arXiv 论文提出增量知识图谱学习者数字孪生，用于有证据支撑的预警
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
这篇论文关注学习分析中的预警模型：风险分数往往只说明需要干预，却看不出是哪些学习痕迹、测评事件或时间模式触发了警报。作者提出一种以轻量知识图谱实现的增量学习者数字孪生，在时间检查点重放学习轨迹与测评记录来更新，既作为特征抽取的基底，也作为解释依据的基底。预测特征通过图查询导出，特征、归因、警报、证据条目与原始记录都表示为可查询的图实体。研究在公开学习分析基准上按时间协议实例化并评估，结果显示图查询导出的特征在不同模型族与检查点上保持了与原始表格特征相当的预测表现，警报以证据链形式落地，把风险决策与特征归因、证据条目和平台原始记录连接起来。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
学习分析中的预警模型能够识别可能挂科或退出的学习者，但给出的警报与可检查的学习证据之间联系很弱。一个风险分数可能表明需要干预，却没有说明是哪些学习痕迹、测评事件或时间模式支撑了这一判断。论文针对的正是这一缺口：让预警结论能够回溯到具体证据，而不只是一个数值。
数字孪生的构造方式
作者把学习者数字孪生实现为一张轻量知识图谱，并在时间检查点上通过重放学习轨迹与测评记录来增量更新。这个孪生同时承担两种角色：一是作为特征抽取的基底，预测特征由图介导的查询导出；二是作为解释依据的基底，特征、归因、警报、证据条目和原始记录都被表示为可查询的图实体，从而让风险决策能够沿着图结构追溯到源头记录。
评估与结果
框架在公开的学习分析基准上按时间协议完成实例化与评估。结果显示，图介导的特征抽取在不同模型族与不同检查点上，保持了与等价原始表格特征相同的预测行为。生成的警报被物化为证据链，把风险决策与特征归因、证据条目以及平台原始记录连接起来。论文的结论是，预警预测可以经由语义化且带来源信息的表示来完成，在保持预测性能的同时增加可追溯性、可验证性与有证据支撑的解释。
为什么值得看
预警不只给分数，还把风险决策连到可查的学习证据与原始记录，值得关注可解释学习分析的人一看。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。