图神经网络与集成学习融合的教育数据挖掘：跨场景学习者绩效预测研究

针对教育数据中复杂关系建模与类别不平衡的挑战，研究人员创新性地将图神经网络(GNN)与XGBoost/LightGBM集成，在Assistments等5个跨场景数据集上构建知识图谱。实验表明GNN基线AUC达0.87，集成后提升至0.93，为构建可扩展的个性化学习系统提供新范式。

　　

在教育数字化转型浪潮中，精准预测学习者表现成为优化教学策略的关键。传统方法如知识追踪(KT)、项目反应理论(IRT)虽广泛应用，却难以捕捉学生-资源-技能间的复杂网络关系。更棘手的是，教育数据普遍存在跨场景异构性（如Assistments与Moodle平台差异）和类别失衡（正确答题占主导）两大瓶颈。现有解决方案多依赖混合架构，将图神经网络(GNN)与传统方法耦合，既限制模型泛化能力，又鲜少探索GNN自主潜力。

为此，摩洛哥教育部"智能学习"项目支持下，研究人员开展了一项突破性研究。通过系统评估图卷积网络(GCN)、图注意力网络(GAT)和GraphSAGE在5个数据集的表现，首次构建了课程无关的通用知识图谱框架。创新性地将GNN嵌入与XGBoost/LightGBM集成，在保持图结构学习优势的同时，有效缓解了数据失衡问题。该成果发表于《Expert Systems with Applications》，为教育人工智能领域树立了新标杆。

关键技术包括：1) 基于Assistments17等5个公开数据集构建异构知识图谱；2) 采用边分类与表示学习技术生成图嵌入；3) 对比GCN/GAT/GraphSAGE三种GNN变体；4) 集成XGBoost与LightGBM进行特征增强；5) 通过AUC/F1-score等指标评估模型在平衡/失衡场景下的表现。

研究结果部分：
<方法学>
设计多阶段实验框架，先通过GNN提取图结构特征，再输入树模型进行集成。特别针对Statics数据集的高失衡比(1:9)，采用分层采样优化召回率。

<结果>
基线测试显示GNN单独应用时AUC达0.87，其中GraphSAGE在跨数据集迁移中表现最优。集成后模型在Moodle-Morocco数据集上F1-score提升21%，证明其对非结构化教育数据的适应能力。

<讨论>
突破性地发现GAT在捕捉长程依赖（如跨学期知识关联）方面具有独特优势，而LightGBM对稀疏特征（如间断学习记录）的处理效率比XGBoost高37%。这种"GNN特征提取+树模型决策"的架构，为教育资源有限的地区提供了轻量级解决方案。

结论部分强调，该研究首次证实纯GNN架构在教育预测中的独立价值，打破必须与知识追踪等传统方法混合的思维定式。通过知识图谱边缘特征的动态更新机制，模型可实时适应新加入的学习者数据。特别在摩洛哥等发展中地区的在线教育平台测试显示，该方案在低算力设备上仍保持85%的预测准确率，为教育公平提供技术保障。未来可探索图Transformer架构与时序预测的结合，进一步优化对学习路径动态变化的建模能力。