교육용 추천 시스템에서 학습자를 어떻게 표현할지가 핵심 과제로 떠오른 가운데, 이번 arXiv 프리프린트는 관계를 하나로 뭉뚱그리지 않는 다중관계 그래프 합성곱 신경망(MR-GCN)을 학습자 모델링에 적용했다. 제안한 MR-ConceptGCN은 개인 지식 그래프(PKG), MR-GCN, 사전학습 언어모델 SBERT를 묶어 개념 간 관계와 의미를 함께 반영한 임베딩을 만든 뒤, 학습자가 이해하지 못한 개념(DNU concept)을 바탕으로 순차적 학습자 모델을 구성한다.
배경 문제의식은 분명하다. 기존 GNN 기반 접근은 그래프의 서로 다른 관계 유형을 동질적으로 다루거나, 학습자의 상호작용 순서를 충분히 반영하지 못한다고 정리된다. 이 논문은 특히 교육 맥락에서 PKG를 확장해 다중 관계를 활용한 학습자 모델링이 아직 충분히 탐색되지 않았다는 점을 출발점으로 삼는다. 모델은 개념별 장기·단기 상호작용을 함께 반영하도록 설계됐다.
구성은 개념 확장과 표현 학습, 순차 관심 추정으로 이어진다. 본문에 따르면 각 주요 개념(MC)에 대해 상위 20개 관련 개념(RC)과 상위 3개 카테고리(Cat)를 유지해 PKG에 추가하고, SBERT로 위키피디아 초록이나 카테고리 이름에서 초기 임베딩을 만든다. 이후 MR-GCN RRGCN과 MR-GCN CompGCN 두 변형을 통해 관계별 전파를 수행하며, PREREQUISITE TO 관계는 별도 행렬로 다룬다.
검증은 CourseMapper를 활용한 온라인 사용자 연구(n=31)로 진행됐다. 참가자는 시스템이 추천한 개념의 관련성을 평가했고, 이 응답으로 Precision@10을 계산했다. 표 2의 평균값을 보면 지각 정확도는 ConceptGCN 3.87, MR-GCN RRGCN 3.45, MR-GCN CompGCN 3.65였고, 유용성은 각각 3.90, 3.42, 3.74였다. 다양성은 3.74, 3.55, 3.65로 보고됐다.
다른 항목에서도 ConceptGCN이 수치상 우세한 경우가 있었지만, 세 모델 사이의 통계적으로 유의한 차이는 관찰되지 않았다고 본문은 적는다. Precision@10에서는 ConceptGCN이 68%로 가장 높았고, MR-GCN CompGCN 64%, MR-GCN RRGCN 63% 순이었다. 표 3에 제시된 바에 따르면 지각 정확도, 다양성, 정보 충분성, 유용성, 전반적 만족도, 사용 의도 모두에서 유의한 차이는 없었다.
| 지표 | ConceptGCN | MR-GCN RRGCN / CompGCN |
|---|---|---|
| Perceived Accuracy | 3.87 ± 0.81 | 3.45 ± 1.03 / 3.65 ± 0.80 |
| Diversity | 3.74 ± 1.03 | 3.55 ± 1.18 / 3.65 ± 1.08 |
| Perceived Usefulness | 3.90 ± 0.65 | 3.42 ± 1.15 / 3.74 ± 0.82 |
| Precision@10 | 68% | 63% / 64% |
| 표본 | 온라인 사용자 연구 n=31 | 비교 모델 3종 |
자료: STORIUM 정리
이 결과는 학습자 모델링에 다중관계 GCN을 넣고도, 적어도 현재의 소규모 온라인 평가에서는 기존 비교모형과 뚜렷한 격차가 확인되지 않았음을 뜻한다. 본문은 다중관계 구조와 의미 정보를 결합한 접근의 가능성을 보이면서도, 한계 절에서 연구의 제약이 있음을 별도로 밝힌다. 첫 저자 소속은 PDF에 표기돼 있다.
저작권자 © STORIUM 무단전재 및 재배포 금지
