A Collaborative Learning Framework and Optimization Approach for Visual Tasks and Knowledge Graphs in Intelligent Education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the context of deep integration between information technology and education, intelligent education scenarios generate massive amounts of multimodal data.While knowledge graphs can organize and associate such data, the synergy between visual tasks and knowledge graphs remains insufficient, limiting the full exploitation of multimodal knowledge and constraining the accuracy and intelligence of visual tasks.Existing studies on combining multimodal knowledge processing with visual tasks in intelligent education exhibit notable shortcomings: they fail to effectively resolve semantic inconsistencies across modalities, rely on inflexible methods to extract cross-modal associations, and lack frameworks with strong generality and scalability.To address these issues, this study undertakes three major research efforts: (1) employing contrastive learning to reduce semantic inconsistencies between modalities and enhance the discriminative ability of multimodal embeddings for the same entity, thereby achieving feature enhancement; (2) designing a cross-modal attention module to extract complementary information across modalities and optimize textual features with image features; and (3) developing a general and scalable collaborative learning framework that integrates multimodal prediction results through joint decisionmaking to improve link prediction accuracy.The innovations of this work lie in: effectively alleviating cross-modal semantic inconsistencies via contrastive learning to improve feature representation accuracy; dynamically capturing modality correlations through cross-modal attention to enhance knowledge fusion flexibility; and constructing a generalizable model adaptable to diverse intelligent education visual task scenarios, thereby improving applicability and scalability.The findings provide an effective method for deep collaboration between visual tasks and knowledge graphs in intelligent education, with significant theoretical and practical value.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle