AI University: An LLM-Powered Learning Assistant for Engineering---A Finite Element Method Case Study

في عالم التعليم العالي، لا سيما في مجالات مثل الهندسة والفيزياء، غالبًا ما يتضمن التعلم إتقان مفاهيم معقدة ومجردة تصف كيفية سلوك العالم المادي. أحد هذه المفاهيم هو "طريقة العناصر المحدودة" (finite element method)، وهي تقنية عددية قوية تُستخدم لحل المسائل الرياضية الصعبة التي تصف كل شيء، بدءًا من كيفية انحناء الجسر تحت تأثير الوزن وصولاً إلى كيفية تدفق الحرارة عبر محرك نفاث. لعقود من الزمن، تعلم الطلاب هذه المواضيع من خلال المحاضرات والكتب الدراسية ومجموعات المسائل، معتمدين على المحاضرين البشر لشرح تفاصيل المادة. واليوم، ظهرت أداة جديدة للمساعدة في هذه العملية: النموذج اللغوي الكبير. هذه أنظمة ذكاء اصطناعي مدربة على كميات هائلة من النصوص من الإنترنت، قادرة على الإجابة على الأسئلة وتوليد شروحات حول أي موضوع تقريبًا. ومع ذلك، بينما تتمتع هذه النماذج العامة بمعرفة واسعة، إلا أنها تفتقر غالبًا إلى الصوت والأسلوب والعمق الخاص بمساق جامعي معين. قد تشرح مفهومًا ما بشكل صحيح، لكن ليس بالطريقة التي يدرّسها أستاذ بعينه، مما قد يترك الطلاب في حالة من الارتباك بسبب المصطلحات غير المألوفة أو غياب الأمثلة المحددة المستخدمة في فصلهم الدراسي.

قام فريق من الباحثين في جامعة جنوب كاليفورنيا بتطوير نظام يسمى "AI University" لسد هذه الفجوة. كان هدفهم هو إنشاء مساعد تعليمي لا يعرف موضوع المادة فحسب، بل يتحدث لغة المساق المحدد الذي يساعد فيه. ولتجربة هذه الفكرة، ركزوا على مساق هندسي بمستوى الدراسات العليا مخصص لطريقة العناصر المحدودة. قام الباحثون ببناء إطار عمل يجمع بين ذكاء اصطناعي متخصص ونظام يمكنه البحث فورًا في مواد المساق الخاصة، بما في ذلك محاضرات الفيديو المسجلة، وملاحظات المحاضرات، والكتب الدراسية. والنتيجة هي معلم رقمي يمكنه الإجابة على أسئلة الطلاب بنفس النبرة والأسلوب والمراجع التي يستخدمها المحاضر البشري، مع الإشارة مباشرة إلى اللحظة الدقيقة في فيديو المحاضرة أو الصفحة في الكتاب حيث تم شرح المفهوم في الأصل.

بدأت العملية بإنشاء مجموعة بيانات مخصصة. أخذ الباحثون الكتاب الدراسي الأساسي للمساق، ونصوص المحاضرات، والواجبات البرمجية، واستخدموا ذكاءً اصطناعيًا متقدمًا لتوليد آلاف الأزواج من الأسئلة والأجوبة بناءً على تلك المواد حصريًا. كانت هذه الخطوة حاسمة؛ فقد ضمنت أن يتعلم الذكاء الاصطناعي الطريقة المحددة التي قدم بها مدرس المساق الأفكار الجديدة، والرموز التي يفضلها، وعمق التفاصيل المتوقع. ثم استخدموا هذه البيانات لـ "ضبط دقيق" (fine-tuning) لنموذج ذكاء اصطناعي متوسط الحجم مفتوح المصدر. الضبط الدقيق هو عملية يتم فيها إعطاء نموذج ذكاء اصطناعي عام تدريبًا إضافيًا على موضوع معين لجعله خبيرًا في هذا المجال. استخدم الباحثون تقنية تسمى "التكيف منخفض الرتبة" (Low-Rank Adaptation)، والتي تسمح للنموذج بتعلم المادة الجديدة بكفاءة دون الحاجة إلى إعادة بنائه بالكامل من الصفر. تم تصميم النموذج الناتج، والذي أطلقوا عليه اسم LLaMA-TOMMI-1.0، لمحاكاة الأسلوب التعليمي للمساق.

ومع ذلك، أدرك الباحثون أن النموذج المدرب على مواد سابقة قد يواجه صعوبة في التعامل مع أسئلة جديدة أو قد يرتكب أخطاءً إذا اعتمد بشكل كبير على تدريبه العام. ولحل هذه المشكلة، بنوا طبقة ثانية في النظام. عندما يطرح الطالب سؤالًا، يطلب النظام أولاً الإجابة من نموذج الخبير المضبط دقيقًا. ثم يبحث فورًا في قاعدة بيانات مواد المساق للعثور على الأجزاء ذات الصلة من الكتاب الدراسي أو محاضرات الفيديو. بعد ذلك، يعمل نموذج ذكاء اصطناعي ثانٍ أكثر منطقية كمُجمِّع (synthesizer). يأخذ الإجابة الأولية من نموذج الخبير والمواد المسترجعة من المساق، ويقارن بينهما، ثم يصيغ استجابة نهائية. إذا كانت إجابة نموذج الخبير قوية، يقوم المُجمِّع بإثرائها باقتباسات من مواد المساق. أما إذا كانت الإجابة ضعيفة أو غير دقيقة، فإن المُجمِّر يتجاهلها ويبني إجابة جديدة بناءً على محتوى المساق المسترجع بالكامل. يتضمن هذا النظام أيضًا خطوة "تفكير" حيث يشرح الذكاء الاصطناعي منطقه ويحدد مستوى الثقة في إجابته، مما يساعد الطلاب على فهم كيفية التوصل إلى الاستنتاج.

اختبر الفريق هذا النظام بدقة لمعرفة ما إذا كان يعمل بالفعل بشكل أفضل من استخدام ذكاء اصطناعي قياسي غير مدرب. وقارنوا أداء نموذجهم المخصص والمضبط دقيقًا مقابل النسخة الأصلية غير المعدلة من نفس الذكاء الاصطناعي. في الاختبارات الآلية، أنتج النموذج المضبط دقيقًا إجابات كانت أقرب بكثير إلى "الحقيقة الأرضية" (ground truth) لمواد المساق. وعند تقييمه بمقياس كمي، سجل نموذج الخبير درجات أعلى في 86% من حالات الاختبار. والأهم من ذلك، عندما راجع خبراء بشريون مطلعون على مواد المساق الإجابات، أظهروا أيضًا تفضيلًا قويًا للنموذج المخصص. اختار هؤلاء المستخدمون المتقدمون النسخة المضبطة دقيقًا بمعدل ضعفي النسخة الأساسية تقريبًا عند سؤالهم عن أي الاستجابتين كانت أفضل لفهم محتوى المساق.

كما قارن الباحثون نظامهم بنموذج ذكاء اصطناعي قوي ومتاح تجاريًا لم يتم ضبطه دقيقًا للمساق. وبينما كان النموذج التجاري قادرًا على تقديم إجابات متطورة رياضيًا، إلا أنه غالبًا ما استخدم مفاهيم ومصطلحات خارج نطاق هذا المساق الدراسي المحدد. كان أحيانًا يقدم إجابات صحيحة تقنيًا ولكنها متقدمة جدًا أو غير ذات صلة بمستوى الطلاب الحالي. في المقابل، قدم نظام AI University باستمرار إجابات تتوافق مع الأسلوب التعليمي المحدد للمساق وتشير إلى المواد الدقيقة التي يستخدمها الطلاب. فضل مدرس المساق، الذي قيم الاستجابات من حيث النبرة والمواءمة، النظام المخصص في 55% من الحالات، مشيرًا إلى أنه يبدو كإمتداد طبيعي لتجربة الفصل الدراسي.

تعد ميزة رئيسية للمشروع هي وجود تطبيق ويب يعمل يمكن للطلاب استخدامه. تتيح هذه الواجهة للمستخدمين طرح الأسئلة وتلقي إجابات تتضمن روابط قابلة للنقر إلى الطوابع الزمنية المحددة في فيديوهات المحاضرات والأجزاء ذات الصلة من الكتاب الدراسي. تضيف هذه الميزة طبقة من الثقة والشفافية، مما يسمح للطلاب بالتحقق من المعلومات فورًا. تم تصميم النظام ليكون مرنًا؛ فمع تقدم المساق وإضافة محاضرات جديدة، يمكن تحديث النظام ليشمل هذا المحتوى الجديد، مما يضمن بقاء المساعد مواكبًا طوال الفصل الدراسي. ويؤكد الباحثون أن نظامهم بالكامل مبني باستخدام أدوات مفتوحة المص المصدر، مما يعني أنه يمكن استضافته محليًا لحماية خصوصية الطلاب ولا يعتمد على مشاركة البيانات المملوكة لجهات خارجية.

تخلص الدراسة إلى أنه بينما تعد نماذج الذكاء الاصطناعي العامة قوية، إلا أنها تكون أكثر فعالية في التعليم عندما يتم تخصيصها لتلبية الاحتياجات والأسلوب المحدد لمساق ما. يوضح إطار عمل AI University أنه من خلال الجمع بين الضبط الدقيق ونظام استرجاع يرسخ الإجابات في مواد المساق المحددة، من الممكن إنشاء مساعد تعليمي يكون دقيقًا ومتوافقًا تربويًا. تشير النتائج إلى أن هذا النهج يوفر مسارًا عمليًا لدمج الذكاء الاصطناعي في التعليم العالي، مما يوفر للطلاب أداة تدعم تعلمهم دون فقدان الصوت الفريد وهيكل مدرسهم. ويشير الباحثون إلى أنه على الرغم من أن دراستهم اقتصرت على مجموعة صغيرة من المستخدمين المتقدمين ومساق واحد، فإن اتساق النتائج يشير إلى طريقة واعدة لتكييف الذكاء الاصطناعي مع المجالات المتخصصة في العلوم والهندسة.