L'IA sa davvero cosa vuoi studiare?

Ti è mai capitato di cercare un corso online e trovare solo roba che non c'entra nulla con i tuoi interessi? Spesso le piattaforme di apprendimento online (i famosi MOOC) fanno fatica a capire cosa ti piace davvero, specialmente se non hai ancora seguito molti corsi. Per risolvere questo problema, i ricercatori hanno inventato un nuovo metodo basato sull'intelligenza artificiale.

Il segreto è tutto nel modo in cui l'IA 'legge' i corsi. Invece di guardare solo a quali corsi hai cliccato in passato, questo nuovo sistema analizza profondamente il testo. Usa strumenti avanzati come BERT per capire non solo le parole dei titoli, ma anche il significato profondo delle descrizioni dei corsi. È come se l'IA passasse dal leggere solo il titolo di un libro al leggere l'intera quarta di copertina per capire di cosa parla davvero.

Queste informazioni vengono poi unite ai tuoi comportamenti passati. Il sistema crea un mix perfetto tra ciò che hai fatto e ciò che il corso dice di essere. Il risultato? Suggerimenti molto più precisi e personalizzati. Grazie a questo approccio, l'IA riesce a prevedere con molta più accuratezza quale sarà il tuo prossimo corso preferito, rendendo l'apprendimento online un viaggio su misura per ogni studente.

Il cuore tecnologico di questa ricerca risiede nell'integrazione di diverse architetture di Deep Learning per superare il problema della 'carsità dei dati' (data sparsity). Quando un utente è nuovo, il sistema ha pochi dati comportamentali su cui basarsi. Per ovviare a questo, i ricercatori hanno utilizzato FastText per estrarre caratteristiche superficiali dai titoli e il modello BERT (Bidirectional Encoder Representations from Transformers) per catturare le relazioni semantiche complesse nelle descrizioni.

La vera innovazione consiste nel modo in cui queste informazioni testuali vengono fuse con gli 'embeddings' dei corsi (rappresentazioni matematiche dei corsi stessi). Utilizzando un livello di proiezione lineare, le caratteristiche semantiche vengono portate nello stesso spazio vettoriale degli ID dei corsi. Questo permette di combinare il significato del testo con l'identità del corso tramite una strategia di fusione additiva.

Infine, il tutto viene elaborato da un modello chiamato SASRec (Self-Attention Based Sequential Recommendation) potenziato. Questo modello utilizza il meccanismo di 'ulti-head self-attention', che permette all'IA di capire l'evoluzione degli interessi di un utente nel tempo, dando più importanza agli interessi recenti ma mantenendo il contesto storico. I test sul dataset MOOCCubeX hanno dimostrato che questo metodo supera i modelli tradizionali, migliorando significativamente metriche come l'NDCG@10 (Normalized Discounted Cumulative Gain), che misura la qualità dell'ordine dei suggerimenti.