تطوير نموذج متقدم لتعلم المستخدم باستخدام الشبكات العصبية متعددة العلاقات

في عالم اليوم الذي يتسم بالتطور السريع للتكنولوجيا، تعتبر نمذجة المستخدمين من المهام الحيوية في الأنظمة التعليمية المخصصة. إذ يتم استخدام الشبكات العصبية المكانية (Graph Neural Networks) مثل الشبكات التلافيفية (Graph Convolutional Networks) بشكل متزايد لتعزيز فعالية هذه النمذجة. لكن، تواجه التقنيات الحالية تحديات في التعامل مع أنواع العلاقات المختلفة في الرسوم البيانية، حيث تعتبر هذه العلاقات متجانسة، مما يحد من قدرتها على التقاط الدلالات الغنية وبناء نماذج مستخدم أكثر معلوماتية.

لذا، يسعى البحث الحالي لتجاوز هذه العقبات من خلال تقديم نموذج MR-ConceptGCN، وهو نهج غير خاضع للإشراف تماماً مصمم خصيصاً لنمذجة المتعلمين بناءً على المفاهيم باستخدام الشبكات العصبية متعددة العلاقات. يجمع MR-ConceptGCN بين الرسوم البيانية المعرفية الشخصية (Personal Knowledge Graphs) والشبكات التلافيفية متعددة العلاقات (MR-GCNs) بالإضافة إلى نموذج اللغة المدرب مسبقاً SBERT، بهدف تحسين تمثيلات غير متجانسة وواعية بالدلالات للمعرفة.

تستخدم التشفيرات الغنية لمفاهيم المعرفة التي لم يفهمها المتعلم أثناء تفاعله مع المواد التعليمية في CourseMapper لبناء نموذج تعليمي تسلسلي يجمع بين التفاعلات طويلة وقصيرة الأمد. وقد أظهرت النتائج التي تم الحصول عليها من دراسة للأفراد عبر الإنترنت (بمشاركة 31 شخصاً) فوائد نموذج MR-ConceptGCN في تحسين دقة النظام وفعاليته، بالإضافة إلى زيادة رضا المستخدمين من خلال تعزيز التنوع والفائدة.

إذا كنت تبحث عن طرق جديدة لتحسين تجربة التعلم الشخصية، فإن MR-ConceptGCN يمثل خطوة جريئة نحو المستقبل. كيف يمكن أن تؤثر هذه التقنية على أنظمة التعليم الإلكترونية؟ شاركونا آراءكم!