NS-CUK Seminar: V.T.Hoang, Review on "Everything is Connected: Graph Neural N...
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
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
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
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