في عالم التعليم الحديث، يعتبر تصنيف المفاهيم المعرفية خطوة أساسية لكل من المعلمين والمتعلمين. ومع تزايد استخدام نماذج اللغات الضخمة (Large Language Models)، أصبح من الممكن تحقيق أداء واعد في هذا المجال. ومع ذلك، لا تزال هذه النماذج تواجه تحديات في اختيار المفهوم الصحيح من مجموعة كبيرة من الخيارات بسبب تعقيد الفضاءات القرارية.

لذلك، يقدّم الباحثون إطار SRJudge، وهو نظام مكون من ثلاث مراحل يساهم في تعزيز قدرات نماذج اللغات الضخمة من خلال تفكير انتقائي فعال. في المرحلة الأولى، يتم تضييق قائمة المفاهيم المرشحة إلى قائمة مختصرة تتضمن أفضل K مفهوم باستخدام نموذج لغوي صغير مثل BERT، وهو ما يحقق معدل دقة عالٍ.

بعد ذلك، يأتي دور مرحلة التفكير، حيث يستخدم الإطار نموذج LLM خفيف الوزن لتحليل المفاهيم المرشحة بشكل أكثر دقة، مع دمج استراتيجيات التعلم المعزز وعوامل المكافأة الديناميكية لضمان توافق النتائج مع تفضيلات التفكير البشرية.

وأخيرًا، في المرحلة الأخيرة، يقوم نموذج LLM أكبر بتقييم عقلانية العملية reasoning والتفسيرات المقدمة لتحديد النتيجة النهائية.

تم اختبار الإطار باستخدام مجموعتين من البيانات عالية الجودة، وهي مجموعة البيانات البيولوجية S_Bio ومجموعة البيانات الفيزيائية S_Phy. تظهر النتائج التجريبية أن الطريقة الجديدة تتفوق بوضوح على الحلول التقليدية المعتمدة، مما يثبت فعاليتها وتفوقها.

للاطلاع على الموارد والمزيد من التفاصيل الخاصة بإطار SRJudge، يمكن زيارة: مستودع GitHub. ماذا تعتقدون عن هذه الأطروحات الجديدة في الذكاء الاصطناعي؟ شاركونا أفكاركم!