في عالم الذكاء الاصطناعي، يسعى الباحثون دائماً لتحسين دقة النماذج المستخدمة في التعرف على النصوص، وخاصة تلك التي تتعامل مع النصوص الملتقطة من الصور. ومع ذلك، قد تطرح النماذج الحالية تحديات كبيرة نتيجة لإعادة صياغة النصوص الغير عادية إلى تعبيرات لغوية منطقية، مما يؤثر سلباً على دقة التحويل.

قدم الباحثون نموذجاً جديداً يُعرف بـ GAD-RL، والذي يهدف إلى تحسين دقة نموذج التعرف على النصوص من خلال تنظيم إشراف المعلم وفقاً لأداء الطالب الحالي. حيث أظهرت الأبحاث السابقة أن توجيه المعلم الثابت يصبح أقل فاعلية مع تقدم الطالب في التعلم، مما يتطلب استراتيجيات جديدة لضمان تحسين مستمر.

يعتمد نموذج GAD-RL على إشراف متكيف، إذ يقوم بإجراء تحليل غير متصل لتعديل قوة التوجيه على أساس أداء الطالب. يتم استخدام معلم مجمد يقوم بالتفاعل مع نصوص مرجعية والبدء التعليمي للطالب، حيث يتم تعطيل عملية التعلم للردود التي تحتوي على مكافأة للمهام بنسبة 0.95 أو أكثر.

أظهرت النتائج التجريبية أن GAD-RL حقق 59.92٪ من استرجاع الميكرو على مجموعة بيانات CHAOS-Bench، متجاوزاً النماذج السابقة مثل GRPO وGRPO+OPD بفارق ملحوظ.

يمثل هذا النموذج نقطة تحول في التعرف على النصوص، ويعزز بالتالي دقة وموثوقية النماذج المعتمدة على التعلم الآلي. هل تتوقعون أن يشهد الذكاء الاصطناعي قفزات أكبر في المستقبل القريب؟ شاركونا آراءكم في التعليقات!