Aprimorando a Previsão de Desempenho do Aluno em Perguntas Geradas por Alunos com Sinergia SGNN-LLM

A geração de conteúdo por alunos oferece um grande potencial para a educação escalável. No entanto, prever o desempenho dos alunos em perguntas geradas por alunos, o que é essencial para personalizar a experiência de aprendizado, é desafiador devido ao ruído inerente nos dados gerados pelos alunos. Além disso, enquanto os métodos convencionais baseados em grafos podem capturar a complexa rede de interações entre alunos e perguntas, frequentemente falham sob condições de 'cold start', onde o envolvimento limitado dos alunos com as perguntas resulta em dados escassos. Para abordar ambos os desafios, introduzimos uma estratégia inovadora que sinergiza o potencial da integração de Redes Neurais Gráficas Assinadas (SGNNs) e embeddings de Modelos de Linguagem de Grande Escala (LLM). Nossa metodologia emprega um grafo bipartido assinado para modelar de forma abrangente as respostas dos alunos, complementada por uma estrutura de aprendizado contrastivo que melhora a resiliência ao ruído. Além disso, a contribuição do LLM reside na geração de embeddings fundamentais de perguntas, provando ser especialmente vantajosa em cenários de 'cold start' caracterizados por dados limitados do grafo. A validação em cinco conjuntos de dados do mundo real oriundos da plataforma PeerWise ressalta a eficácia de nossa abordagem. Nosso método supera as linhas de base, apresentando maior precisão preditiva e robustez.