في عالم التعليم، تواجه طرق تقويم الأسئلة التقليدية تحديات كبيرة تتمثل في اعتمادها على الاختبارات الميدانية باهظة الثمن لجمع بيانات أداء الطلاب. ومع ذلك، تستعرض دراسة جديدة طريقة مبتكرة تعتمد على نماذج لغوية محكمة (Fine-Tuned Large Language Models)، التي تتيح نمذجة خصائص نفسية مثل صعوبة الأسئلة وتمييزها دون الحاجة إلى جمع بيانات حقيقية.

تستخدم هذه الدراسة نماذج Qwen-3 الثابتة وتقنية التكيف ببنية هرمية (Low-Rank Adaptation - LoRA) لتوليد استجابات للطلاب بناءً على مجموعة متنوعة من القدرات الكامنة. من خلال هذه العملية، أعيد بناء احتمالية الحصول على إجابة صحيحة باعتبارها وظيفة لقدرة الطالب، مما أدى إلى توليد منحنيات خصائص العناصر (Item Characteristic Curves - ICCs) بشكل فعال.

ختُبرت هذه الطريقة على مجموعة بيانات تتعلق بفن الكتابة باللغة الإنجليزية للصف السادس، بالإضافة إلى مجموعة بيانات مهمة لمهمة BEA 2024، وأظهرت النتائج أن هذه التقنية تنافس أو تتفوق على الطرق التقليدية المعتمدة. يبدو أن هذه الطريقة القائمة على المحاكاة فعّالة بشكل خاص في نمذجة تمييز العناصر، مما يعد بتحديات جديدة في تقنيات تقييم الأداء التعليمي.