في عالم التعليم الذكي، تغيرت طريقة تقييم الطلاب ومحاكاة مستواهم التعليمي بفضل نماذج اللغة الكبيرة (LLMs). تستخدم هذه النماذج بشكل متزايد لمحاكاة الطلاب بمستويات إتقان متفاوتة، مما يتيح توليد بيانات تدريبية صناعية واختبار أنظمة التعلم. لكن تكمن المشكلة في أن العمليات بناءً على التعليمات المباشرة تترك للـ LLM اتخاذ القرار، وقد لا تعكس هذه الأنظمة المستويات الحقيقية للطلاب.

عبر دراسة أجريت على 379 سؤالاً من امتحانات SAT، أظهرت نتائج ثلاث نماذج من مؤسسات مختلفة، بما في ذلك Gemini 3.1 Flash Lite وClaude Haiku 4.5 وGPT-5.4-mini، دقة تصل إلى 100%. لكن كيف يمكن تحسين هذه المحاكاة؟.

تم تقديم حل جديد باستخدام الرسوم البيانية للمعرفة العشوائية للطلاب (SSKG). يتم استخراج معلومات من كتب الرياضيات المفتوحة، ويتم تقسيم كل حل لامتحان SAT إلى سلسلة من الثلاثيات. يتم تعيين احتمالية إتقان لكل ثلاثية، مما يتيح تحديد دقة الأسئلة بشكل أفضل. ولتأكيد النتائج، تقوم نماذج اللغة بإنتاج تبريرات شخصية تتماشى مع النتائج.

تظهر هذه الطريقة الجديدة انخفاض الدقة إلى ما بين 44.1% و85.2% عبر جميع الملفات الشخصية، مما ينتج عنه تدرج واضح في مستويات الإتقان. هذه الابتكارات ليست فقط نتيجة لتقدم التكنولوجيا، بل تعكس أيضًا فهمًا أعمق لكيفية التعلم وكيفية تقويم ذلك التعلم. هل أنتم متحمسون لهذه التطورات الجديدة في التعليم الذكي؟ شاركونا آراءكم في التعليقات!