تقدم نظم التعليم الذكي (Intelligent Tutoring Systems - ITS) مسارات تعليمية مخصصة من خلال تشخيص مستوى كفاءة المتعلمين. تلعب نماذج تتبع المعرفة (Knowledge Tracing Models - KT) دوراً مركزياً في هذا التشخيص، حيث تقدر حالة معرفة المتعلمين المتطورة.

ومع ذلك، في خدمات ITS الواقعية، قد تتعرض موثوقية التشخيص للخطر عند إدخال أسئلة جديدة ليس لديها تاريخ تفاعلي سابق. تهدف هذه الدراسة إلى تحديد الخصائص الأساسية التي تدعم موثوقية نماذج KT في مواجهة "البداية الباردة" للأسئلة.

لتنفيذ هذا الهدف، تم تصميم نموذج يسمى Practical Integrated Cross-consistent Knowledge Tracing (PICKT)، الذي يدمج عدة أنواع من الميزات. وقد تم تحليل مدى مساهمة كل ميزة في تعزيز موثوقية النموذج في سياق الأسئلة الجديدة.

من بين هذه الميزات، تم التركيز على صعوبة الأسئلة أو (Difficulty) والنصوص والمعلومات الترابطية المستمدة من خريطة المعرفة (Knowledge Map)، والتي عُرفت كعوامل مهمة في الأبحاث السابقة المتعلقة بـ KT.

أظهرت النتائج أن ميزة الصعوبة كانت بالغة الأهمية بالنسبة للأسئلة التحديّة العالية، حيث كانت احتمالية الحصول على إجابات صحيحة منخفضة للغاية. في الوقت نفسه، ساهمت الميزات المركبة للنصوص وخريطة المعرفة في تعزيز موثوقية النموذج من خلال تمكينه من تقدير تمثيل الأسئلة غير المرئية من خلال الاستفادة من الأسئلة المشابهة التي تم ملاحظتها أثناء التدريب.

تشير هذه النتائج إلى أن الحفاظ على موثوقية تتبع المعرفة في تطبيقات ITS يتطلب إعطاء الأولوية لتسمية الميزات لتتوافق مع خصائص الخدمات التعليمية. من خلال التركيز على هذا الجانب، يمكن تحسين مستوى التعليم الشخصي وزيادة فاعليته.

ما رأيكم في هذه الابتكارات في نظم التعليم الذكي؟ شاركونا آراءكم في التعليقات.