Abu-Rasheed, HasanHasanAbu-Rasheed2025-09-302025-09-302025https://dspace.ub.uni-siegen.de/handle/ubsi/7143Human learning is a complex and multi-dimensional process, governed by a wide range of factors that describe the individual differences between learners, and the contexts in which learning happens. Since these differences influence how learners respond to the learning content and activities, it is essential for an effective learning process to consider these factors when generating learning recommendations. Context-aware recommender systems (CARS) have offered a promising solution for tailoring learning experiences to the specific learning contexts. However, existing CARS often fall short in comprehensively integrating complex contextual data into their reasoning. Moreover, complex CARS face challenges in providing transparent and explainable recommendations to learners and educators, especially when they have no technical background, which hinders CARS’s effectiveness and acceptance among these educational stakeholders. This thesis addresses these challenges by developing a novel method for building Context-Aware Recommendations and Explainability through Knowledge Graphs (CARExKG). Structurally, the CARExKG method employs knowledge graphs to represent contextual learning factors and their interdependencies, capturing the dynamic interplay between various contextual variables in complex learning settings. Algorithmically, CARExKG employs a Markov decision process over knowledge graphs, featuring a context-sensitive reward function tailored to enable the RS to generate contextualized learning paths across various learning settings. In order to ensure human oversight, reduce stakeholders’ resistance to recommendations, and encourage collaborative human-AI decision-making, CARExKG further incorporates an explainability framework, utilizing large language models and expert-input from pedagogy specialists, to generate user-centric explanations, supporting learner’s understanding of the reasoning behind generating the recommended path, and enhancing their decision-making ability and ownership of their educational journey. To evaluate the proposed method, a set of experiments was designed to measure the effectiveness of the knowledge graphs, the recommendation algorithm, and the explainability framework. CARExKG is then evaluated as a complete system through a real-world user study with nursing staff in two elderly homes, where a complex learning scenario was constructed to mimic the multi-dimensional challenges they face in their profession. Evaluation results have demonstrated the effectiveness of the proposed approach for constructing the knowledge graph and the reasoning of the RS. Results also show the ability of the CARExKG method to improve learner satisfaction and outcomes in vocational education and training settings. Experiment findings underscore the importance of the interdisciplinary approach followed in designing CARExKG, which combines artificial intelligence, educational technology, and pedagogy to create adaptive, explainable, and learner-centered educational tools.Menschliches Lernen ist ein komplexer und multidimensionaler Prozess, der von einem breiten Spektrum von Faktoren bestimmt wird, die die individuellen Unterschiede zwischen den Lernenden und die Kontexte, in denen Lernen stattfindet, beschreiben. Da diese Unterschiede Einfluss darauf haben, wie die Lernenden auf die Lerninhalte und -aktivitäten reagieren, ist es unerlässlich, diese Faktoren bei der Erstellung von Lernempfehlungen zu berücksichtigen. Context Aware Recommender Systems (CARS) bieten eine vielversprechende Lösung für die Anpassung von Lernerfahrungen an den jeweiligen Lernkontext. Die bestehenden CARS sind jedoch oft nicht fähig, komplexe kontextbezogene Daten umfassend in ihre Überlegungen einzubeziehen. Darüber hinaus stehen komplexe CARS vor der Herausforderung, transparente und erklärbare Empfehlungen zu bieten, vor allem, wenn Lernenden und Lehrenden keinen technischen Hintergrund haben, was die Effektivität und Akzeptanz von CARS für sie beeinträchtigt. Diese Dissertation befasst sich mit diesen Herausforderungen, indem sie eine neuartige Methode zur Erstellung kontextbezogener Empfehlungen und Erklärbarkeit durch Wissensgraphen (CARExKG) entwickelt. Strukturell verwendet CARExKG Wissensgraphen, um kontextuelle Lernfaktoren und deren Abhängigkeiten darzustellen und das dynamische Zusammenspiel zwischen verschiedenen kontextuellen Variablen in komplexen Lernumgebungen zu erfassen. Algorithmisch verwendet CARExKG einen Markov-Entscheidungsprozess über die Wissensgraphen, mit einem speziellen Design einer kontextsensitiven Reward-Funktion, die es dem RS ermöglicht, kontextualisierte Lernpfade in verschiedenen Lernumgebungen zu generieren. Um die menschliche Kontrolle zu gewährleisten, den Widerstand der Beteiligten gegenüber den Empfehlungen zu verringern und die kollaborative Mensch-KI-Entscheidungsfindung zu fördern, beinhaltet CARExKG darüber hinaus ein Erklärungskonzept, das große Sprachmodelle und den Experteninput von Pädagogen nutzt, um nutzerzentrierte Erklärungen zu generieren, die das Verständnis der Lernenden für die Argumentation hinter der Generierung des empfohlenen Pfads unterstützen und ihre Entscheidungsfähigkeit und Eigenverantwortung für ihre Bildungsreise verbessern. Um CARExKG zu evaluieren, wurde eine Reihe von Experimenten entwickelt, um die Effektivität der Wissensgraphen, des Empfehlungsalgorithmus und des Erklärbarkeitssystems zu messen. CARExKG wurde dann als komplettes System durch eine Nutzerstudie mit Pflegepersonal in zwei Altenheimen evaluiert, in der ein komplexes Lernszenario konstruiert wurde, um die multidimensionalen Herausforderungen, mit denen sie in ihrem Beruf konfrontiert sind, zu imitieren. Die Evaluierungsergebnisse haben die Effektivität des vorgeschlagenen Ansatzes für die Konstruktion des Wissensgraphen und die Logik des RS gezeigt. Die Ergebnisse zeigen auch die Fähigkeit der CARExKG-Methode, die Zufriedenheit der Lernenden und die Ergebnisse in der beruflichen Weiterbildung zu verbessern.enAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/004 InformatikContext awareRecommender system (RS)Knowledge graphExaplainable AI (XAI)Reinforcement learningMarkov decision processKontextbewusstEmpfehlungssystem (RS)WissensgraphErklärbare KI (XAI)Reinforcement learningMarkov-EntscheidungsprozessDoctoral ThesisMadjid Fathiurn:nbn:de:hbz:467-71430