arXiv cs.AI· Ngoc Luyen Le, Marie-H\'el\`ene Abel, Bertrand Laforge·· 13 小时前AI 评分18
增量知识图谱学习数字孪生：面向证据可溯源的早期预警
An Incremental Knowledge-Graph Learner Digital Twin for Evidence-Grounded Early Warning
AI 导读
研究提出一种以轻量知识图谱实现的增量学习数字孪生，通过按时间检查点回放学习轨迹与评估记录持续更新，同时作为特征提取与解释依据的底层表示。在公开学习分析基准的时间协议评测中，图介导的特征提取在不同模型族与检查点上保持了与原始表格特征等价的预测表现。生成的预警以证据链形式落地，将风险决策关联到特征归因、证据条目与原始平台记录，从而在保持预测性能的同时增加可追溯性与可验证的解释。
正文 · AI 翻译
摘要：学习分析中的预警模型可以识别有失败或退学风险的学习者，但由此产生的警报往往与可检查的学习证据联系薄弱。风险分数可能表明需要干预，却没有显示哪些痕迹、评估事件或时间模式支持该警报。本文介绍了一种用于基于证据的预警的增量式学习者数字孪生，以轻量级知识图谱实现。该孪生通过重放学习痕迹和评估记录在时间检查点进行更新，并同时作为特征提取基底和解释依据基底。预测特征通过图介导查询导出，而特征、归因、警报、证据项和原始记录均表示为可查询的图实体。该框架在时间协议下于一个公开学习分析基准上实例化并评估。结果表明，图介导的特征提取在不同模型家族和检查点上保持了等效原始表特征的预测行为。生成的警报被物化为证据链，将风险决策与特征归因、证据项和原始平台记录关联起来。该研究表明，预警预测可以通过语义和来源感知表示进行路由，同时保持预测性能并增加可追溯性、可验证性和基于证据的解释。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.36820 [cs.AI] |
| （或 arXiv:2610.36820v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36820 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ngoc Luyen Le [查看电子邮件]
[v1]
2026年10月27日星期二 08:22:26 UTC（253 KB）
来源：arXiv cs.AI · arxiv.org