في عالم التعليم الذكي، يسعى الباحثون باستمرار لتحسين طرق تتبع المعرفة (Knowledge Tracing - KT)، والتي تهدف إلى توقع أداء الطالب في المستقبل استنادًا إلى تسلسل تفاعلاته مع المحتوى التعليمي. وتعتمد العديد من نماذج تتبع المعرفة على مفاهيم المعرفة (Knowledge Concepts - KCs) التي تمثل المهارات المطلوبة لكل عنصر تعليمي.

ومع ذلك، تعاني بعض هذه النماذج من مشكلة تسرب البيانات، حيث يمكن أن تكشف بيانات المدخلات عن الإجابة الصحيحة بشكل غير متعمد، خاصة في مجموعات البيانات التي تحتوي على أكثر من مفهوم معرفة لكل سؤال.

لذلك، اقترح الباحثون حلاً بسيطًا ولكنه فعال لمنع تسرب البيانات عن طريق إخفاء العلامات الحقيقية أثناء بناء المكون المدخل، وذلك عند وجود احتمال لتسرب البيانات. نستخدم لهذا الغرض علامة exttt{MASK} مستوحاة من نماذج اللغة المخفية مثل BERT، والتي تحل محل العلامات الحقيقية.

علاوة على ذلك، قدمنا تقنية جديدة تعرف بترميز الحداثة (Recency Encoding)، التي تقوم بتشفير المسافة الزمنية بين العنصر الحالي وأقرب حدث سابق له. تعتبر هذه المسافة مهمة لنموذج ديناميكيات التعلم مثل النسيان، وهو جانب أساسي من التعلم البشري، والذي يظل غالبًا مهملًا في النماذج الحالية. وقد أظهرت تقنية ترميز الحداثة أداءً محسنًا مقارنة باختيارات التشفير الموضعي التقليدية عبر عدة معايير لتتبع المعرفة.

من خلال هذا البحث، أكدنا أن دمج تقنياتنا في نماذج تتبع المعرفة مثل DKT وDKT+ وAKT وSAKT يعزز باستمرار من دقة التنبؤ عبر العديد من المعايير. هذه المنهجية تُعتبر فعالة وقابلة للتطبيق على نطاق واسع، مما يفتح آفاقًا جديدة في مجال التعلم الذكي.

ما رأيكم في هذه التطورات المثيرة في مجال التعليم الذكي؟ شاركونا في التعليقات!