一种混合变压器-图框架，用于计算机科学教育中的课程排序和先修条件优化，并结合可解释人工智能技术 作者：Ritika Awasthi, Abhinav Shukla, Ayush Kumar Agrawal, Parul Dubey 和 R Kanesaraj Ramasamy

《Algorithms》：A Hybrid Transformer–Graph Framework for Curriculum Sequencing and Prerequisite Optimization in Computer Science Education with Explainable AI Ritika Awasthi, Abhinav Shukla, Ayush Kumar Agrawal, Parul Dubey and R Kanesaraj Ramasamy

　　

摘要

随着技术的迅速发展、跨学科知识需求的增加以及行业期望的不断变化，计算机科学与信息技术的课程改革变得越来越复杂。最近在人工智能领域，尤其是基于Transformer的语言模型方面取得的进展，为数据驱动和可扩展的课程分析提供了新的机会。本研究利用从多所大学收集的课程大纲级别的文本数据集，这些数据集包含了各种计算机科学和信息技术课程的结构化和非结构化描述。该数据集支持语义表示学习和先修条件推理，同时便于进行跨机构课程分析。我们提出了一种混合框架，将基于Transformer的语义编码与基于图的先修条件优化以及考虑约束条件的课程排序相结合。这项工作的创新之处在于将语义先修条件发现、基于优化的课程结构设计和可解释的人工智能整合到一个统一的决策支持框架中。实验结果表明，所提出的方法在先修条件预测准确性、课程可行性以及课程排序的连贯性方面均优于现有的机器学习和深度学习方法，从而为高等教育中的基于证据的课程改革提供了一个可扩展且易于解释的解决方案。