Explainable Recommender System Based on Attentional Mechanism for E-learning Domain

Questo lavoro di tesi è il risultato di un progetto di ricerca dottorale esecutivo presso Social Things srl, finalizzato a fornire uno strumento innovativo per supportare gli insegnanti nella creazione e personalizzazione di percorsi educativi. La ricerca si concentra sull'integrazione di un Sistema di Raccomandazione Spiegabile (XRS) all'interno delle piattaforme e-learning WhoTeach (WT). Attraverso analisi, formalizzazione, progettazione, sviluppo e integrazione, il sistema può fornire raccomandazioni accurate agli insegnanti, potenzialmente in ogni comunità e ambiente didattico, durante la creazione e lo sviluppo di corsi di formazione. Il Sistema di Raccomandazione (RS) proposto si basa sull'applicazione del Meccanismo di Attenzione alle Reti Neurali Grafiche (GNNs). Grazie a un'analisi sistematica e intelligente dei metadati delle risorse, il Sistema fornisce agli insegnanti le risorse più rilevanti in base alle loro preferenze individuali da un database di risorse appositamente costruito con l'obiettivo di migliorare le prestazioni dell'algoritmo. Il sistema sviluppato è integrato nella piattaforma e-learning WT, una piattaforma di apprendimento digitale completa e altamente personalizzabile sviluppata e commercializzata da Social Things srl, per potenziare le sue specifiche funzionalità legate alla creazione e gestione dei corsi attraverso l'uso delle tecnologie IA. L'obiettivo principale di questo progetto è fornire un sistema che non solo sia in grado di offrire raccomandazioni pertinenti agli insegnanti nel processo di creazione di un corso, ma anche di fornire loro una spiegazione significativa dietro il processo decisionale che il RS attraversa nel fornire suggerimenti pertinenti alle specifiche esigenze didattiche o organizzative e alle preferenze degli insegnanti, risparmiando così tempo e costi e ottimizzando l'uso delle risorse.

This thesis work is the result of a PhD executive research project at Social Things srl, aimed at providing an innovative tool to support teachers in creating and customising educational paths. The research focuses on the integration of an Explainable Recom- mender System (XRS) within the WhoTeach (WT) e-learning platform. Through analysis, formalisation, design, development and integration, the system can provide accurate recommendations to teachers, potentially in every community and teaching environment, during the creation and development of training courses. The proposed Recommender System (RS) is based on the application of the Attention Mechanism to Graph Neural Networks (GNNs). Thanks to a systematic and intelligent analysis of the resources’ metadata, the system provides the teachers with the most rele- vant resources based on their individual preferences from a resource database specifically built with the goal to improve the algorithm’s performance. The developed system is integrated into the WT e-learning platform, a complete and highly customisable digital learning platform developed and marketed by Social Things srl, to enhance its specific functionalities related to creating and managing courses through the use of AI technologies. The main objective of this project is to analyse the attentional mechanism, in partic- ular the attentional coefficients, in order to provide a quantitative explanation of the recommendations proposed by an RS. This study also aims to contribute to the field of explainability, building on discussions of explainability and the attentional mechanism in the works of Jain et al. and Wiegreffe et al. In conclusion, we propose a system capable of providing targeted recommendations to teachers during the course design process, with clear explanations of the decisions made by the RS. This will help teachers to understand the proposals in line with their teaching needs and preferences, thereby optimising time, cost and resources.