Identificazione degli interessi degli studenti basata sui dati per sistemi di gestione dell'insegnamento intelligente nei college di ingegneria

Sommario

Il protocollo del Classificatore Neurale Ibrido Quantistico-Classico basato su Meta-Apprendimento (ML-HQNC) integra modellazione cognitiva ispirata al calcolo quantistico, preelaborazione dei dati, selezione delle caratteristiche e apprendimento neurale ibrido per identificare gli interessi degli studenti di ingegneria. Questo protocollo presenta un flusso di lavoro riproducibile di machine learning ibrido ispirato al calcolo quantistico per l'analisi educativa, dimostrato attraverso l'identificazione degli interessi degli studenti di ingegneria mediante dati educativi multidimensionali.

Abstract

Questo protocollo presenta un framework computazionale ispirato alla meccanica quantistica per l'identificazione degli interessi degli studenti di ingegneria mediante dati educativi e comportamentali multidimensionali. L'obiettivo è fornire un flusso di lavoro sistematico e riproducibile che integri la pre-elaborazione dei dati, l'analisi dei modelli comportamentali, la selezione delle caratteristiche e l'apprendimento neurale ibrido per supportare il processo decisionale educativo e l'apprendimento personalizzato. Il flusso di lavoro inizia con la scalatura robusta Box-Cox IQR (BCRIS), utilizzata per pre-elaborare e normalizzare i dati educativi riducendo il rumore semantico e migliorando la qualità dei dati. I comportamenti di apprendimento degli studenti vengono successivamente analizzati mediante il Modello Quantistico dello Stato Cognitivo (QCSM), che rappresenta le transizioni comportamentali e le preferenze di apprendimento in evoluzione in condizioni di incertezza. Le caratteristiche rilevanti vengono quindi selezionate utilizzando l'algoritmo Quantistico-Potenziato di Selezione delle Caratteristiche basato su Ottimizzazione Ibrida Sciame-Balena (QES-WOFS), al fine di ridurre la ridondanza delle caratteristiche e identificare tratti comportamentali informativi. Infine, il Classificatore Ibrido Meta-Apprendente Quantistico-Classico (ML-HQNC) integra l'apprendimento ispirato alla meccanica quantistica con reti neurali profonde per classificare gli interessi degli studenti. Il protocollo è stato validato utilizzando un dataset educativo disponibile pubblicamente. Le prestazioni del modello sono state valutate mediante metriche convenzionali, tra cui accuratezza, punteggio F1 e area sotto la curva ROC (AUC), insieme alla Precisione nel Rilevamento degli Interessi (IDP), all'Indice di Stabilità dei Pattern Quantistici (QPSI) e al Guadagno di Adattabilità Inter-Dominio (CDAG). Il framework ha raggiunto un'accuratezza complessiva nella classificazione del 96,17% sul dataset analizzato. Questo protocollo fornisce un flusso di lavoro computazionale riproducibile per l'analisi di dati educativi multidimensionali, utile a supportare applicazioni di gestione educativa intelligente e di apprendimento personalizzato.

Introduzione

I sistemi di gestione educativa sono sempre più utilizzati in tutto il settore dell'istruzione, spinti dai rapidi progressi nell'ambito della tecnologia dell'informazione e delle reti informatiche. La crescita continua dell'istruzione superiore è stata accompagnata da un aumento dell'iscrizione degli studenti, in particolare tra gli studenti di ingegneria, con un conseguente notevole incremento dei dati relativi alla gestione educativa. Questa crescita sostiene lo sviluppo educativo sostenibile, accelera l'informatizzazione dell'istruzione e facilita l'istituzione di sistemi di gestione educativa standardizzati che migliorano la coerenza e l'efficienza dell'amministrazione didattica. Il Machine Learning (ML) fornisce tecniche computazionali che consentono ai sistemi di analizzare dati, apprendere da schemi ricorrenti e migliorare continuamente le prestazioni predittive senza una programmazione esplicita^1,2.

La qualità dell'insegnamento è un componente fondamentale dell'istruzione superiore. Negli ultimi anni, gli esami sono stati ampiamente utilizzati per valutare la comprensione degli studenti di ingegneria sui contenuti del corso e la loro capacità di acquisire nuove conoscenze, promuovendo così miglioramenti continui nella qualità dell'insegnamento. Ambiente centrati sull'apprendimento possono essere creati sfruttando le diverse risorse didattiche disponibili attraverso piattaforme educative online e applicando molteplici teorie dell'apprendimento per soddisfare le esigenze di diversi studenti. Un insegnamento efficace svolge un ruolo chiave nel migliorare i risultati di apprendimento degli studenti di ingegneria nelle università e nei college^3,4. Inoltre, un insegnamento efficace favorisce un ambiente di apprendimento positivo, sostiene la comprensione degli studenti sui contenuti del corso e migliora la performance accademica. La qualità dell'insegnamento viene valutata mediante diversi indicatori lungo tutto il processo di apprendimento, tra cui la struttura del curriculum, l'ambiente in aula e i contenuti didattici.

L'istruzione superiore promuove lo sviluppo intellettuale, personale e sociale degli studenti. Allo stesso tempo, l'impegno degli studenti — comprese le dimensioni comportamentali, emotive e cognitive — e la persistenza accademica sono diventati determinanti importanti degli esiti dell'apprendimento. Livelli elevati di coinvolgimento degli studenti contribuiscono in modo significativo al successo accademico a lungo termine^5,6. I progressi nella tecnologia educativa hanno creato nuove opportunità per analisi educative basate sui dati, modellando relazioni non lineari complesse tra le caratteristiche cognitive, comportamentali e accademiche degli studenti mediante tecniche di Machine Learning (ML) e Deep Learning (DL).

Un'importante sfida rimane l'osservazione e la valutazione efficace della dinamica in aula, tenendo conto dei comportamenti degli studenti in continua evoluzione. Gli approcci tradizionali per valutare la qualità dell'insegnamento e analizzare il comportamento degli studenti di ingegneria sono spesso lunghi e soggetti al giudizio soggettivo dell'osservatore. La mancanza di attenzione da parte degli studenti durante le attività in aula influisce negativamente sugli esiti dell'apprendimento e sul rendimento accademico^7,8. Tuttavia, mantenere un'attenzione prolungata tra gli studenti di ingegneria rimane difficile a causa di distrazioni interne ed esterne e delle fluttuazioni della motivazione.

Valutare e migliorare il coinvolgimento degli studenti è diventato sempre più importante con l'ampia diffusione dell'apprendimento online, delle aule intelligenti e di altre tecnologie educative interattive. Garantire l'inclusione tra gruppi diversi di studenti di ingegneria sottolinea ulteriormente la necessità di quadri completi che integrino approcci basati sulla tecnologia con la pratica educativa, mantenendo al contempo standard di privacy ed etici. Inoltre, la limitata trasparenza dei modelli e le sfide associate all'integrazione tecnologica^9,10, incluse le distorsioni metodologiche e l'equità educativa, continuano a ostacolare lo sviluppo di sistemi predittivi in grado di supportare gli studenti attraverso un monitoraggio continuo.

Gli approcci di machine learning sono stati ampiamente utilizzati per affrontare sfide educative come la previsione del rischio per gli studenti e dei tassi di abbandono. Questi approcci hanno dimostrato la capacità di identificare studenti a rischio elevato, sostenendo così interventi volti a migliorare i risultati accademici¹¹. Sono stati inoltre sviluppati sistemi di gestione educativa basati sull'intelligenza artificiale (AI) per potenziare sia i processi amministrativi che quelli accademici all'interno delle istituzioni di istruzione superiore. I dataset educativi includono comunemente informazioni accademiche come i voti nei corsi, la frequenza alle lezioni e la storia delle iscrizioni¹².

Studi precedenti hanno analizzato il comportamento degli studenti da tre prospettive: dati di valutazione, metodi e risultati^13,14. Sono stati sviluppati modelli predittivi basati sull'alfabetizzazione informativa per analizzare le caratteristiche comportamentali degli studenti universitari. Questi studi si concentrano principalmente sulla valutazione del comportamento dell'apprendente mediante metodi di apprendimento profondo (Deep Learning, DL). Tuttavia, la ricerca sulla valutazione intelligente del comportamento dell'insegnante è ancora a uno stadio iniziale, limitando i progressi in questo campo. Le reti neurali convoluzionali veloci basate su regioni (Fast R-CNN) sono state applicate a dataset educativi per migliorare il rilevamento delle attività in aula, dimostrando significativi miglioramenti nelle prestazioni rispetto ai metodi tradizionali¹⁵.

I modelli Bi-Directional Long Short-Term Memory (Bi-LSTM) che incorporano meccanismi di auto-monitoraggio hanno inoltre migliorato l'accuratezza della previsione del voto per gli studenti universitari. Analogamente, modelli predittivi sviluppati utilizzando dataset sul comportamento di apprendimento online hanno dimostrato prestazioni predittive migliorate^16,17,18. Inoltre, il k-means clustering (KMC) è stato utilizzato per identificare le caratteristiche di diversi gruppi di studenti mediante analisi dei cluster, fornendo informazioni sul comportamento degli studenti che supportano miglioramenti nell'insegnamento, nella gestione e nell'apprendimento. Sono state inoltre proposte strategie basate sul deep learning per migliorare il rilevamento e la valutazione dei comportamenti didattici in aula. In questi approcci, le caratteristiche comportamentali in aula vengono utilizzate per stabilire relazioni tra rappresentazioni delle caratteristiche e iperpiani, impiegando valori iniziali linearmente separabili per la macchina a vettori di supporto (Support Vector Machine, SVM)^19,20. Tuttavia, sfide come l'occlusione, i dettagli comportamentali finemente granulari e le interferenze ambientali continuano a limitare l'accuratezza del riconoscimento del comportamento degli studenti di ingegneria negli ambienti d'aula.

Il deep learning è stato inoltre applicato alla valutazione basata sui risultati dei corsi universitari, inclusa la valutazione educativa nell'ambito dell'educazione politica e ideologica^21,22. L'efficacia di questi modelli predittivi è stata dimostrata utilizzando dataset educativi disponibili pubblicamente. Reti neurali impulsive feed-forward (FSNN) sono state impiegate per prevedere il rendimento accademico degli studenti mediante dati raccolti da piattaforme di apprendimento online e sistemi di gestione dell'apprendimento. Come illustrato in Figura 1, il flusso di lavoro computazionale proposto incorpora un dataset di valutazione educativa per identificare gli interessi degli studenti di ingegneria attraverso fasi sequenziali di pre-elaborazione dei dati, analisi dei modelli comportamentali, selezione delle caratteristiche e classificazione. Tabella 1^{23,24,25,26,27,28,29,30,31,32} riassume i metodi rappresentativi riportati negli studi precedenti, insieme alle tecniche utilizzate e alle relative limitazioni nell'identificazione dell'interesse degli studenti all'interno dei sistemi di gestione dell'apprendimento.

Figura 1: Schema per l'identificazione dell'interesse degli studenti. Flusso di lavoro complessivo dello schema proposto per l'identificazione dell'interesse degli studenti di ingegneria, che include acquisizione dei dati, pre-elaborazione, analisi dei modelli comportamentali, selezione delle caratteristiche e classificazione. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 1: Analisi del comportamento degli studenti nella gestione didattica. Sintesi di metodi, tecniche, insiemi di dati, metriche di valutazione e limitazioni riportate per l'analisi del comportamento degli studenti nella gestione didattica. Cliccare qui per scaricare questa tabella.

Il trasformatore Swin e la rete piramidale di caratteristiche leggera (FPN) sono stati applicati al rilevamento del comportamento in aula degli studenti elaborando in modo efficiente mappe di caratteristiche multiscala³³. Inoltre, una rete neurale ricorrente adattabile ottimizzata con l’algoritmo dell’ape frutticola (PFFO-ARNN) è stata utilizzata per analizzare il comportamento di apprendimento online degli studenti e prevedere il rendimento nei corsi³⁴. Studi basati sui dati di comportamento degli studenti raccolti dai sistemi universitari di gestione dell’apprendimento hanno inoltre evidenziato l’inefficienza e la natura dispendiosa in termini di tempo del monitoraggio del comportamento in aula mediante metodi convenzionali di deep learning³⁵. Tabella 2^{36,37,38,39,40,41,42,43,44,45,46,47} riassume i metodi di classificazione rappresentativi, i dataset, le metriche di valutazione e i limiti riportati per i sistemi intelligenti di gestione didattica nell’ambito dell’istruzione ingegneristica.

Tabella 2: Sistemi intelligenti di gestione didattica basati sul deep learning per l'istruzione ingegneristica. Confronto tra sistemi rappresentativi di gestione didattica basati sul deep learning, set di dati, metriche di valutazione e limitazioni riportate. Cliccare qui per scaricare questa tabella.

Uno studio precedente⁴⁸ ha sviluppato un modello di valutazione della qualità dell'insegnamento basato su reti profonde di credenza (DBNs) e ha proposto una strategia di valutazione mista per l'analisi della qualità didattica nelle università. L'approccio proposto ha superato l'algoritmo genetico (GA) convenzionale sia in termini di accuratezza di classificazione che di tempo di esecuzione, raggiungendo un'accuratezza superiore al 95% in meno di 5,4 ms. Il modello è stato addestrato utilizzando dataset educativi etichettati e valutato mediante una strategia di test indipendente^49,50. I risultati riportati hanno dimostrato un'elevata capacità predittiva, con un Errore Assoluto Medio (MAE) dello 0,593% e un Errore Quadratico Medio (RMSE) dello 0,785%.

Architetture recenti potenziate dall'attenzione, come KANFormer⁵¹, integrano l'auto-attenzione multi-testa con reti di Kolmogorov-Arnold per migliorare la previsione delle prestazioni degli studenti catturando interazioni complesse tra caratteristiche. I modelli di tracciamento della conoscenza basati su Transformer hanno inoltre dimostrato un'accuratezza predittiva e un'interpretabilità migliorate sfruttando meccanismi di attenzione per modellare le traiettorie di apprendimento degli studenti⁵². Sebbene le architetture basate su Transformer e su attenzione abbiano migliorato le prestazioni nei compiti di previsione educativa modellando dipendenze contestuali e interazioni tra caratteristiche a lungo raggio, questi approcci si concentrano principalmente sulla previsione delle prestazioni degli studenti o sul tracciamento della conoscenza piuttosto che sull'identificazione degli interessi degli studenti con consapevolezza dell'incertezza attraverso modellazione cognitiva ispirata alla fisica quantistica, selezione ottimizzata delle caratteristiche e meta-apprendimento ibrido.

Nonostante i recenti progressi nell'apprendimento automatico e nell'apprendimento profondo per l'analisi educativa, i metodi esistenti per identificare gli interessi degli studenti di ingegneria presentano diverse limitazioni. Molti approcci convenzionali si concentrano principalmente sull'accuratezza predittiva trascurando la natura multifaccettata del comportamento degli studenti, inclusi i preferenze di apprendimento in evoluzione, l'incertezza comportamentale, le relazioni contestuali e le interazioni semantiche. Inoltre, questi metodi spesso si basano su tecniche tradizionali di ingegnerizzazione delle caratteristiche e su strategie deterministiche di apprendimento, che potrebbero non catturare adeguatamente modelli comportamentali non lineari o adattarsi a ambienti di apprendimento dinamici. Di conseguenza, è necessario un quadro più completo che integri una preelaborazione robusta dei dati, una modellizzazione intelligente del comportamento, una selezione adattativa delle caratteristiche e tecniche ibride di apprendimento per migliorare l'analisi di dati educativi complessi.

Per affrontare tali limitazioni, il framework proposto integra un'elaborazione robusta dei dati, una modellizzazione comportamentale di ispirazione quantistica, una selezione ottimizzata delle caratteristiche e un apprendimento neurale ibrido quantistico-classico in un flusso di lavoro computazionale unificato per identificare gli interessi degli studenti di ingegneria. Combinando questi componenti complementari, il protocollo proposto fornisce un approccio sistematico e riproducibile per analizzare dati educativi complessi al fine di supportare l'apprendimento personalizzato e il processo decisionale nell'ambito educativo.

L'obiettivo di questo studio è sviluppare e validare il framework CQEI utilizzando dati multidimensionali di tipo educativo e comportamentale per l'identificazione dell'interesse degli studenti in ingegneria. Il framework combina un'accurata pre-elaborazione dei dati, un modello cognitivo ispirato alla meccanica quantistica, una selezione ottimizzata delle caratteristiche e un classificatore neurale ibrido quantistico-classico basato su meta-apprendimento (ML-HQNC) per analizzare i comportamenti di apprendimento degli studenti e facilitare un'identificazione precisa degli interessi. Le prestazioni vengono valutate mediante metriche standard, tra cui accuratezza, punteggio F1 e area sotto la curva caratteristica operativa del ricevitore (AUC), insieme alla precisione nel rilevamento degli interessi (IDP), all'indice di stabilità dei pattern quantistici (QPSI) e al guadagno di adattabilità cross-domain (CDAG). Integrando questi componenti complementari in un unico flusso di lavoro computazionale, il framework proposto offre un approccio sistematico per l'analisi educativa e per decisioni intelligenti nel contesto educativo.

Protocollo

Questo studio ha utilizzato un dataset pubblico e anonimizzato ottenuto dal repository Kaggle. Non sono stati reclutati né coinvolti direttamente partecipanti umani, e non sono state raccolte informazioni personalmente identificabili. Pertanto, non è stato richiesto il parere etico dell'istituto né il consenso informato. Gli strumenti di ricerca utilizzati in questo studio sono elencati nella Tabella dei Materiali.

1. Panoramica del framework CQEI
Il framework proposto di Intelligenza Educativa Concettuale Ispirata al Quantum (CQEI) integra la preelaborazione dei dati, l'analisi dei modelli comportamentali, la selezione delle caratteristiche e la classificazione per identificare gli interessi degli studenti di ingegneria utilizzando il dataset di Valutazione della Qualità dell'Insegnamento ottenuto dal repository Kaggle. Il dataset è stato inizialmente preelaborato mediante il metodo di scala robusta Box-Cox IQR (BCRIS) per ridurre il rumore semantico e normalizzare le caratteristiche in ingresso. I modelli comportamentali degli studenti sono stati successivamente analizzati utilizzando il Modello Quantistico dello Stato Cognitivo (QCSM). Successivamente, l'algoritmo di Selezione delle Caratteristiche Quantistico-Potenziato basato su Swarm-Whale Optimization (QES-WOFS) è stato applicato per identificare le caratteristiche informative riducendo al contempo la ridondanza delle caratteristiche, modellando la selezione quantistica ottimale, il significato del feedback e le variazioni comportamentali transitorie. Infine, il Classificatore Ibrido Meta-Apprendimento Quantistico-Classico (ML-HQNC) integra l'apprendimento ispirato al quantum con strati semantici profondi residui per identificare gli interessi degli studenti.

Il flusso di lavoro complessivo del framework ML-HQNC proposto è illustrato nella Figura 2. Il protocollo comprendeva sei fasi sequenziali, a partire dall'acquisizione del dataset educativo dal repository Kaggle, seguita dalla pre-elaborazione dei dati mediante la scala robusta Box–Cox IQR (BCRIS), dalla trasformazione delle caratteristiche e dalla rappresentazione comportamentale tramite il Modello di Stato Cognitivo Quantistico (QCSM) e dalla selezione delle caratteristiche mediante l'algoritmo Quantistico-Potenziato di Selezione delle Caratteristiche basato su Ottimizzazione Swarm–Whale (QES-WOFS). Le caratteristiche selezionate sono state successivamente utilizzate per l'addestramento e la validazione del Classificatore Neurale Ibrido Meta-Learning Quantistico-Classico (ML-HQNC), e il framework è stato infine valutato in termini di accuratezza, punteggio F1, area sotto la curva caratteristica operativa del ricevitore (AUC), precisione nel rilevamento dell'interesse (IDP), indice di stabilità del pattern quantistico (QPSI) e guadagno di adattabilità cross-domain (CDAG).

Figura 2: Architettura ibrida meta-apprendimento di rete neurale quantistica-classica (ML-HQNC). Architettura generale del framework ML-HQNC proposto, che integra la scalatura robusta Box–Cox IQR (BCRIS) per la pre-elaborazione dei dati, il modello quantistico dello stato cognitivo (QCSM) per l'analisi dei modelli comportamentali, l'algoritmo quantistico potenziato di selezione delle caratteristiche basato sull'ottimizzazione swarm-whale (QES-WOFS) per la selezione delle caratteristiche e un apprendimento neurale ibrido quantistico-classico per la classificazione dell'interesse degli studenti. Cliccare qui per visualizzare una versione ingrandita di questa figura.

2. Dataset per la valutazione della qualità dell'insegnamento
Il framework proposto è stato sviluppato utilizzando il dataset pubblico sulla valutazione della qualità dell'insegnamento ottenuto dal repository Kaggle. Il dataset conteneva 1.014 record educativi con 14 caratteristiche multidimensionali che rappresentavano la performance accademica, i punteggi di valutazione, la frequenza, le caratteristiche didattiche e gli indicatori comportamentali degli studenti raccolti attraverso la Comprehensive Education Management Platform (CEMP). Questi attributi fornivano le informazioni educative multidimensionali necessarie per modellare le relazioni non lineari associate all'individuazione degli interessi degli studenti di ingegneria.

Come mostrato nella Figura 3, il dataset è stato suddiviso in sottoinsiemi di addestramento (80%) e di test (20%). Un totale di 800 record è stato utilizzato per addestrare il modello proposto, con 200 riservati per la valutazione delle prestazioni. Il dataset è disponibile pubblicamente all'indirizzo: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. I dataset di addestramento e di test sono stati successivamente elaborati utilizzando il framework proposto per costruire il modello di apprendimento e migliorarne la capacità predittiva.

Sebbene il set di dati sottostante sia intitolato Teaching Quality Evaluation Dataset, lo scopo di questo studio era identificare gli interessi degli studenti di ingegneria. Gli attributi educativi, comportamentali e didattici contenuti nel set di dati sono stati utilizzati come variabili di input per l'addestramento e la valutazione del framework proposto. Di conseguenza, tutti i risultati di previsione e le metriche di prestazione riportati descrivono l'efficacia del framework nell'identificare gli interessi degli studenti di ingegneria, piuttosto che valutare la qualità dell'insegnamento. Prima della pre-elaborazione dei dati, il set di dati importato è stato verificato per assicurare che tutti e 1.014 i record fossero stati caricati correttamente, che lo schema del set di dati corrispondesse al formato previsto e che eventuali record mancanti o duplicati fossero stati identificati e gestiti.

3. Pre-elaborazione dei dati mediante scala robusta IQR di Box–Cox (BCRIS)
Il metodo della Scala Robusta IQR di Box–Cox (BCRIS) è stato utilizzato per pre-elaborare e normalizzare il dataset educativo combinando la trasformazione di Box–Cox con una scala robusta basata sull'intervallo interquartile (IQR) al fine di ridurre l'influenza dei valori estremi. Una correzione della simmetria abbinata a una normalizzazione centrata sulla mediana ha generato rappresentazioni delle caratteristiche statisticamente stabili e scalabili, adatte per analisi successive. All'interno del framework proposto di intelligenza educativa, la BCRIS ha trasformato indicatori multidimensionali di tipo educativo, didattico e comportamentale in rappresentazioni delle caratteristiche con varianza controllata. Caratteristiche come attendance_rate, interactive_sessions_percentage e altre variabili educative correlate sono state normalizzate per migliorare la coerenza tra i dataset di addestramento e di verifica. Spiegazioni matematiche dettagliate sono fornite nel File Supplementare 1 (Sezione S1). Il metodo BCRIS ha fornito una strategia di pre-elaborazione compatibile con approcci quantistici, in grado di normalizzare dati eterogenei di tipo educativo prima di successive analisi statistiche, preservando al contempo le caratteristiche comportamentali fondamentali necessarie per la modellizzazione successiva. Prima dell'analisi comportamentale, la pipeline di pre-elaborazione è stata verificata per assicurare che il dataset normalizzato non contenesse valori non validi o mancanti, che il rumore semantico fosse stato ridotto e che le caratteristiche elaborate fossero adatte per la modellizzazione comportamentale successiva.

4. Trasformazione delle caratteristiche e rappresentazione del comportamento mediante il modello quantistico dello stato cognitivo (QCSM)
Il modello quantistico dello stato cognitivo (QCSM) è stato implementato per modellare la dinamica degli interessi degli studenti di ingegneria utilizzando rappresentazioni probabilistiche ispirate alla meccanica quantistica. L'interesse dello studente è stato rappresentato come sovrapposizione di più stati concettuali che riflettevano la gerarchia dei concetti cognitivi, l'incertezza, la sovrapposizione concettuale, l'engagement simultaneo con più argomenti, comportamenti di apprendimento esitanti o indecisi e la probabilità di cambiamenti nelle preferenze di apprendimento. Gli indicatori multidimensionali provenienti dal dataset di Valutazione della Qualità dell'Insegnamento in Ingegneria, inclusi Student_Avg_Score, Attendance_rate e Student_Feedback_Rating, sono stati rappresentati come transizioni cognitive pesate in ampiezza all'interno di uno spazio di stato quantistico normalizzato. Il QCSM ha combinato transizioni di stato quantistico con allineamento concettuale basato sull'interferenza per generare rappresentazioni cognitive ispirate alla meccanica quantistica che riflettevano la stabilità e l'evoluzione dell'interesse degli studenti nel tempo. Formulazioni matematiche dettagliate sono fornite nel File Supplementare 1 (Sezione S2). Il QCSM ha modellato stati cognitivi probabilistici per rappresentare l'acquisizione di conoscenze, il cambiamento concettuale, l'engagement nell'apprendimento e l'interesse per la materia attraverso rappresentazioni normalizzate di stato quantistico. Le rappresentazioni comportamentali sono state verificate su tutti i record degli studenti per garantire che le caratteristiche estratte degli stati cognitivi catturassero accuratamente i comportamenti di apprendimento e le transizioni tra argomenti.

5. Selezione delle caratteristiche mediante l'algoritmo Quantum-Enhanced Swarm–Whale Optimization Feature Selector (QES-WOFS)
L'algoritmo Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) è stato utilizzato per identificare il sottoinsieme ottimale di caratteristiche e determinare le caratteristiche comportamentali ad alto contenuto informativo a partire da dati educativi multidimensionali. Meccanismi di ricerca ispirati alla fisica quantistica hanno potenziato l'integrazione tra strategie di ricerca globale e locale per l'ottimizzazione delle caratteristiche. Le variabili educative, tra cui interactive_sessions_percentage, assignments_time_percentage e course_completion_rate, sono state valutate in base alla loro correlazione con l'esito target. I sottoinsiemi di caratteristiche candidati sono stati modellati utilizzando rappresentazioni probabilistiche quantistiche, mentre un meccanismo di effetto tunnel quantistico ha consentito transizioni probabilistiche al di là degli ottimi locali. L'importanza delle caratteristiche è stata stimata mediante la verosimiglianza marginale, al fine di quantificare il contributo di ciascuna caratteristica alle prestazioni di classificazione e agli stati adattivi dello sciame. L'algoritmo QES-WOFS ha selezionato caratteristiche stabili e significative dal punto di vista comportamentale, migliorando la robustezza al rumore, alle variazioni da semestre a semestre e alle fluttuazioni comportamentali periodiche.

Per superare i limiti associati all'uso indipendente dell'algoritmo di ottimizzazione basato sui balenotteri (WOA) o dell'ottimizzazione basata su sciami di particelle (PSO), l'algoritmo QES-WOFS combina l'esplorazione globale basata su PSO con lo sfruttamento locale basato su WOA. Un meccanismo di effetto tunnel quantistico ha inoltre permesso transizioni probabilistiche al di là degli ottimi locali, aumentando così la diversità della popolazione, riducendo la ridondanza delle caratteristiche e migliorando la convergenza verso un sottoinsieme ottimale di caratteristiche per l'identificazione dell'interesse degli studenti di ingegneria.

Formulazioni matematiche dettagliate sono fornite nel File Supplementare 1 (Sezione S3). L'algoritmo QES-WOFS ha combinato la codifica quantistica probabilistica delle caratteristiche, una strategia di velocità adattata dalla PSO e un meccanismo di ricerca a spirale ispirato alle balene per identificare le caratteristiche educative più informative. Gli iperparametri sono stati ottimizzati empiricamente utilizzando il dataset di addestramento. I valori candidati sono stati valutati attraverso esperimenti sistematici, e la combinazione che ha prodotto le migliori prestazioni di validazione è stata selezionata. In particolare, il parametro della trasformazione Box–Cox (λ = 0.25), il margine della loss contrastiva (m = 1.0) e i coefficienti del tunnel quantistico (α = 0.7 e β = 0.3) sono stati scelti in base all'accuratezza di validazione, al punteggio F1 e al comportamento di convergenza. Prima dell'addestramento del classificatore, i risultati della selezione delle caratteristiche sono stati verificati per assicurare che l'algoritmo QES-WOFS avesse selezionato il sottoinsieme ottimale di caratteristiche ed eliminato quelle ridondanti o con bassa importanza.

6. Addestramento e validazione del modello mediante il classificatore neurale ibrido quantistico-classico basato sull'apprendimento metacognitivo (ML-HQNC)
Il classificatore neurale ibrido quantistico-classico basato sull'apprendimento metacognitivo (ML-HQNC) è stato implementato combinando reti neurali profonde con computazioni ispirate alla meccanica quantistica per identificare gli interessi degli studenti di ingegneria. Meccanismi di attenzione quantistica multistrato e strati semantici residui profondi hanno catturato relazioni non lineari complesse all'interno di dati educativi multidimensionali rappresentati mediante circuiti quantistici variabili (VQCs). Caratteristiche derivate dal comportamento, tra cui student_average_grade, attendance_rate e student_feedback_rating, sono state proiettate in uno spazio di stato quantistico, dove gli ingressi normalizzati sono stati trasformati in rappresentazioni quantistiche basate sull'ampiezza per modellare schemi di coinvolgimento sovrapposti e probabilistici. I vettori normalizzati delle caratteristiche comportamentali degli studenti sono stati calcolati secondo le equazioni fornite nel File Supplementare 1 (Sezione S4). L'ML-HQNC ha successivamente classificato e identificato gli interessi degli studenti di ingegneria.

Il classificatore ML-HQNC ha utilizzato una strategia di apprendimento meta-episodico durante l'addestramento. A ciascun episodio è stato assegnato un compito di apprendimento meta scelto casualmente dal dataset di addestramento. Mantenendo la distribuzione delle classi, i dati di addestramento sono stati suddivisi in un insieme di supporto (80%) e un insieme di query (20%). L'insieme di supporto è stato utilizzato per l'adattamento dei parametri specifici del compito attraverso il ciclo interno di ottimizzazione, mentre l'insieme di query ha valutato il modello adattato e calcolato la meta-perdita utilizzata per aggiornare i parametri condivisi. Un totale di 100 compiti di apprendimento meta è stato generato durante ogni ciclo di addestramento. Per l'adattamento nel ciclo interno sono stati effettuati cinque passaggi di aggiornamento del gradiente con un tasso di apprendimento interno di 0,001, mentre l'ottimizzatore Adam con un tasso di apprendimento esterno di 0,0005 ha ottimizzato i meta-parametri. Il campionamento casuale dei compiti è stato ripetuto per ogni epoca di addestramento per esporre il modello a schemi comportamentali diversi e migliorare la generalizzazione a profili di studenti precedentemente non osservati. La stima della perdita per l'allineamento contrastivo quantistico è descritta nel Supplementary File 1 (Equations 41–45). L'addestramento del modello è stato verificato per assicurare una convergenza corretta senza errori computazionali e per garantire che le curve di perdita di addestramento e di validazione si fossero stabilizzate nel corso delle epoche successive.

Risultati

Il framework proposto ML-HQNC è stato valutato rispetto a Fast R-CNN, Bi-LSTM, CNN e XGBoost utilizzando metriche di classificazione convenzionali, tra cui Accuratezza, Precisione, Richiamo, punteggio F1 e l'area sotto la curva caratteristica operativa del ricevitore (AUC), insieme alle metriche di valutazione proposte Precisione nel Rilevamento dell'Interesse (IDP), Indice di Stabilità del Pattern Quantistico (QPSI) e Guadagno di Adattabilità Cross-Dominio (CDAG). Le definizioni matematiche di queste metriche sono fornite nel File Supplementare 1 (Sezione S5).

Per valutare la robustezza del framework proposto, tutti gli esperimenti sono stati ripetuti cinque volte utilizzando diverse inizializzazioni casuali. I valori di prestazione riportati sono espressi come media ± deviazione standard calcolata sulle cinque esecuzioni. La significatività statistica tra il framework proposto e i modelli di riferimento è stata valutata mediante un test t per campioni appaiati, considerando statisticamente significativo un valore di p < 0,05.

Come riassunto nella Tabella Supplementare 1, gli esperimenti di simulazione sono stati condotti utilizzando il Dataset di Valutazione della Qualità dell'Insegnamento contenente 1.014 record. Un totale di 800 record è stato utilizzato per l'addestramento del modello, mentre 200 record sono stati riservati per i test. Il framework proposto ML-HQNC e i modelli di confronto sono stati implementati nell'ambiente Jupyter Notebook utilizzando Python. L'attributo Teaching_Quality ha funto da variabile obiettivo originale nel Dataset di Valutazione della Qualità dell'Insegnamento disponibile pubblicamente ed era composto da due classi, Good e Excellent. Queste etichette sono state utilizzate come obiettivi di previsione per l'addestramento e la valutazione del framework ML-HQNC. Le categorie di previsione risultanti sono riassunte nella Tabella 3. La Tabella Supplementare 2 riporta i risultati di validazione della fase di preelaborazione Box–Cox Robust IQR Scaling (BCRIS). La pipeline di preelaborazione ha rimosso record mancanti e duplicati, ridotto l'influenza degli outlier, normalizzato le distribuzioni delle caratteristiche e migliorato la coerenza semantica e comportamentale prima della trasformazione delle caratteristiche e dell'addestramento del modello.

Tabella 3: Variabile target del Dataset di Valutazione della Qualità dell'Insegnamento. Descrizione della variabile target originale Teaching_Quality e delle sue categorie di classificazione (Buono ed Eccellente) utilizzate per l'addestramento e la valutazione del modello. Cliccare qui per scaricare questa tabella.

Tabella Supplementare 3 presenta le caratteristiche rappresentative generate dal Modello dello Stato Cognitivo Quantistico (QCSM). Le caratteristiche estratte descrivono il comportamento di apprendimento degli studenti, inclusi lo stato cognitivo, l'impegno, l'incertezza, le transizioni tra argomenti e la coerenza comportamentale, e sono state utilizzate come input per la successiva fase di selezione delle caratteristiche QES-WOFS. La Tabella Supplementare S4 elenca le caratteristiche finali selezionate dall'algoritmo QES-WOFS insieme alle loro categorie, ai livelli relativi di influenza e ai ruoli funzionali all'interno del framework proposto. Le caratteristiche delle caratteristiche comportamentali multidimensionali estratte sono riassunte nella Tabella Supplementare 5. Tabella Supplementare 6 presenta le strutture rappresentative dei collegamenti generate durante la rappresentazione comportamentale per le due classi di previsione (Buono ed Eccellente).

Come mostrato in Figura 4 e Tabella 4, il framework proposto ML-HQNC ha ottenuto il punteggio F1 più alto (87,9%) tra i metodi valutati. I corrispondenti punteggi F1 per Fast R-CNN, Bi-LSTM, CNN e XGBoost sono stati rispettivamente del 77,9%, 80,2%, 82,8% e 85,8%. La significatività statistica è stata valutata mediante un test t indipendente a due code (p < 0,05).

Figura 5 e Tabella 5 riassumono i risultati dell'Interest Detection Precision (IDP). Il framework proposto ML-HQNC ha raggiunto un IDP del 89,3%, rispetto al 79,11%, 82,12%, 84,6% e 87,10% di Fast R-CNN, Bi-LSTM, CNN e XGBoost, rispettivamente. Figura 6 e Tabella 6 presentano i risultati dell'Indice di Stabilità del Pattern Quantistico (QPSI). Il framework proposto ha ottenuto un valore QPSI del 92,7%, mentre Fast R-CNN, Bi-LSTM, CNN e XGBoost hanno raggiunto rispettivamente l'81,1%, l'84,11%, l'87,4% e il 90,9%. Figura 7 e Tabella 7 riassumono i risultati del Guadagno di Adattabilità Cross-Dominio (CDAG). Il framework proposto ML-HQNC ha ottenuto il valore CDAG più alto (0,95), rispetto a Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) e XGBoost (0,86). Come mostrato in Figura 8 e Tabella 8, il framework proposto ML-HQNC ha raggiunto la più alta accuratezza di classificazione (96,17%). Le accuratezze corrispondenti per Fast R-CNN, Bi-LSTM, CNN e XGBoost sono state rispettivamente l'85,10%, l'87,21%, il 90,14% e il 93,19%. Figura 9 e Tabella 9 presentano il tempo computazionale richiesto da ciascun metodo. Il framework proposto ML-HQNC ha richiesto 9,02 ms, mentre Fast R-CNN, Bi-LSTM, CNN e XGBoost hanno richiesto rispettivamente 31,2 ms, 27,5 ms, 22,4 ms e 17,6 ms. Figura 10 presenta l'analisi della caratteristica operativa del ricevitore (ROC). Il framework proposto ML-HQNC ha ottenuto un AUC di 0,944, indicando un'elevata percentuale di veri positivi e una bassa percentuale di falsi positivi attraverso la soglia di classificazione valutata.

Figura 4: Confronto del punteggio F1 su diverse dimensioni del dataset. Confronto del punteggio F1 ottenuto da ML-HQNC e dai modelli concorrenti su diverse dimensioni del dataset. I risultati sono riportati come media ± deviazione standard su cinque ripetizioni sperimentali indipendenti (n = 5). Le barre di errore rappresentano una deviazione standard. La significatività statistica è stata valutata mediante un test t indipendente a due code (p < 0,05). Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 4: Confronto del punteggio F1 su diverse dimensioni del dataset. Confronto del punteggio F1 ottenuto da ML-HQNC e dai modelli concorrenti. I risultati sono riportati come media ± deviazione standard su cinque esecuzioni sperimentali indipendenti (n = 5). Cliccare qui per scaricare questa tabella.

Figura 5: Confronto della precisione nel rilevamento dell'interesse (IDP) in base alle diverse dimensioni del dataset. Confronto della precisione nel rilevamento dell'interesse (IDP) ottenuta da ML-HQNC e modelli concorrenti in base a diverse dimensioni del dataset. I risultati sono espressi come media ± deviazione standard su cinque ripetizioni sperimentali indipendenti (n = 5). Le barre di errore rappresentano una deviazione standard. La significatività statistica è stata valutata mediante un test t indipendente a due code (p < 0,05). Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 5: Confronto della precisione nel rilevamento dell'interesse (IDP) su diverse dimensioni del dataset. Confronto della precisione nel rilevamento dell'interesse (IDP) ottenuta da ML-HQNC e modelli concorrenti. I risultati sono riportati come media ± deviazione standard su cinque esecuzioni sperimentali indipendenti (n = 5). Cliccare qui per scaricare questa tabella.

Figura 6: Confronto dell'Indice di Stabilità del Pattern Quantistico (QPSI) su diverse dimensioni del dataset. Confronto dell'Indice di Stabilità del Pattern Quantistico (QPSI) ottenuto dal modello ML-HQNC e dai modelli concorrenti su diverse dimensioni del dataset. I risultati sono riportati come media ± deviazione standard su cinque ripetizioni sperimentali indipendenti (n = 5). Le barre di errore rappresentano una deviazione standard. La significatività statistica è stata valutata mediante un test t indipendente a due code (p < 0,05). Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 6: Confronto dell'indice di stabilità dei pattern quantistici (QPSI) su diverse dimensioni del dataset. Confronto dell'indice di stabilità dei pattern quantistici (QPSI) ottenuto da ML-HQNC e modelli concorrenti. I risultati sono riportati come media ± deviazione standard su cinque esecuzioni sperimentali indipendenti (n = 5). Cliccare qui per scaricare questa tabella.

Figura 7: Confronto del guadagno di adattabilità tra domini (CDAG) in funzione delle dimensioni del dataset. Confronto del guadagno di adattabilità tra domini (CDAG) ottenuto dal modello ML-HQNC e dai modelli concorrenti in funzione delle dimensioni del dataset. I risultati sono espressi come media ± deviazione standard su cinque ripetizioni sperimentali indipendenti (n = 5). Le barre di errore rappresentano una deviazione standard. La significatività statistica è stata valutata mediante un test t indipendente a due code (p < 0,05). Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 7: Confronto del guadagno di adattabilità cross-domain (CDAG) in base alle diverse dimensioni del dataset. Confronto del guadagno di adattabilità cross-domain (CDAG) ottenuto da ML-HQNC e dai modelli concorrenti. I risultati sono espressi come media ± deviazione standard su cinque ripetizioni sperimentali indipendenti (n = 5). Cliccare qui per scaricare questa tabella.

Figura 8: Confronto dell'accuratezza di classificazione con diverse dimensioni del dataset. Confronto dell'accuratezza di classificazione ottenuta dal modello ML-HQNC e dai modelli concorrenti con diverse dimensioni del dataset. I risultati sono riportati come media ± deviazione standard su cinque ripetizioni sperimentali indipendenti (n = 5). Le barre di errore rappresentano una deviazione standard. La significatività statistica è stata valutata mediante un test t indipendente a due code (p < 0,05). Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 8: Confronto dell'accuratezza di classificazione tra diversi dimensioni del dataset. Confronto dell'accuratezza di classificazione ottenuta da ML-HQNC e modelli concorrenti. I risultati sono riportati come media ± deviazione standard su cinque esecuzioni sperimentali indipendenti (n = 5). Cliccare qui per scaricare questa tabella.

Figura 9: Confronto del tempo di calcolo su diverse dimensioni dei dataset. Confronto del tempo di esecuzione computazionale di ML-HQNC e modelli concorrenti su diverse dimensioni dei dataset. I risultati sono riportati come media ± deviazione standard su cinque esecuzioni sperimentali indipendenti (n = 5). Le barre di errore rappresentano una deviazione standard. Valori più bassi indicano un tempo di esecuzione computazionale più breve. La significatività statistica è stata valutata mediante un test t indipendente a due code (p < 0,05). Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 9: Confronto del tempo computazionale su diverse dimensioni dei dataset. Confronto del tempo di esecuzione computazionale di ML-HQNC e modelli concorrenti. I risultati sono riportati come media ± deviazione standard su cinque esecuzioni sperimentali indipendenti (n = 5). Valori più bassi indicano un tempo di esecuzione computazionale più breve. Cliccare qui per scaricare questa tabella.

Figura 10: Confronto dell'area sotto la curva caratteristica operativa del ricevitore (AUC). Confronto dell'AUC ottenuta da ML-HQNC e dai modelli concorrenti per l'identificazione dell'interesse degli studenti di ingegneria. I valori di AUC riportati corrispondono a un'unica esecuzione sperimentale; pertanto, non vengono presentate barre di errore né analisi di significatività statistica. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura supplementare 1 presenta la matrice di correlazione delle variabili comportamentali rappresentative. Sono state osservate forti correlazioni positive tra Avg_Score e Course_Completion_Rate (0,81) e tra Attendance_Rate e Course_Completion_Rate (0,75). Correlazioni moderate sono state osservate tra Avg_Score e Course_Completion (0,72) e tra Attendance_Rate e Time_Assignment_Percentage (0,74). Figure supplementari 2 e 3, insieme alla Tabella 10, riassumono le mappe di accuratezza per la fase di addestramento e di verifica. Il framework proposto ML-HQNC ha raggiunto un'accuratezza di addestramento del 96,1% e un'accuratezza di verifica del 93,8%, superando le prestazioni dei metodi di confronto. Figure supplementari 4 e 5, insieme alla Tabella 11, riassumono l'analisi di convergenza. Il framework proposto ML-HQNC ha ottenuto la perdita minore durante l'addestramento (0,21) e durante la verifica (0,26), con una convergenza stabile durante tutto il processo di ottimizzazione.

Tabella 12 riassume le prestazioni complessive del framework proposto ML-HQNC e dei metodi di confronto rispetto a tutte le metriche di valutazione. Il framework proposto ha ottenuto le prestazioni più elevate per Accuratezza, F1-score, AUC, IDP, QPSI e CDAG, richiedendo al contempo il tempo computazionale più breve tra i metodi valutati. Tabella 13 presenta l'analisi ablativa suddivisa per componenti del framework proposto. L'incorporazione progressiva dello stadio di pre-elaborazione BCRIS, della rappresentazione comportamentale QCSM, dell'algoritmo di selezione delle caratteristiche QES-WOFS e del classificatore completo ML-HQNC ha determinato miglioramenti incrementali nelle prestazioni di classificazione, dimostrando il contributo di ciascun componente all'intero framework.

Tabella 10: Confronto tra precisione nel training e nel testing. Confronto della precisione raggiunta durante l'addestramento e il test da ML-HQNC e dai modelli concorrenti. I valori riportati corrispondono a un'unica esecuzione sperimentale. Cliccare qui per scaricare questa tabella.

Tabella 11: Confronto tra la perdita nel training e nel testing. Confronto della perdita nel training e nel testing ottenuta da ML-HQNC e dai modelli concorrenti. I valori riportati corrispondono a un'unica esecuzione sperimentale. Cliccare qui per scaricare questa tabella.

Tabella 12: Confronto delle prestazioni complessive. Confronto tra ML-HQNC e modelli concorrenti utilizzando diverse metriche di valutazione. I risultati sono riportati come media ± deviazione standard su cinque ripetizioni sperimentali indipendenti (n = 5). Cliccare qui per scaricare questa tabella.

DISPONIBILITÀ DEI DATI:
Il set di dati originale per la valutazione della qualità dell'insegnamento utilizzato in questo studio è disponibile pubblicamente nel repository Kaggle (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). L'accesso al set di dati potrebbe richiedere l'autenticazione dell'utente ed è soggetto ai termini d'uso di Kaggle. Per favorire la riproducibilità rispettando le condizioni di licenza del set di dati originale, le risorse generate dallo studio—compreso il set di dati sintetico, il codice sorgente, i file di implementazione e configurazione, le descrizioni delle caratteristiche, il flusso di lavoro di preelaborazione e la documentazione di supporto necessaria per riprodurre gli esperimenti descritti—sono state depositate in un repository Zenodo accessibile pubblicamente: https://doi.org/10.5281/zenodo.21393413.

Figura 3: Raccolta delle caratteristiche del dataset per la valutazione della qualità dell'insegnamento. Struttura e composizione delle caratteristiche del dataset per la valutazione della qualità dell'insegnamento utilizzato per l'identificazione dell'interesse degli studenti di ingegneria. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura supplementare 1: Matrice di correlazione delle caratteristiche. Matrice di correlazione che mostra le relazioni a coppie tra le variabili educative e comportamentali rappresentative utilizzate dal framework ML-HQNC proposto. Cliccare qui per scaricare il file.

Figura supplementare 2: Confronto dell'accuratezza nell'addestramento. Confronto dell'accuratezza di addestramento raggiunta da ML-HQNC e dai modelli concorrenti durante il processo di addestramento. Cliccare qui per scaricare il file.

Figura supplementare 3: Confronto dell'accuratezza nei test. Confronto dell'accuratezza nei test ottenuta da ML-HQNC e dai modelli concorrenti durante il processo di verifica. Cliccare qui per scaricare il file.

Figura supplementare 4: Analisi della perdita durante l'addestramento. Confronto della perdita durante l'addestramento ottenuta da ML-HQNC e dai modelli concorrenti durante l'ottimizzazione del modello. Cliccare qui per scaricare il file.

Figura supplementare 5: Analisi della perdita nel test. Confronto della perdita nel test ottenuta da ML-HQNC e dai modelli concorrenti durante la valutazione del modello.  Cliccare qui per scaricare il file.

Tabella supplementare 1: Parametri di simulazione e impostazioni sperimentali. Sintesi dei parametri di simulazione, dell'ambiente di implementazione, della suddivisione del dataset e delle impostazioni sperimentali utilizzate per valutare il framework proposto ML-HQNC. Cliccare qui per scaricare il file.

Tabella supplementare 2: Risultati della validazione della fase di preelaborazione Box–Cox Robust IQR Scaling (BCRIS). Confronto delle caratteristiche rappresentative del set di dati prima e dopo il preelaborazione, inclusi valori mancanti, record duplicati, gestione degli outlier, normalizzazione delle caratteristiche e coerenza dei dati. Cliccare qui per scaricare il file.

Tabella supplementare 3: Caratteristiche rappresentative generate dal modello dello stato cognitivo quantistico (QCSM). Caratteristiche comportamentali rappresentative generate dal QCSM a seguito della pre-elaborazione dei dati, inclusi indicatori di stato cognitivo, grado di coinvolgimento, incertezza, transizione tra argomenti e coerenza comportamentale. Cliccare qui per scaricare il file.

Tabella supplementare 4: Caratteristiche selezionate dall'algoritmo Quantistico di Selezione delle Caratteristiche Ottimizzato con Sciami e Balene (QES-WOFS). Sottoinsieme finale di caratteristiche selezionato dall'algoritmo QES-WOFS, insieme alle relative categorie di caratteristiche, ai livelli di influenza relativi e ai ruoli funzionali all'interno del framework proposto. Cliccare qui per scaricare il file.

Tabella supplementare 5: Categorie di previsione della qualità dell'insegnamento. Descrizione delle categorie di previsione e delle caratteristiche comportamentali rappresentative utilizzate dal framework proposto ML-HQNC. Cliccare qui per scaricare il file.

Tabella supplementare 6: Analisi della sensibilità del margine. Riepilogo dell'analisi della sensibilità del margine utilizzata durante la valutazione del modello. Cliccare qui per scaricare il file.

File Supplementare 1: Metodi Supplementari, Formulazioni Matematiche, Metriche di Valutazione e Tabelle Supplementari. Questo file contiene le formulazioni matematiche dettagliate per la Scalatura Box–Cox Robust IQR (BCRIS), il Modello Quantistico di Stato Cognitivo (QCSM), la Selezione di Caratteristiche tramite Ottimizzazione Ibrida Sciame-Balena Quantistica (QES-WOFS) e il Classificatore Ibrido Meta-Apprendimento Quantistico-Classico (ML-HQNC) descritti nel protocollo principale. Include inoltre le definizioni delle metriche di valutazione, dei parametri di simulazione, delle impostazioni sperimentali e delle Tabelle Supplementari S1–S6 a supporto dei risultati presentati nel manoscritto principale. Cliccare qui per scaricare il file.

Discussione

Il framework proposto ML-HQNC ha dimostrato prestazioni migliorate nell'identificazione dell'interesse degli studenti di ingegneria, integrando una modellizzazione comportamentale ispirata alla meccanica quantistica, una selezione adattativa delle caratteristiche e un apprendimento meta in un flusso di lavoro computazionale unificato. Rispetto a Fast R-CNN, Bi-LSTM, CNN e XGBoost, il framework ha ottenuto costantemente prestazioni superiori in tutte le metriche convenzionali di classificazione e nelle metriche comportamentali proposte. Questi risultati suggeriscono che la combinazione di una rappresentazione dello stato cognitivo ispirata alla meccanica quantistica con un'ottimizzazione adattativa delle caratteristiche ha migliorato la capacità del framework di modellare comportamenti educativi complessi mantenendo al contempo prestazioni di classificazione robuste. Il ridotto tempo computazionale e la piccola differenza tra le prestazioni su training e testing indicano inoltre un'ottimizzazione stabile e una buona capacità di generalizzazione.

I metri di valutazione proposti si sono affiancati alle misure convenzionali di classificazione fornendo informazioni aggiuntive sulla modellizzazione del comportamento. La Precisione nel Rilevamento dell'Interesse (IDP) ha quantificato l'accuratezza nell'identificazione dell'interesse, l'Indice di Stabilità dei Pattern Quantistici (QPSI) ha valutato la stabilità delle rappresentazioni comportamentali ispirate alla meccanica quantistica e il Guadagno di Adattabilità Cross-Dominio (CDAG) ha misurato la capacità del framework di generalizzare attraverso diverse partizioni dei dati. Nel complesso, queste misure hanno fornito una valutazione più ampia delle prestazioni del modello rispetto ai soli metri convenzionali di previsione.

L'analisi di ablazione componente per componente (Tabella 13) ha ulteriormente dimostrato il contributo di ogni fase del flusso di lavoro proposto. L'inclusione della fase di pre-elaborazione Box–Cox Robust IQR Scaling (BCRIS) ha migliorato la coerenza dei dati riducendo l'influenza degli outlier e generando rappresentazioni delle caratteristiche normalizzate. Il modello quantistico dello stato cognitivo (Quantum Cognitive State Model, QCSM) ha trasformato le variabili educative multidimensionali in rappresentazioni comportamentali in grado di catturare incertezza, coinvolgimento e preferenze di apprendimento in evoluzione. La successiva selezione delle caratteristiche mediante l'algoritmo Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) ha ridotto la ridondanza delle caratteristiche mantenendo al contempo le caratteristiche comportamentali informative. Infine, l'integrazione di questi componenti all'interno del classificatore neurale ibrido meta-apprendimento quantistico-classico (Meta-Learning Hybrid Quantum-Classical Neural Classifier, ML-HQNC) ha migliorato le prestazioni di classificazione e la capacità di generalizzazione rispetto ai modelli di base.

Il protocollo proposto è finalizzato all'identificazione degli interessi degli studenti di ingegneria mediante dati educativi e comportamentali multidimensionali raccolti da ambienti di apprendimento digitali. Il flusso di lavoro computazionale può supportare l'apprendimento personalizzato, la consulenza accademica, la progettazione del curriculum e la gestione intelligente dell'istruzione, fornendo un approccio sistematico per analizzare i comportamenti di apprendimento degli studenti e identificare gli interessi in evoluzione. Il framework è particolarmente adatto a dataset educativi strutturati contenenti variabili comportamentali, accademiche e contestuali.

L'implementazione di successo dipende dalla disponibilità di dati educativi di alta qualità e di risorse computazionali adeguate. Prima dell'analisi, i dataset educativi devono essere esaminati per individuare valori mancanti, record duplicati e incongruenze, poiché la qualità dei dati influenza direttamente la pre-elaborazione e la modellizzazione comportamentale successiva. Rappresentazioni stabili delle caratteristiche dipendono anche da una pre-elaborazione appropriata, dalla trasformazione delle caratteristiche e dall'ottimizzazione degli iperparametri. Durante l'addestramento del modello, la convergenza deve essere monitorata attraverso le curve di perdita di addestramento e di validazione, e i parametri di ottimizzazione devono essere aggiustati quando necessario per mantenere un comportamento di apprendimento stabile.

Sebbene il framework abbia dimostrato prestazioni efficaci utilizzando il dataset valutato, è necessario considerare diversi limiti. Il protocollo è stato convalidato utilizzando un singolo dataset educativo disponibile pubblicamente, e ulteriori valutazioni mediante dataset educativi più ampi, multi-istituzionali e più diversificati sono necessarie per valutare meglio la generalizzabilità. Inoltre, il framework ibrido ispirato al calcolo quantistico richiede maggiori risorse computazionali rispetto agli approcci convenzionali di apprendimento automatico a causa dei suoi componenti di pre-elaborazione, ottimizzazione e apprendimento ibrido. Il framework dipende anche da dati educativi ben annotati, e le prestazioni potrebbero essere influenzate da dataset incompleti, rumorosi o fortemente sbilanciati.

I lavori futuri si concentreranno sull'estendere il framework all'identificazione multiclasse degli interessi degli studenti a granularità più fine, sull'integrazione di ulteriori modalità di dati educativi come feedback testuali, comportamenti temporali di apprendimento e registri di attività in tempo reale dei sistemi di gestione dell'apprendimento, e sulla valutazione del protocollo in diversi contesti educativi per l'ingegneria. Un'ulteriore ottimizzazione del flusso di lavoro computazionale potrebbe inoltre migliorare la scalabilità e facilitare il deployment in sistemi di gestione educativa su larga scala.

In sintesi, il framework proposto ML-HQNC fornisce un flusso di lavoro computazionale riproducibile per l'identificazione dell'interesse degli studenti in ingegneria mediante dati educativi multidimensionali. Integrando una preelaborazione robusta, una modellizzazione comportamentale ispirata al calcolo quantistico, una selezione adattativa delle caratteristiche e un apprendimento neurale ibrido quantistico-classico, il framework ha ottenuto prestazioni di classificazione migliorate mantenendo un'ottimizzazione stabile ed un'elaborazione efficiente. Queste caratteristiche ne supportano l'applicazione potenziale nell'analisi educativa intelligente e nella gestione dell'insegnamento dell'ingegneria.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Modelli di base (Fast R-CNN, Bi-LSTM, CNN, XGBoost)	Implementazioni open source	Fast R-CNN (2015); implementazione TensorFlow/Keras v2.16; XGBoost v2.1.1	Modelli di riferimento utilizzati per la valutazione comparativa delle prestazioni.
Modulo di preelaborazione BCRIS	Sviluppato nel presente studio	Versione 1.0	Modulo personalizzato di preelaborazione che implementa la trasformazione Box-Cox e la normalizzazione robusta IQR.
Jupyter Notebook	Project Jupyter	Versione 7.2.2	Ambiente interattivo di sviluppo utilizzato per implementazione, addestramento e verifica.
Classificatore ML-HQNC	Sviluppato nel presente studio	Versione 1.0	Classificatore ibrido proposto di rete neurale quantistica-classica con framework di meta-apprendimento.
Python	Fondazione Python Software	Versione 3.11.9	Linguaggio di programmazione utilizzato per lo sviluppo e l'esperimentazione del modello.
PyTorch	Fondazione PyTorch	Versione 2.5.1	Framework di deep learning utilizzato per l'implementazione e l'addestramento del modello.
Modello QCSM	Sviluppato nel presente studio	Versione 1.0	Modello quantistico cognitivo proposto per la rappresentazione dei modelli comportamentali.
Algoritmo QES-WOFS	Sviluppato nel presente studio	Versione 1.0	Algoritmo proposto di selezione delle caratteristiche basato su sciami quantistici ottimizzati con balene (Quantum-Enhanced Swarm–Whale Optimization Feature Selection).
Scikit-learn	Sviluppatori di Scikit-learn	Versione 1.6.1	Libreria di machine learning utilizzata per preelaborazione, selezione delle caratteristiche e valutazione.