توجيه نماذج اللغة الكبيرة باستخدام السياسات: تحسين تجربة التعلم في مختبرات الهندسة

في عالم التعليم الهندسي، تواجه أنظمة التدريس الذكي تحدياً حقيقياً في تحقيق توازن بين تقديم المساعدة الكافية للطلاب والمحافظة على فرص التعلم الأهم. ولاحظ الباحثون أن الأنظمة الحالية عادة ما تعطي المدربين قدرة محدودة على التحكم في توقيت المحتوى المساعد أو تكلفته. وفي هذا السياق، تم تقديم نظام جديد للتوجيه والإدارة لأدوات الذكاء الاصطناعي المستندة إلى نماذج اللغة الكبيرة (LLMs).

يتكون هذا النظام من مكونين رئيسيين:

1. **Routiium**: بوابة متوافقة مع OpenAI تدير عدة نماذج خلفية مع إمكانية تعديل الطلبات وتسجيل الاستخدام.
2. **EduRouter**: خدمة توجيه واعية للسياسات تفرض ميزانيات مفصلة لكل مختبر، ومسارات الموافقة، وتطابق الأسئلة بناءً على المضمون.

تحققنا من كفاءة النظام من خلال محاكاة معتمدة على بيانات من مختبرين هندسيين (توصيف LED، تحليل دائرة RC) مع تشغيل 100 استفسار عبر نماذج حية. وأظهرت نتائج المحاكاة أن السياسات المعتمدة (P1/P2) أدت إلى زيادة في مؤشر توافق التحدي من 0.90 إلى 0.98 وارتفع معدل الالتزام بالتوجيه من 0.69 إلى 0.87 مقارنة بالتشغيل غير المحكوم (P0). كما زادت الفترة الزمنية لتوفير المساعدة اللازمة من 1.4 إلى 3.6 جولة محاكاة قبل أن تظهر الإشارات المكتوبة العالية الجودة.

في مسار إعادة تشغيل الـ 100 استفسار، قام EduRouter بتوجيه 75% من الاستفسارات إلى نموذج محلي، مما قلل من التكاليف بنسبة 66% ($0.087 مقابل $0.26 للطرق المتميزة بالكامل) مع الحفاظ على معدل دقة أساسية قدره 1.0 للبنك الاستفساري المكون من 89 نية.

نشارك أيضاً أدوات Routiium وEduRouter وأدوات المهام القياسية وأعداد المحاكاة لدعم التكرار والدراسات المستقبلية في الفصول الدراسية. هذا التطور يُعد خطوة فارقة نحو تحسين التعليم والتفاعل في المختبرات الهندسية.