في ظل التحديات المتزايدة في نظم التعليم، يحتل تتبع المعرفة (Knowledge Tracing) موقعاً مركزياً في فهم حالات الطلاب المعرفية على مر الزمن. العديد من الأساليب التقليدية ركزت على التعلم في مجالات منفصلة، لكن الواقع التعليمي غالباً ما يتطلب التفاعل عبر عدة مجالات مختلفة. في ورقة بحثية جديدة، تم تقديم منهج مبتكر يستفيد من مفهوم الحمل المعرفي (Cognitive Load) ونقل المعرفة (Knowledge Transfer) لتحسين تتبع المعرفة في بيئات التعلم متعددة المجالات.

تبدأ الدراسة بإيضاح أن التعلم عبر مجالات متعددة يضيف تعقيدات جديدة تتمثل في الحمل المعرفي الذي يتحمل الطلاب نتيجة لإدارة المعرفة المتنوعة. كما أن نقل المعرفة يعد عنصراً حاسماً، حيث تؤثر المعرفة التي يكتسبها الطالب في مجال ما على معرفته في المجالات الأخرى.

اقترح الباحثون نموذجاً جديداً يُعرف بـ LT-MKT، والذي يجمع بين البيانات النصية للأسئلة والمفاهيم المرتبطة بها لبناء رسم بياني هرمي متعدد المجالات. هذا النموذج يستفيد من القدرات المتقدمة لنماذج اللغات الضخمة (Large Language Models) لالتقاط الروابط بين المعرفة في المجالات المختلفة.

عبر نمذجة السمات بين الحقول الزمنية والمعرفية، يتمكن LT-MKT من التنبؤ بشكل أدق بأداء الطلاب في المستقبل. وقد أظهرت التجارب الواسعة على مجموعات بيانات حقيقية تفوق هذا الأسلوب على الأساليب التقليدية، مما يفتح آفاقاً جديدة لتحسين نظم التعليم.

إذا كنت مهتماً بكيفية استخدام الذكاء الصناعي لتحسين نتائج التعلم، نرحب بمشاركاتك وآرائك في التعليقات.