تعتبر الممارسات التعليمية التكيفية من الأنظمة التي تواجه تحديًا في تقديم المحتوى الصحيح. وللأسف، العديد من المكتبات التقليدية للأمثلة المحلولة والتمارين تتطلب جهدًا كبيرًا لتأليفها ولا تتناسب بالضرورة مع الأخطاء المنطقية والحلول الجزئية التي ينتجها الطلاب عند كتابة الكود.

هذا يعني أن الطلاب قد يتلقون محتوى تعليمي لا يتناول مباشرة المفاهيم التي يحاولون فهمها، بينما يحتاج المحاضرون إما لاستثمار جهد إضافي في توسيع مكتبات المحتوى أو القبول بمستوى غير دقيق من التخصيص.

لقد قدّمنا مقاربة جديدة لتوليد المحتوى التعليمي المستند إلى مكونات المعرفة (Knowledge Components - KCs) والتي تعتمد على الأنماط المستخرجة من كود الطلاب. من خلال تحليل الشجرة التركيبية (AST)، نتمكن من استنتاج الأنماط الهيكلية المتكررة من كود الطلاب واستخدامها لتوجيه نموذج توليدي مخصص.

في هذه الدراسة، قمنا بتطبيق هذه الطريقة لتوليد أمثلة العمل، حيث قارنّا النتائج الناتجة عن هذه الطريقة مع النتائج التقليدية عبر تقييم الخبراء. تشير النتائج إلى أن توليد المحتوى المستند إلى KCs يعزّز التركيز على المواضيع ويمتاز بالتوافق مع الأخطاء المنطقية للمتعلمين، وهو ما يوفر دليلًا على أن توجيه نماذج الذكاء الاصطناعي بناءً على مكونات المعرفة يمكن أن يدعم التعلم المخصص على نطاق واسع.