A social and emotional learning methodology leveraging social network analysis, knowledge graphs and generative artificial intelligence

Abstract

Quite a lot of effort has been put into developing Social and Emotional Learning (SEL) programs in K-12 schools (from kindergarten to high school). However, there are many challenges that hamper the wide adoption of SEL methodologies, starting from the existence of a plethora of heterogeneous frameworks that apply SEL in many different ways, the lack of open Emotional Intelligence (EI) models, the high workload among teachers, and the difficulty of implementing holistic methodologies that simultaneously integrate assessment, planning, implementation, and monitoring. Information and Communication Technologies (ICT) can help teachers with this task by automating routine tasks such as secure data collection, continuous progress tracking, planning of SEL activities, and real-time feedback, freeing up their time and energy for more meaningful student participation and personalized learning during the implementation of the SEL program. By simplifying workflows, ICT not only reduces administrative burden, but also empowers teachers with focused knowledge in the domain of social and emotional learning, enhancing at the same time their technological skills. The objective of this dissertation is to propose a comprehensive ICT-enabled SEL methodology that covers the entire lifecycle of a SEL program in primary and secondary schools. Unlike existing approaches that focus on specific phases, the proposed methodology spans from teacher training and student assessment to the design of targeted interventions, the formation of working subgroups, and the analysis of program impact, providing for each phase both a theoretical foundation and practical open-source digital tools to support educators and students. Specifically, it combines concepts from the field of Emotional Intelligence and sociometry for student assessment, Social Network Analysis techniques for the visualization and interpretation of classroom social dynamics, multi-criteria partitioning algorithms for the formation of working subgroups that take into account students' emotional profiles and social relationships, and Reinforcement Learning techniques for the recommendation of SEL activities. Furthermore, a Knowledge Graph is developed to store and interconnect anonymized data from real classrooms under a common semantic framework. This includes student assessment results, records of the SEL activities implemented, and data on their impact on classroom climate and socio-emotional competences. This Knowledge Graph serves as the foundation for an agentic digital assistant that leverages Generative AI and Graph Retrieval-Augmented Generation (GraphRAG) techniques to provide educators with evidence-based answers to theoretical SEL questions, personalized interpretation of classroom assessment results, and targeted activity recommendations and learning pathways tailored to the identified needs of students at both individual and collective level. The main research challenges this dissertation aims to address include the need for safe and ethically responsible management of sensitive personal data collected during student assessment, the absence of open and semantically enriched Emotional Intelligence models covering all age groups from early childhood to adulthood, and the need to integrate state-of-the-art technologies in a way that ensures usability for educators without specialized technical knowledge. Finally, the dissertation aims to empirically demonstrate the effectiveness of the proposed methodology through evidence-based outcomes in a wide set of primary and secondary schools, acknowledging that its broad adoption depends largely on the trust that educators develop toward the tools and the methodology. Based on the above, it can be concluded that effective design of SEL programs requires knowledge and collaboration across multiple scientific disciplines. The present dissertation is built on the intersection of three distinct research domains, namely Emotional Intelligence, Education Sciences, and Information and Communication Technologies. The core contribution of this dissertation lies in the integration of these domains into a coherent and pedagogically grounded methodology that is both theoretically sound and practically applicable in real school settings.

Βασικός στόχος της παρούσας διατριβής είναι η ανάπτυξη μιας ολοκληρωμένης μεθοδολογίας Κοινωνικής και Συναισθηματικής Μάθησης (ΚΣΜ) υποβοηθούμενης από Τεχνολογίες Πληροφορικής και Επικοινωνιών (ΤΠΕ), η οποία καλύπτει το πλήρες φάσμα του κύκλου ζωής ενός προγράμματος ΚΣΜ σε σχολεία πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευσης. Σε αντίθεση με υφιστάμενες προσεγγίσεις που εστιάζουν σε μεμονωμένες φάσεις, η προτεινόμενη μεθοδολογία ξεκινά από την κατάρτιση των εκπαιδευτικών και την αξιολόγηση των δεξιοτήτων των μαθητών, και επεκτείνεται στον σχεδιασμό στοχευμένων παρεμβάσεων, την κατάτμηση ομάδων εργασίας και την ανάλυση του αντίκτυπου του προγράμματος, παρέχοντας για κάθε φάση τόσο θεωρητικό υπόβαθρο όσο και πρακτικά ψηφιακά εργαλεία υποστήριξης των εκπαιδευτικών και των μαθητών. Για την υλοποίηση κάθε φάσης, αναπτύχθηκε σύνολο εξειδικευμένων εργαλείων λογισμικού ανοικτού κώδικα, υποστηριζόμενων από μηχανισμούς Τεχνητής Νοημοσύνης (ΤΝ). Συγκεκριμένα, αξιοποιούνται έννοιες από τον χώρο της Συναισθηματικής Νοημοσύνης και της κοινωνιομετρίας για την αξιολόγηση μαθητών, τεχνικές Ανάλυσης Κοινωνικών Δικτύων για την οπτικοποίηση και ερμηνεία της κοινωνικής δυναμικής της τάξης, αλγόριθμοι πολυκριτηριακής κατάτμησης για τη σύνθεση ομάδων εργασίας που λαμβάνουν υπόψη τα συναισθηματικά προφίλ και τις κοινωνικές σχέσεις των μαθητών, τεχνικές Ενισχυτικής Μάθησης για τη σύσταση δραστηριοτήτων ΚΣΜ, καθώς και ένας Γράφος Γνώσης που αποθηκεύει και διασυνδέει ανωνυμοποιημένα δεδομένα από πραγματικές τάξεις. Ο Γράφος Γνώσης συμπεριλαμβάνει αποτελέσματα αξιολόγησης μαθητών, πληροφορίες για τις δραστηριότητες ΚΣΜ που εφαρμόστηκαν και τον αντίκτυπό τους στο κλίμα και τις δεξιότητες της τάξης, όλα οργανωμένα υπό ένα κοινό σημασιολογικό πλαίσιο. Ο γράφος αυτός αποτελεί τη βάση για έναν ψηφιακό βοηθό, υποστηριζόμενο από πολλαπλούς πράκτορες, που αξιοποιεί τεχνικές Παραγωγικής ΤΝ και τεχνικές παραγωγής περιεχομένου με επαυξημένη ανάκτηση πληροφορίας βασισμένης σε Γράφους Γνώσης (GraphRAG). Ο ψηφιακός βοηθός παρέχει στους εκπαιδευτικούς τεκμηριωμένες απαντήσεις σε θεωρητικά ερωτήματα ΚΣΜ, εξατομικευμένη ερμηνεία των αποτελεσμάτων αξιολόγησης της τάξης και στοχευμένες συστάσεις δραστηριοτήτων και μαθησιακών μονοπατιών, σύμφωνα με τις εξατομικευμένες ανάγκες των μαθητών σε ατομικό και συλλογικό επίπεδο. Η παρούσα διατριβή καλείται να αντιμετωπίσει μια σειρά από σημαντικές ερευνητικές προκλήσεις. Πρώτον, την ανάγκη για ασφαλή και ηθικά υπεύθυνη διαχείριση των ευαίσθητων προσωπικών δεδομένων που συλλέγονται κατά την αξιολόγηση των μαθητών. Δεύτερον, την έλλειψη ανοικτών και σημασιολογικά εμπλουτισμένων μοντέλων Συναισθηματικής Νοημοσύνης που να καλύπτουν όλες τις ηλικιακές ομάδες. Τρίτον, την ανάγκη ενσωμάτωσης σύγχρονων τεχνολογιών με τρόπο που να εξασφαλίζεται η ευχρηστία των εργαλείων από εκπαιδευτικούς χωρίς εξειδικευμένες τεχνικές γνώσεις. Τέλος, η διατριβή επιδιώκει να τεκμηριώσει εμπειρικά την αποτελεσματικότητα της προτεινόμενης μεθοδολογίας μέσα από εφαρμογή της σε ευρύ φάσμα σχολείων Δημοτικού, Γυμνασίου και Λυκείου, αναγνωρίζοντας ότι η ευρεία υιοθέτησή της εξαρτάται σε μεγάλο βαθμό από την εμπιστοσύνη που θα αναπτύξουν οι εκπαιδευτικοί απέναντι στα εργαλεία και τη μεθοδολογία. Η παρούσα διατριβή αντιμετωπίζει την ΚΣΜ ως εκ φύσεως διεπιστημονική πρόκληση. Ο αποτελεσματικός σχεδιασμός προγραμμάτων ΚΣΜ δεν μπορεί να στηριχθεί σε έναν μόνο επιστημονικό κλάδο, αλλά απαιτεί τη σύνθεση γνώσης από τρία διακριτά πεδία: τη Συναισθηματική Νοημοσύνη, τις Επιστήμες της Εκπαίδευσης και τις ΤΠΕ. Η συνδυαστική αξιοποίηση αυτών των τεχνολογιών στο πλαίσιο μιας παιδαγωγικά τεκμηριωμένης μεθοδολογίας αποτελεί τον πυρήνα της συνεισφοράς της παρούσας διατριβής.