أظهرت الأبحاث الحديثة في مجال التعليم بالألعاب أن وكلاء الدعم المعتمدين على الذكاء الاصطناعي يحملون وعوداً مذهلة لتحسين تجربة اللاعبين. ولكن، كيف يمكن لنا أن ندمج نماذج الذكاء الاصطناعي مع البيانات القانونية المتعلقة بالألعاب؟ هنا يأتي دور نظام PEARL (Parallel Education Agent for Reflection and Learning).

سجل نظام PEARL استخدامه الفريد لتقنية استرجاع المعلومات المعززة بالتوليد (Retrieval-Augmented Generation - RAG) حيث يجمع بين استرجاع المعرفة الدلالية ومطابقة حالات اللعب الهيكلية. يهدف هذا النظام إلى تقديم دعم سياقي متكامل داخل لعبة الألغاز Parallel التي تهدف إلى تعليم البرمجة المتوازية.

تتسم طريقة تشغيل PEARL بإدارة منطقتين من المدخلات: استفسارات اللغة الطبيعية والهيكل الخاص باللعبة. حيث يسترجع مفاهيم وتفسيرات حركة اللعب بالإضافة إلى حالات اللعب التي تم إنشاؤها بواسطة الأقران كأدلة تدعمه، وهو ما لا يستطيع تقديمه نماذج اللغة الكبيرة (Large Language Models) بمفردها.

عند تقييم جودة تفاعلات PEARL (N=10)، وجد المشتركين أن نظام عرض النموذج المجتمعي القائم (Open Player Model) يتفوق في فائدة الاستخدام، مما أدى إلى شعورٍ أكبر بالإحباط مع PEARL. حيث ترك خمسة من أصل عشرة المشاركين النظام خلال اللعب، حيث تعود أسباب ذلك إلى ردود الفعل غير المخصصة وثغرات الثقة في أداء PEARL.

على الرغم من ذلك، وجد مجموعة من أربعة مشاركين أن تفسيرات PEARL الموجهة كانت مكملة لنظام العرض في سياقات معينة. ويتطلب هذا البحث المتواصل من المجتمع استكشاف سبعة تحديات مفتوحة في تصميم خيارات دعم الذكاء الاصطناعي، مما يفتح آفاقاً جديدة للتطوير في هذا المجال المثير.