Presentation for "Lecture Quality Prediction using Graph Neural Networks"
•
0 likes•23 views
Presentation slides authored by Jooho Lee, Ho Beom Kim, and Hyo Eun Lee as a project outcome exhibited on the 2023 CUK Competition on Data Analytics.
Recommended
More Related Content
More from Network Science Lab, The Catholic University of Korea
More from Network Science Lab, The Catholic University of Korea (20)
Presentation for "Lecture Quality Prediction using Graph Neural Networks"
- 1. Joo-Ho Lee Ho-Beom Kim Hyo-Eun Lee Network Science Lab School of Computer Science and information Engineering, Dept. of Mathematics, Dept. of Biotechnology, The Catholic University of Korea E-mail: jooho414,hobeom2001,gydnsml @catholic.ac.kr 2023 / 07 / 20
- 2. 2 Introduction Problem Statements • 매학기 제기되는 수강신청 논란
- 3. 3 Introduction Problem Statements • 신입생 또는 편입생의 경우 수 많은 교양 및 전공 강의의 모든 강의 계획서와 강의 평을 확인하기 어려움 • 재학생의 경우 개설되는 강의 의 수와 경우에 따라 달라지는 강의 진행자에의해 선택에 어려움을 겪음. • 강의 수 뿐만 아니라, 신설 강의의 경우 강의에 대한 정보 및 평가를 수집 할 수 없음
- 4. 4 Introduction Problem Statements • 어렵게 수강신청을 해도 대학 교수/강사의 수업 진행 및 태도에 대한 논란이 지속됨 → 가톨릭대학교 학생들 또한 수업에 대한 불만의 목소리
- 5. 5 Introduction Contributions • 본 프로젝트는 가톨릭대학교 성심교정 강의 품질을 예측하는 모델을 제공 • 본 프로젝트의 모델은 학생들에게 강의의 품질에 대한 예측정보를 제공하여 양질의 강의를 선택할 수 있는 도움을 줄 수 있음 • 교수나 강사가 강의를 처음 진행할 때, 모델이 예측한 강의 품질은 교수가 자신의 강의를 구성하고 학생들의 요구에 부합하는 최소한의 품질을 제공하는 데 도움이 됨 • 다른 대학교에도 확장 가능한 범용성을 가짐
- 6. 6 Graph Construction • 가톨릭대학교 에브리타임 강의평 • 교수명, 리뷰수, 평균평점 데이터 • 학과, 교수, 강의, 학점, 강의 분류 및 이수 학년 간의 연관관계를 이용하여 그래프를 구축 Methodology
- 9. 9 Methodology Metapath2vec • metapath 1. [학과, 교수, 강의, 학점, 강의, 교수, 학과] 2. [학과, 교수, 강의, 이수구분, 강의, 교수, 학과] 3. [학과, 교수, 강의, 이수학년, 강의, 교수, 학과]
- 11. 11 Methodology GCN h𝑖 ′ = 𝐖h𝑖 + 𝑗∈𝒩 𝑖 1 መ 𝑑𝑖 መ 𝑑𝑗 𝐖h𝑗
- 12. 12 Methodology GAT 𝑎𝑖,𝑗 = exp LeakyReLU 𝐚⊤ 𝐖h𝑖||𝐖h𝑗 σ𝑘∈𝒩 𝑖 ∪{𝑖} exp LeakyReLU 𝐚⊤ 𝐖h𝑖||𝐖h𝑘 h𝑖 ′ = 𝛼𝑖,𝑖𝐖h𝑖 + 𝑗∈𝒩(𝑖) 𝛼𝑖,𝑖𝐖h𝑗
- 14. 14 Experiments Datasets 1. 가톨릭대학교 성심교정 트리니티 사이트에서 강의와 관련된 엑셀 데이터 2. 에브리타임에서 총 915개의 강의 검색으로 강의평 수집 • 모든 강의에 강의평이 존재X → 전체 915개를 수집하는 것은 불가능 • 에브리타임 정책상 무분별하게 데이터 크롤링시 제제 받을 수 있음 → 데이터 수집에 있어 어려움을 겪음 개설과목리스트 1전공기 준 이수구 분 개설전공 (과) 과목번호 교과목명 분반 이수학년 시간/학점 수강인원 담당교수 요일및교 시(강의실) 외국어 강 의여부 비고 전공기초 IT파이낸 스학과 07023 기초파이 낸스 01 1 3/3 허성준 수 11~13(K2 60) 제1전공 필수 IT파이낸 스학과 07014 IT파이낸 스프로그 래밍 01 2 3/3 김수원 토4~6(K2 60) 제1전공 선택 IT파이낸 스학과 07020 회계학의 이해2 01 1 3/3 김미옥 토1~3(K2 60) 자유선택 교양 경영학과 05214 금융시장 의이해 01 3/3 이재영 화2~3(N3 08), 목 3(N308) 전공기초 경영학과 00080 경영학원 론 01 3/3 홍기석 수1(V321), 금 1~2(V321) 1학년전 용
- 15. 15 Experiments Datasets • 가톨릭대학교 에브리타임 강의평 • 교수명, 리뷰수, 평균평점 데이터 노드 종류 개수 학과 28 교수 68 강의 78 기타정보 11 Info 개수 Node 185 Edge 482
- 16. 16 Experiments Experimental Setting – metapath2vec • Embedding_dim = 128 • Walk_length = 50 • Context_size = 5 • Walks_per_node = 5 • Num_negative_samples = 5 • Epoch = 200
- 17. 17 Experiments Experimental Setting – Encoder • GCN • GraphSAGE • GIN • GAT • GATv2
- 18. 18 Experiments Experimental Setting – Evaluation metrics
- 19. 19 Experiment Result model pretrain MAE MSE R2 GCN TRUE 0.1593 0.3478 0.9265 GCN FALSE 0.5295 0.9074 0.8138 GAT TRUE 0.2416 0.6745 0.8645 GAT FALSE 0.2128 0.4536 0.9031 GATv2 TRUE 0.2127 0.5088 0.8954 GATv2 FALSE 0.2964 0.7917 0.8372 SAGE TRUE 0.1108 0.1042 0.9786 SAGE FALSE 0.1246 0.1078 0.9781 ARMA TRUE 0.1319 0.088 0.9821 ARMA FALSE 0.1707 0.1822 0.9637
- 23. 23 Conclusion Conclusions • 본 프로젝트는 가톨릭대학교의 강의 선택에 있어 정보가 부족한 학생들을 위하여 좋은 강의인지 예측하는 모델을 제안함 • 이를 위하여 제공되는 강의 정보를 바탕으로 그래프를 구축하여 여러 GNN 모델들과 함께 실험 후 유의미한 결과를 도출함 Future works • 에브리타임에서 강의평 데이터를 얻어 context 정보 추가 가능함 • 강의 계획서로 context 정보 추가 가능함 → 이전 정보가 없는 새로운 교수님의 수업이 좋을지도 예측가능 • 연도별 데이터를 수집하여 시간을 고려하며 회귀 실험 가능함 • 웹사이트 혹은 앱의 형태로 구현하여 배포 • 가톨릭대학교에 국한된 모델을 다른 학교도 사용할 수 있게 일반화