في عالم التعليم الحديث، يعكس فهم الطالب لمفهوم معين دقة التعلم وفاعليته. ومع ذلك، يواجه المعلمون تحديات ملحوظة في التعرف على المفاهيم الخاطئة (misconceptions) التي تؤثر على تجربة التعلم. بناءً على دراسة جديدة، تم تطوير إطار عمل فريد يستخدم تقنية التمييز المعرفي (Cognitive Uncertainty Guided Knowledge Distillation) لتحسين دقة تصنيف هذه الأخطاء.

تتطلب هذه العملية التعامل مع ثلاث قضايا رئيسية: أولاً، ندرة البيانات وتوزيعها غير المتوازن، مما يجعل من الصعب الحصول على استنتاجات دقيقة عن المنطق الطلابي؛ ثانيًا، وجود حدود غير واضحة بين فئات الأخطاء، مما يزيد من الضوضاء في عملية التوصيف؛ وأخيرًا، عملية النشر حيث أن النماذج الكبيرة غالبًا ما تتجاهل الأساليب غير التقليدية بسبب انحيازها إلى بيانات التدريب السابقة.

بدلاً من الاعتماد على طرق تقليدية تعزز التنوع من خلال توليد كميات ضخمة من البيانات، اقترح الباحثون إطار عمل من مرحلتين للتعليم المعرفي. المرحلة الأولى تشمل تعليم تمييزي قياسي لنقل قدرات المهام، بينما تتضمن المرحلة الثانية آلية اختيار هامش مزدوجة تعتمد على عدم اليقين المعرفي، حيث تحدد أربع أنواع من العينات الحاسمة بناءً على عدم اليقين والاختلافات في الثقة بين نماذج المعلمين.

لتوازن بين المساهمات من البيانات الصعبة والسهلة، تم تصميم آلية تكييف صعوبة خاصة، مما يمكّن نماذج الطلاب من وراثة العلاقات بين الفئات من العلامات اللينة للمعلم، في الوقت نفسه الذي يعزز فيه تمييز أنواع الأخطاء الغامضة.

أظهرت التجارب أن التدريب المحسن باستخدام 10.30% فقط من العينات المفلترة أدى إلى تحقيق دقة تصل إلى 84.38% في اختبار المفاهيم الخاطئة في الجبر بالمدرسة المتوسطة، متفوقة بشكل كبير على النماذج الأخرى المتاحة حاليًا. وللراغبين في استكشاف المزيد، يمكن الوصول إلى شفرة البحث عبر الإنترنت.