في عالم التعليم الحديث، يسعى العديد من الباحثين إلى تطوير أساليب فعالة تساعد في تتبع مستوى المعرفة لدى الطلاب وتوقع أدائهم المستقبلي. ومن بين أبرز هذه الجهود، نوع جديد من تتبع المعرفة يُعرف باسم "تتبع المعرفة استنادًا إلى عمليات حل المشكلات" (Knowledge Tracing Leveraging Problem-Solving Process - KT-PSP). هذا النموذج يمثل خطوة متقدمة في تصميم أنظمة التعليم الذكي، حيث يتيح فهمًا أعمق لكفاءات الطلاب الرياضية من خلال رصد الطرق التي يستخدمونها لحل المسائل.

تستند الأساليب التقليدية في تتبع المعرفة إلى قياس صحة الإجابات فقط، مما يجعلها قاصرة عن استغلال المعلومات الغنية التي تكمن في عمليات الحل نفسها. لذا، جاء نموذج KT-PSP ليقوم بتضمين عمليات حل المشكلات للطلاب في تحليل تقديراتهم الرياضية، ما يوفر رؤية متعددة الأبعاد عن الكفاءة الرياضية.

كما تمّ تقديم مجموعة بيانات جديدة تُسمى KT-PSP-25 خصيصاً لهذا النموذج، لدعم الأبحاث المستقبلية.

تعتمد أداة StatusKT الجديدة على نموذج تعليمي يعمل بنظام ثلاثي المراحل: يقوم معلم الذكاء الاصطناعي (Teacher LLM) أولاً باستخراج مؤشرات الكفاءة المرتبطة بالمسألة، ثم يستخدم طالب الذكاء الاصطناعي (Student LLM) هذه المؤشرات لتوليد ردود بناءً على عملية الحل الخاصة به، ليقوم المعلم بتقييم هذه الردود واستخلاص مدى إتقان الطالب لكل مؤشر.

أظهرت النتائج التجريبية على مجموعة البيانات KT-PSP-25 أن نموذج StatusKT حقق تحسناً ملحوظاً في أداء التنبؤ مقارنةً بالأساليب التقليدية. ونتيجة لذلك، أصبح الآن بإمكان هذا النموذج تقديم تفسيرات واضحة وموضوعية للتنبؤات من خلال نمذجة مستوى كفاءة الطلاب الرياضية بشكل صريح.

إذًا، هل ستُحدث هذه المنهجية الجديدة نقلاً نوعياً في كيفية تعلم الطلاب؟ تابعونا لمزيد من التطورات المثيرة في عالم الذكاء الاصطناعي والتعليم! ما رأيكم في هذا التطور؟ شاركونا في التعليقات.