DOI: https://doi.org/10.1038/s41598-025-34421-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41507277
تاريخ النشر: 2026-01-08
المؤلف: Yuan Ren وآخرون
الموضوع الرئيسي: أنظمة التعليم الذكي والتعلم التكيفي
نظرة عامة
تقدم البحث الشبكة العصبية الرسومية غير المتجانسة الديناميكية (DCHGNN)، وهي إطار مبتكر مصمم لتقييم التأثيرات السببية لموارد التعلم في التعليم عبر الإنترنت. تتناول DCHGNN تعقيدات تفاعلات الطلاب مع الموارد من خلال نمذجة هذه العلاقات عبر الرسوم البيانية غير المتجانسة الديناميكية. تستخدم التعلم المتقدم لتمثيل الرسوم البيانية مع تقدير مزدوج قوي لتقدير تأثير العلاج المتوسط (ATE) بدقة مع تقليل التحيز في الاختيار. تشير النتائج التجريبية إلى أن DCHGNN تتفوق بشكل كبير على الطرق التقليدية في تقدير التأثيرات السببية، مما يكشف عن التأثيرات المتنوعة لأنواع الموارد المختلفة على نتائج تعلم الطلاب.
كما يحدد البحث مجالات محتملة للبحث المستقبلي لتعزيز قدرات DCHGNN. تشمل هذه المجالات نمذجة تأثيرات العلاج غير المتجانسة عبر مجموعات فرعية متنوعة من الطلاب، ودمج كثافة الاستخدام لتحليلات الجرعة والاستجابة، وتنقيح النمذجة الزمنية لتقليل الخطأ في الدورات الطويلة، ودمج آليات لمعالجة البيانات المفقودة. بالإضافة إلى ذلك، يُقترح استكشاف العلاقة بين تعلم هيكل الرسوم البيانية والتقدير المزدوج القوي، خاصة في السياقات عالية الأبعاد. يمكن أن تحسن هذه التطورات فعالية الإطار في تسهيل تخصيص موارد التعلم الشخصية وتحسين استراتيجيات التعليم في البيئات التعليمية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الإمكانات الكبيرة لبيانات التعليم عبر الإنترنت في تعزيز فهمنا لسلوكيات التعلم من خلال تقنيات تحليلية متقدمة. تؤكد على تعقيد البيانات التعليمية، التي تشمل كيانات متنوعة مثل الطلاب والموارد والتقييمات، والحاجة إلى نماذج يمكن أن تلتقط الديناميات الزمنية لاستخدام الطلاب للموارد. يشير المؤلفون إلى أن طرق الاستدلال السببي التقليدية غير كافية لمعالجة التحيزات المربكة في البيانات ذات الهيكل الرسومي، وعلى الرغم من أن الشبكات العصبية الرسومية غير المتجانسة (HGNNs) يمكن أن نمذجة العلاقات المعقدة، إلا أنها تعكس في المقام الأول الارتباطات بدلاً من العلاقات السببية.
لمعالجة هذه التحديات، يقترح المؤلفون إطارًا متكاملًا يجمع بين الشبكات العصبية الرسومية غير المتجانسة الديناميكية مع تقدير مزدوج قوي. يهدف هذا النهج المبتكر إلى تمثيل عملية التعلم بدقة من خلال نمذجة العلاقات غير المتجانسة بين الطلاب والموارد والتقييمات مع التحكم في التحيز في اختيار الموارد. تكمن حداثة الدراسة في ثلاثة جوانب رئيسية: تطوير إطار نمذجة الرسوم البيانية غير المتجانسة الديناميكية الذي يتضمن أنواع تفاعل متعددة وديناميات زمنية؛ دمج محول الرسوم البيانية غير المتجانسة (HGT) مع تقدير مزدوج قوي لتقدير التأثيرات السببية بدون تحيز؛ والتحقق من صحة الطريقة على مجموعة بيانات تعليمية كبيرة، مما يكشف عن التأثيرات السببية المختلفة لموارد التعلم المتنوعة. يهدف هذا الإطار إلى تزويد المنصات التعليمية بأدوات موثوقة لتقييم الموارد، مما يدعم في النهاية اتخاذ قرارات مستندة إلى البيانات لتخصيص الموارد واستراتيجيات التعليم.
طرق البحث
في هذا القسم، يحدد المؤلفون إعداد التجربة المستخدمة لتقييم إطار DCHGNN المقترح، باستخدام مجموعة بيانات تحليلات التعلم من الجامعة المفتوحة (OULAD). التصميم التجريبي شامل، حيث يعالج القضايا المتعلقة بالتحقق من مكونات النموذج وقوته. يتضمن دراسات إلغاء تقيم خمسة متغيرات رئيسية من خلال إزالة عناصر مثل تحويل الرسوم البيانية غير المتجانسة (HGT)، والنمذجة الزمنية، ومقدر DR، والهيكل غير المتجانس.
بالإضافة إلى ذلك، تجري الدراسة مقارنات كمية مع طرق أساسية متنوعة، بما في ذلك GITE وTCE وGraphITE وHetGNN+DR وطرق المطابقة التقليدية لدرجات الميل (PSM) والتقدير الساذج. يتم أيضًا إجراء تحليل حساسية لأبعاد المعلمات الأربعة، مع التركيز على الأبعاد المخفية، وعمق الشبكة، ونافذة الوقت، ومعدل التعلم. تتبع جميع التجارب بروتوكول موحد لمعالجة البيانات وتُكرر تحت إعدادات متسقة، مع تسجيل وتحليل مقاييس مثل متوسط الخطأ التربيعي (MSE)، والتحيز، وتأثير العلاج المتوسط القياسي (Std_ATE)، وعرض فترة الثقة لتأثير العلاج المتوسط (ATE) بشكل منهجي. يضمن هذا النهج الشامل أن تغطي التجارب وتوفر معلومات تشخيصية غنية تلبي متطلبات التحقق التجريبي الكامل.
مناقشة
تحدد قسم المناقشة في الورقة البحثية هدف الدراسة في تقدير التأثيرات السببية لموارد التعلم على الأداء الأكاديمي للطلاب في بيئات التعلم عبر الإنترنت، باستخدام نموذج روبن السببي (RCM). تركز الدراسة على تأثير العلاج المتوسط (ATE)، المحدد على أنه \( \text{ATE} = E[Y(1) – Y(0)] \)، لتوفير رؤى قابلة للتنفيذ لصنع القرار التعليمي. من التحديات الكبيرة التي تم تناولها هو التحيز المربك، حيث يمكن أن تؤثر خصائص الطلاب مثل الدافع والمعرفة السابقة على التأثير المدرك لموارد التعلم. يستخدم إطار الشبكة العصبية الرسومية غير المتجانسة الديناميكية (DCHGNN) التعلم الديناميكي للرسوم البيانية غير المتجانسة لالتقاط التفاعلات المعقدة بين الطلاب والموارد والتقييمات، مما يعزز دقة تقدير ATE.
يتكون إطار DCHGNN من ثلاث مراحل: بناء رسم بياني غير متجانس ديناميكي، وتعلم تمثيلات العقد من خلال محول الرسوم البيانية غير المتجانسة (HGT)، وتقدير التأثيرات السببية باستخدام مقدر مزدوج قوي. يتم التحقق من أداء النموذج باستخدام مجموعة بيانات تحليلات التعلم من الجامعة المفتوحة (OULAD)، مما يكشف أن DCHGNN تتفوق على الطرق التقليدية وغيرها من الأساليب القائمة على الرسوم البيانية من حيث دقة التقدير والاستقرار. تشير النتائج إلى أن الموارد الأساسية ونقاط الدخول وموارد التفاعل النشطة تعزز الأداء الأكاديمي بشكل كبير، بينما يخفف النموذج من التحيز المربك بشكل فعال، كما يتضح من انخفاض الفروق المتوسطة القياسية (SMD) عبر المتغيرات المربكة. بشكل عام، تقدم الدراسة تكاملًا جديدًا لتعلم تمثيل الرسوم البيانية غير المتجانسة مع التقدير المزدوج القوي، مما يمثل تقدمًا كبيرًا في منهجيات الاستدلال السببي لبيانات التعليم.
القيود
تقدم الأبحاث الحالية عدة قيود تستدعي الانتباه لتحسينات مستقبلية. أولاً، على الرغم من استخدام الانحدار اللوجستي وميزات الطلاب الحقيقية لتصحيح درجة الميل، فإن تأثير العلاج المتوسط باستخدام وزن الاحتمالية العكسية (IPW ATE) يظهر تحيزًا سلبيًا منهجيًا، مما يؤثر سلبًا على العلامة النهائية لتقدير مزدوج قوي (DR). يبرز هذا الحاجة إلى مزيد من التحقيق في التقدير القوي وتقليص درجات الميل في سياقات الرسوم البيانية عالية الأبعاد. ثانيًا، بينما يتضمن الهدف التدريبي خسارة تأثير العلاج، فإنه يظل محافظًا مقارنة بالتأثيرات المستمدة من الطرق الساذجة أو مطابقة درجات الميل (PSM). يشير هذا إلى أن تصميم هدف أكثر دقة، قد يتضمن تنظيم التأثير بناءً على المجموعات الفرعية أو التصنيف، ضروري للاستفادة بشكل فعال من معلومات هيكل الرسوم البيانية.
بالإضافة إلى ذلك، تستخدم الدراسة بشكل أساسي تأثير العلاج المتوسط العام (ATE) كمقياس تقييم، متجاهلة استكشاف التأثيرات غير المتجانسة عبر أبعاد متنوعة مثل الدورات وأنواع الموارد أو مجموعات الطلاب. تهدف الأعمال المستقبلية إلى معالجة هذه القيود من خلال إعادة تقييم قابلية تطبيق هيكل DR في السيناريوهات السببية الرسومية والتحقيق في استراتيجيات الوزن أو التحلل الأكثر قوة. علاوة على ذلك، تنوي الأبحاث توسيع النموذج الحالي لتحليل تأثيرات العلاج المتوسط الشرطي (CATE) والمجموعات الفرعية، مما يعزز القدرة على التدخلات التعليمية المخصصة وتوصيات الموارد الشخصية. بشكل عام، بينما توضح التجارب إمكانات الرسوم البيانية غير المتجانسة الديناميكية ونهج DR في الاستدلال السببي التعليمي، فإنها تكشف أيضًا عن تحديات عددية كبيرة مرتبطة بأساليب التقدير السببي التقليدية في الهياكل الرسومية المعقدة ودرجات الميل المنحرفة، مما يحدد مسارات واضحة للبحث اللاحق.
DOI: https://doi.org/10.1038/s41598-025-34421-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41507277
Publication Date: 2026-01-08
Author(s): Yuan Ren et al.
Primary Topic: Intelligent Tutoring Systems and Adaptive Learning
Overview
The research presents the Dynamic Causal Heterogeneous Graph Neural Network (DCHGNN), an innovative framework designed to evaluate the causal effects of learning resources in online education. DCHGNN addresses the complexities of student-resource interactions by modeling these relationships through dynamic heterogeneous graphs. It employs advanced graph representation learning combined with a doubly robust estimator to accurately estimate the Average Treatment Effect (ATE) while mitigating selection bias. Experimental results indicate that DCHGNN significantly outperforms traditional methods in causal effect estimation, revealing the varying impacts of different resource types on student learning outcomes.
The study also outlines potential avenues for future research to enhance DCHGNN’s capabilities. These include modeling heterogeneous treatment effects across diverse student subgroups, incorporating usage intensity for dose-response analyses, refining temporal modeling to minimize error in long-duration courses, and integrating mechanisms to address missing data. Additionally, further exploration of the relationship between graph structure learning and doubly robust estimation is suggested, particularly in high-dimensional contexts. Such advancements could improve the framework’s effectiveness in facilitating personalized learning resource allocation and optimizing instructional strategies in educational settings.
Introduction
The introduction of this research paper highlights the significant potential of online education data for enhancing our understanding of learning behaviors through advanced analytical techniques. It emphasizes the complexity of educational data, which includes various entities such as students, resources, and assessments, and the need for models that can capture the temporal dynamics of students’ resource usage. The authors point out that traditional causal inference methods are inadequate for addressing confounding biases in graph-structured data, and while heterogeneous graph neural networks (HGNNs) can model complex relationships, they primarily reflect correlations rather than causal relationships.
To address these challenges, the authors propose an integrated framework that combines dynamic heterogeneous graph neural networks with a doubly robust estimator. This innovative approach aims to accurately represent the learning process by modeling the heterogeneous relationships among students, resources, and assessments while controlling for selection bias in resource selection. The study’s novelty lies in three key aspects: the development of a dynamic heterogeneous graph modeling framework that incorporates multiple interaction types and temporal dynamics; the integration of a Heterogeneous Graph Transformer (HGT) with a doubly robust estimator for unbiased causal effect estimation; and the validation of the method on a large-scale educational dataset, which reveals the differential causal effects of various learning resources. This framework aims to provide educational platforms with reliable tools for resource evaluation, ultimately supporting data-driven decision-making for resource allocation and instructional strategies.
Methods
In this section, the authors outline the experimental setup used to evaluate the proposed DCHGNN framework, utilizing the Open University Learning Analytics Dataset (OULAD). The experimental design is comprehensive, addressing concerns regarding the verification of the model’s components and robustness. It includes ablation studies that assess five key variants by systematically removing elements such as Heterogeneous Graph Transformation (HGT), temporal modeling, the DR estimator, and the heterogeneous structure.
Additionally, the study conducts quantitative comparisons with various baseline methods, including GITE, TCE, GraphITE, HetGNN+DR, traditional Propensity Score Matching (PSM), and naive estimation. A four-dimensional hyperparameter sensitivity analysis is also performed, focusing on hidden dimensions, network depth, time window, and learning rate. All experiments follow a unified data preprocessing protocol and are repeated under consistent settings, with metrics such as Mean Squared Error (MSE), Bias, Standardized Average Treatment Effect (Std_ATE), and confidence interval width of the Average Treatment Effect (ATE) being systematically recorded and analyzed. This thorough approach ensures that the experimental coverage and richness of diagnostic information meet the requirements for complete empirical verification.
Discussion
The discussion section of the research paper outlines the study’s objective to estimate the causal effects of learning resources on student academic performance in online learning environments, utilizing Rubin’s Causal Model (RCM). The study focuses on the Average Treatment Effect (ATE), defined as \( \text{ATE} = E[Y(1) – Y(0)] \), to provide actionable insights for educational decision-making. A significant challenge addressed is confounding bias, where student characteristics such as motivation and prior knowledge can distort the perceived impact of learning resources. The proposed Dynamic Causal Heterogeneous Graph Neural Network (DCHGNN) framework employs dynamic heterogeneous graph learning to capture complex interactions among students, resources, and assessments, thereby enhancing the accuracy of ATE estimation.
The DCHGNN framework consists of three stages: constructing a dynamic heterogeneous graph, learning node representations through a Heterogeneous Graph Transformer (HGT), and estimating causal effects using a doubly robust estimator. The model’s performance is validated using the Open University Learning Analytics Dataset (OULAD), revealing that DCHGNN outperforms traditional methods and other graph-based approaches in terms of estimation accuracy and stability. The findings indicate that core entry-point resources and active interaction resources significantly enhance academic performance, while the model effectively mitigates confounding bias, as evidenced by reduced Standardized Mean Differences (SMD) across confounding variables. Overall, the study presents a novel integration of heterogeneous graph representation learning with doubly robust estimation, marking a significant advancement in causal inference methodologies for educational data.
Limitations
The current research presents several limitations that warrant attention for future improvements. Firstly, despite employing logistic regression and real student features to correct the propensity score, the Inverse Probability Weighting Average Treatment Effect (IPW ATE) exhibits a systematic negative bias, which adversely impacts the final sign of the Doubly Robust (DR) estimate. This highlights the need for further investigation into robust estimation and truncation of propensity scores in high-dimensional graph contexts. Secondly, while the training objective incorporates treatment effect loss, it remains conservative compared to the effects derived from naive methods or Propensity Score Matching (PSM). This suggests that a more refined objective design, potentially involving effect regularization based on subpopulations or stratification, is necessary to leverage the graph structure information effectively.
Additionally, the study primarily utilizes the overall Average Treatment Effect (ATE) as the evaluation metric, neglecting the exploration of heterogeneous effects across various dimensions such as courses, resource types, or student groups. Future work aims to address these limitations by re-evaluating the applicability of the DR structure in graph causal scenarios and investigating more robust weighting or decomposition strategies. Furthermore, the research intends to extend the current model to analyze Conditional Average Treatment Effects (CATE) and subpopulations, thereby enhancing the capacity for tailored teaching interventions and personalized resource recommendations. Overall, while the experiments illustrate the potential of dynamic heterogeneous graphs and the DR approach in educational causal inference, they also reveal significant numerical challenges associated with traditional causal estimation methods in complex graph structures and skewed propensity scores, outlining clear pathways for subsequent research.