في عالم التعليم، تعد الرسوم البيانية الرياضية جزءًا أساسيًا من فهم الطلاب للمواد الدراسية. ومع ذلك، لا تزال أدوات الذكاء الاصطناعي الحالية، بما في ذلك نماذج اللغات الضخمة (Large Language Models)، تواجه مشكلات في توليد رسوم بيانية دقيقة وملائمة من الناحية التربوية، حتى عند تزويدها بوصف دقيق. لذلك، يكشف الباحثون عن تدفق عمل وكيل جديد يتيح لهذه النماذج تقييم جودة الرسوم البيانية المُنتجة واستخدام هذه التغذية الراجعة لتحسين الناتج بشكل متكرر.

تتمثل أهداف هذا البحث في تحقيق تساؤلين رئيسيين: الأول، هل يمكن لنماذج اللغات الضخمة توليد أسئلة ضمان جودة دقيقة لوسائل العرض بناءً على معايير محددة لجودة الرسوم البيانية؟ والثاني، هل تستطيع نماذج اللغة البصرية (Vision Language Models) تقييم هذه الوسائل التعليمية بفعالية واستخدام التغذية الراجعة الناتجة لتحسينها بشكل دوري؟

ومن خلال تقييم استكشافي لتدفق العمل الجديد، تم التعرف على مجالات أساسية للتحسين، مثل تعزيز التفكير المكاني وتحقيق تغطية شاملة لميزات الرسوم البيانية في أسئلة ضمان الجودة المنتجة. وتوفر النتائج أدلة أولية تفيد بأن هذه الطريقة يمكن أن تحسن من موثوقية وقيمة التعليم الرسومي الرياضي المولد عن طريق الذكاء الاصطناعي.