في عالم التعليم الحديث، تلعب دقة قياس صعوبة الاختبارات دوراً حيوياً في ضمان التقييم الفعّال والتعلم المتكيّف. لكنّ التحديات التي تواجه هذا المجال، مثل غياب بيانات الاستجابة للمهام الجديدة، تجعل من الصعب تحديد الصعوبة بطرق تقليدية. قد تكون الطرق التقليدية مثل الاختبارات المسبقة وحكم الخبراء مكلفة وبطيئة، في حين أن تقنيات التعلم الآلي بحاجة إلى مجموعات بيانات مُوسومة ضخمة.

لكن، ماذا لو كانت هناك طريقة جديدة تنبثق من عالم الذكاء الاصطناعي؟ إذ تشير الأبحاث الحديثة إلى أن نماذج اللغات الكبيرة (LLMs) يمكن أن تلعب دوراً مهماً كبديلٍ مُحتمل.

تستند هذه الدراسة إلى تحليل ثلاث نماذج جاهزة من LLMs لتقييم صعوبة المهام الجديدة دون الاعتماد على بيانات الاستجابة. تم استخدام بنك من الأسئلة من نظام تعليم إلكتروني لتقييم ستة مجالات في الرياضيات للمدارس الابتدائية. استخدمت الدراسة تصميم كامل لعوامل مختلفة، حيث تم تقدير الصعوبة من خلال استراتيجيات متنوعة مثل المقارنة المطلقة ومعايير المقارنة الزوجية.

أظهرت النتائج أن تقديرات LLMs لصعوبة المسائل كانت مرتبطة بشكل إيجابي مع القياسات التجريبية للصعوبة. وبشكل مثير، اقتربت بعض التكوينات من أعلى نطاق للدقة المعروفة للخبراء البشر في أبحاث سابقة خاصةً في المهام الحسابية البسيطة. كما أن المقارنة الزوجية كانت تتفوق دائماً على الحكم المطلق في غياب التحسينات الإضافية.

تؤكد هذه الدراسة على إمكانية استخدام LLMs كأداة واعدة لضبط مستوى صعوبة الأسئلة، مما يفتح آفاقاً جديدة في تحسين كفاءة التدريس والتعلم. إمكانية تكامل هذه النماذج في عمليات التقييم قد تشير إلى مستقبلٍ مشرق للتعليم الذكي. هل تعتقد أن الذكاء الاصطناعي سيكون له دور أكبر في الأعمال الأكاديمية؟ شاركونا آرائكم في التعليقات!