Contextual Embeddings and Graph Convolutional Networks for Concept Prerequisite Learning as a Strict Partial Order

L'Identification de relations de Prérequis entre les Concepts (IPC) joue un rôle crucial dans le milieu éducatif. L'objectif de l’IPC est de prédire les relations de prérequis entre différents concepts. Dans ce mémoire, nous présentons une nouvelle approche pour l’IPC utilisant les Sentence Transformers et les Réseaux de Neurones Relationnels à Convolution de Graphes (RNRCG). Cette approche crée des plongements de concepts à partir de définitions de concepts en utilisant des Transformers. Ces plongements sont ensuite utilisés comme entrée par un RGCN, ainsi qu’une structure de graphe qui distingue les prérequis des non-prerequis. Notre première contribution est liée à l’identification et à la résolution d’un problème méthodologique présent dans les études précédentes. Nous proposons un nouvel algorithme pour la création d’ensembles d’entrainement et de test qui réduit de 55% à 0% le pourcentage de relations dans l’ensemble de test déductibles par transitivité grâce aux relations dans l’ensemble d’entrainement. Le nouvel algorithme de division des données rend l’IPC plus difficile à résoudre, mais aussi plus conforme à la réalité de la tâche, car il exclut les inférences simples qui utilisent la propriété de transitivité des relations de prérequis. Notre deuxième contribution concerne notre méthode de résolution de l’IPC. Notre RNRCG est optimisé simultanément afin de résoudre la tâche d’IPC et la tâche de classification du domaine des concepts. Ceci améliore la généralisation de l’identification des prérequis pour des domaines non vus dans l’entrainement. Nos expériences sur le jeu de données d’AL-CPL montrent l'efficacité de notre approche pour l’IPC intradomaine et interdomaine. En effet, nos résultats surpassent les méthodes de l'état de l'art sur ce jeu de données.