面向教育协作与影响力分析的多重图神经网络框架：一项案例研究

《Scientific Reports》：A multiplex graph neural network framework for educational collaboration and influence analytics: a case study

　　

摘要

社交网络已成为一个极具前景的研究领域，也是促进系级和教学级创新与学习的重要媒介。社交网络平台上个体的行为往往遵循复杂的社交动力学规律，这些规律无法用传统的方法和分析手段来捕捉。本研究以印度帕鲁尔大学人工智能与数据科学系为例，进行了一项综合性的案例研究，旨在理解协作动力学和影响力结构。通过从不同来源和时间段收集数据，构建了一个跨越五年的时序多层网络。为研究系内的协作动力学，本研究综合运用了网络度量指标以及图神经网络和时序图注意力模型等机器学习方法。本研究分析了三个研究问题：（研究问题1）协作网络具有哪些结构特征？（研究问题2）协作和影响力模式如何随时间演变？（研究问题3）哪些网络特征能够预测未来影响力的涌现？这些问题通过三个分析任务来具体化：（任务1）用于协作形成的时序链接预测，（任务2）用于影响力角色识别的分类与回归，以及（任务3）用于角色转换分析的动态社区检测。研究发现，所生成的网络呈现小世界特征，且结构凝聚力有所增强。研究识别出五种具有明显行为特征的差异化影响力原型。该模型在预测链接形成和影响力涌现方面表现良好。早期年份的多元化发展和中间人行为能够预测个体后续遵循四种不同长期研究职业轨迹的可能性。在方法论创新方面，我们提出了一种可复现的时序多层网络分析方法，可应用于多种教育情境。研究结果对于学术人员的职业管理、未来领导者的识别、通过将资源投向填补结构性空缺的岗位以获取最大价值，以及设计有利于高效协作的教学模式具有重要的启示意义。然而，需要强调的是，我们的预测模型建立的是统计关联关系，而非因果关系。教育环境中的协作网络呈现出可预测的模式，可为数据驱动的干预措施提供参考，但要验证因果关系则需要实验或准实验设计。