في عالم الذكاء الاصطناعي، يعد تعلم المنهاج (Curriculum Learning) من الأدوات الأساسية التي تمّ استنباطها من طرق التعلم البشري. لكن، رغم أهميته، لم يحظى هذا الأسلوب بقبول واسع بسبب استراتيجيات التقييم الثابتة، والتي تعتمد على مقاييس غير مباشرة تتفاوت جودتها، مما يؤدي إلى تصميم مناهج تعليمية غير مخصصة لكل متعلم.

المثير في الأمر هو أن البحث الجديد يطرح منهجاً مبتكراً يقوم بقياس صعوبة كل حالة بشكل دقيق، من خلال سلسلة من النماذج ذات الكفاءة المتزايدة. تمّ التعرف على ما يُعرف باسم "مشكلات التحول" (Transitional Problems)، والتي تكون أسهل بشكل مستمر كلما زادت قدرة النموذج.

عند تطبيق هذه الطريقة على مجموعات نماذج متنوعة تم إنشاؤها من نماذج متاحة على العديد من المهام، لاحظ الباحثون أن تدريب نموذج على منهج يتقدم من مشكلات التحول الأسهل إلى الأصعب يعزز من كفاءة النموذج بشكل ملحوظ. هذه المشكلات توفر تسلسلاً طبيعياً يتجه من أسئلة سهلة إلى أصعب، متفوقةً على استراتيجيات التدريب الأخرى.

باستخدام هذا الأسلوب، يتم قياس الصعوبة مباشرةً بالنسبة لكفاءة النموذج، مما يؤدي إلى مشكلات يمكن تفسيرها ومناهج دراسية خاصة بالمتعلمين، مما يعزز التحسين خطوة بخطوة في الأداء.