常针对一般在线社交网络（OSNs），往往忽视社会学习网络中复杂的、非欧几里得且动态演化的结构，从而限制了其在教育环境中的效果。在本工作中，我们提出了一种图神经网络（GNN）框架，联合考虑教室内的时间演化以及跨教室的空间聚合，以对社会学习网络进行链接预测。具体而言，我们分析了在四个不同教室的社会学习网络中，关于（i）时间演化（不同时间点）、（ii）空间聚合（联合社会学习网络分析）以及（iii）在课程过程中不同时间演化下的不同空间聚合，对链接预测性能的影响。我们的结果表明，随着课程的进行在时间上，预测未来链接的性能具有统计显著的改进。来自多个教室的社会学习网络聚合通常会提高模型性能，尤其是在稀疏数据集上。此外，我们发现联合利用社会学习网络的时间演化和空间聚合显著优于分析单独教室的常规基线方法。我们的发现表明了教育意义的链接预测具有有效性，对早期课程决策以及跨教室环境中的可扩展学习分析具有直接意义。