🤖 AI

RAGEAR: Retrieval-Augmented Graph-Enhanced Academic Recommender

يُعد RAGEAR نظام توصية أكاديمي عصبي رمزي يعزز مقترحات المساقات من خلال دمج الاسترجاع الكثيف لنصوص المحاضرات دقيقة التفاصيل مع رسم بياني معرفي رمزي، مستخدماً دالة تجميع واعية بالرسم البياني للتفوق على النماذج المرجعية القائمة على البيانات الوصفية فقط أو النصوص فقط في جودة التصنيف.

المؤلفون الأصليون: Francesco Granata, Lorenzo Lamazzi, Misael Mongiovì, Francesco Poggi, Valeria Secchini

نُشر 2026-05-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Francesco Granata, Lorenzo Lamazzi, Misael Mongiovì, Francesco Poggi, Valeria Secchini

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طالب يحاول اختيار المساق الجامعي المناسب. لديك اهتمام محدد في ذهنك — ربزما تريد تعلم "كيفية بناء برمجيات آمنة" أو "كيفية تحليل البيانات للقضايا القانونية". ولكن عندما تنظر إلى دليل المساقات الرسمي، تجد العناوين والأوصاف غامضة. أحد المساقات يسمى "البرمجة المتقدمة"، وآخر يسمى "هياكل البيانات". لا يخبرك أي من هذه العناوين بوضوح ما إذا كانت تغطي بالفعل الموضوع المحدد الذي تهتم به.

هذه هي المشكلة التي يحاول نظام RAGEAR حلها. فكر في RAGEAR كأنه أمين مكتبة هجين فائق الذكاء، لا يكتفي بقراءة عناوين الكتب على الرف فحسب؛ بل يقرأ فعلياً كل صفحة من صفحات كل كتاب ليجد الإجابة الدقيقة على سؤالك.

إليك كيف يعمل، مقسماً إلى أجزاء بسيطة:

1. العقلان: "الماسح" و"الخريطة"

يستخدم RAGEAR "عقلين" مختلفين يعملان معاً:

الماسح (الجزء العصبي): تخيل روبوتاً قرأ كل نص محاضرة (النسخة النصية من فيديوهات المحاضرات) من كل مساق. عندما تطرح سؤالاً، يقوم هذا الروبوت بمسح آلاف الصفحات من النصوص للعثور على الجمل أو الفقرات المحددة التي تطابق فكرتك. هو لا يهتم بعنوان المساق؛ بل يهتم بالكلمات الفعلية التي قيلت داخل الفصل الدراسي.
الخريطة (الجزء الرمزي): هذه خريطة ضخمة ومنظمة للجامعة. هي تعرف أن "المساق أ" يتكون من "الدرس 1"، "الدرس 2"، و"الدرس 3". كما تعرف القواعد: "يتطلب 3 ساعات معتمدة"، "هذا لطلاب علوم الحاسب"، و"يجب أن تأخذ مادة الرياضيات 101 أولاً". تضمن هذه الخريطة أن تكون التوصيات منطقية ضمن هيكل الجامعة.

2. مشكلة مجرد "الجمع"

في الماضي، إذا وجد الروبوت 10 جمل مطابقة في مساق ما، كان يكتفي بالقول: "هذا المساق جيد لأن لديه 10 تطابقات".

أدرك RAGEAR أن هذا ليس كافياً. تخيل مساقين:

المساق أ: يحتوي على 10 جمل مطابقة، لكنها جميعاً محشورة في مقطع فيديو واحد مدته 5 دقائق.
المساق ب: يحتوي على 10 جمل مطابقة، لكنها موزعة بالتساوي عبر 10 محاضرات مختلفة طوال الفصل الدراسي.

المساق (ب) من المرجح أن يكون ملائماً أكثر لأن الموضوع جزء رئيسي من المساق بأكمله، وليس مجرد ملاحظة جانبية صغيرة. الحيلة الخاصة بـ RAGEAR هي وظيفة "التجميع المدرك للرسم البياني" (Graph-Aware Aggregation). فكر في هذا كمدير مراقبة جودة لا يتحقق فقط من عدد التطابقات التي وجدتها، بل من أين توجد. فهو يعطي درجة أعلى للمساقات التي تتوزع فيها المعلومات ذات الصلة عبر العديد من الدروس وتظهر بالقرب من أعلى نتائج البحث.

3. كيف يعمل في الواقع

تكتب سؤالاً: "أريد أن أتعلم عن الجانب القانوني لخصوصية البيانات."
الماسح يقرأ: يغوص في النصوص ويجد جملًا محددة في مساقات مختلفة تتحدث عن "GDPR"، و"قوانين البيانات"، و"لوائح الخصوصية".
الخريطة تنظم: تقوم بتجميع هذه الجمل مرة أخرى في مساقاتها ودروسها الأصلية.
يتم حساب النتيجة: يحسب RAGEAR درجة نهائية. وهو يكافئ المساقات التي تمتلك:
- الكثير من النصوص ذات الصلة.
- ظهور معظم النصوص ذات الصلة في وقت مبكر من نتائج البحث.
- ظهور النصوص ذات الصلة في دروس مختلفة (مما يظهر أنها موضوع أساسي وليس مجرد صدفة).
النتيجة: تحصل على قائمة بالمساقات، بل ويظهر لك النظام الجمل المحددة من المحاضرات التي جعلته يوصي بهذا المساق، لتتمكن من رؤية لماذا يعد تطابقاً جيداً.

4. هل نجح الأمر؟

اختبر الباحثون هذا النظام مقابل طريقتين أخريين:

الطريقة 1 (الطريقة القديمة): النظر فقط في عناوين المساقات والأوصاف القصيرة (مثل قراءة غلاف الكتاب فقط).
الطريقة 2 (الطريقة البسيطة): قراءة النصوص مع مجرد جمع عدد التطابقات دون التحقق مما إذا كانت موزعة عبر المساق.

النتائج:

قراءة النصوص الكاملة (الطريقة 2) كانت بالفعل أفضل بكثير من مجرد قراءة العناوين (الطريقة 1).
لكن RGEAR (النظام الكامل مع نظام تسجيل "مراقبة الجودة") كان الأفضل على الإطلاق. لقد كان بارعاً بشكل خاص في وضع المساقات الأكثر صلة في أعلى القائمة.

الملخص

RGEAR يشبه دليلك الأكاديمي الشخصي الذي يقرأ كامل مكتبة الملاحظات الدراسية من أجلك. بدلاً من التخمين أي مساق قد يكون مناسباً بناءً على عنوان، فإنه يجد اللحظات المحددة في المحاضرات التي تطابق اهتماماتك، ويتحقق مما إذا كانت تلك اللحظات موزعة عبر المساق، ويعطيك أفضل توصية ممكنة مع دليل على سبب اختيارها.

ملخص تقني: RAGEAR – نظام توصية أكاديمي معزز بالاسترجاع والرسوم البيانية المعززة

بيان المشكلة

تواجه أنظمة توصية المساقات الأكاديمية تحديًا كبيرًا: غالبًا ما يعبر الطلاب عن اهتماماتهم التعليمية من خلال استعلامات باللغة الطبيعية لا تتوافق مع المصطلحات الرسمية الموجودة في البيانات الوصفية للمساقات (العناوين، الملخصات، المناهج الدراسية). بينما يمكن للموصيات التقليدية التي تعتمد فقط على البيانات الوصفية للمساق أن تلتقط أوجه تشابه موضوعية واسعة، إلا أنها تفشل في تحديد الأدلة المفاهيمية الدقيقة الموجودة فقط داخل المواد التعليمية الفعلية. وبينما تمتلك الجامعات عبر الإنترنت موارد غنية مثل محاضرات الفيديو الكاملة والنصوص المكتوبة (transcripts)، فإن استغلال هذه البيانات يتطلب تجاوز تمثيلات مستوى المساق الفضفاضة نحو استرجاع دقيق، يليه آلية لتجميع هذا الدليل المجزأ وإعادته إلى تصنيفات ذات معنى على مستوى المساق.

المنهجية

نظام RAGEAR (نظام التوصية الأكاديمي المعزز بالاسترجاع والرسوم البيانية المعززة) هو نظام هجين عصبي-رمزي (neurosymbolic) مصمم لمعالجة هذه القيود. وهو يدمج مكون استرجاع عصبي مع رسم بياني معرفي (KG) رمزي لسد الفجوة بين محتوى المحاضرات غير المهيكل والقيود الأكاديمية المهيكلة.

1. بنية النظام

يعمل النظام من خلال أربعة مكونات رئيسية:

واجهة المستخدم: تجمع الاستعلامات باللغة الطبيعية المتعلقة بالاهتمامات الأكاديمية أو الأهداف التعليمية.
الرسم البياني المعرفي (المكون الرمزي): يقوم نموذج أنطولوجيا (Ontology-based KG) بنمذجة المجال الأكاديمي، بما في ذلك الطلاب، الخطط الدراسية، المساقات، الدروس، الساعات المعتمدة، المتطلبات السابقة، والتخصصات الأكاديمية. ومن الأهمية بمكان أنه يمثل التسلسل الهرمي التعليمي: المساق $\leftarrow$ الدرس $\leftarrow$ قطعة النص (Transcript Chunk). يسمح هذا الهيكل بالفلترة الرمزية الحتمية (مثل الساعات المعتمدة أو المتطلبات السابقة) ويوفر العمود الفقري الهيكلي لتجميع أدلة الاسترجاع.
وحدة الاسترجاع الكثيف (المكون العصبي): يقوم هذا المكون بإجراء استرجاع كثيف على نصوص المحاضرات المجزأة. باستخدام نموذج multilingual-e5-large لتمثيل الجمل، يقوم بتشفير كل من استعلام الطالب وقطع النصوص (وحدات نصية متماسكة مرتبطة بالطوابع الزمنية للفيديو). ويقوم بإرجاع أفضل- $k$ (تحديدًا أفضل-200) من القطع بناءً على درجات التشابه الدلالي.
خوارزمية التوصية: يقوم هذا المكون بنشر درجات التشابه على مستوى القطعة إلى مستوى المساق باستخدام دالة تجميع مدركة للرسم البياني (graph-aware aggregation function) مبتكرة.

2. دالة التجميع في RAGEAR

المساهمة المنهجية الجوهرية هي دالة تسجيل، $RS(C, q)$ ، والتي تحسب درجة التوصية على مستوى المساق عن طريق ضرب ثلاثة مكونات متميزة:

$RS(C, q) = GE(C, q) \cdot RE(C, q) \cdot LC(C, q)$

الدليل العالمي ( $GE$ ): يقيس حصة إجمالي التشابه المسترجع المخصص للقطع التابعة لمساق معين $C$ . وهو يمثل تجميع SumP طبيعي، ويمثل حجم الدليل الأساسي.
الدليل المرتب ( $RE$ ): يزن القطع بناءً على ترتيبها في قائمة الاسترجاع. تساهم القطع ذات الترتيب الأعلى (الأكثر تشابهًا مع الاستعلام) بشكل أكبر في النتيجة. يستخدم هذا المكون معامل تنعيم $t_q$ لضمان أن الدليل عالي الترتيب يهيمن على النتيجة.
تغطية الدروس ( $LC$ ): يقيم توزيع الأدلة ذات الصلة عبر دروس المساق. فهو يكافئ المساقات التي يتوزع فيها المحتوى ذو الصلة عبر دروس متعددة بدلاً من تركيزه في قطعة واحدة. يتم تطبيع هذا المكون بالنسبة لإجمالي عدد الدروس لتجنب الانحياز نحو المساقات الطويلة.

هذا النهج الضربي يفضل المساقات التي لا تمتلك فقط حجمًا عاليًا من المحتوى ذي الصلة، بل تمتلك أيضًا أدلة عالية الترتيب موزعة هيكليًا عبر المنهج الدراسي.

المساهمات الرئيسية

بنية هجينة عصبية-رمزية: يقدم البحث نظامًا يجمع بشكل فريد بين الاسترجاع الكثيف عبر نصوص المحاضرات الكاملة ورسم بياني معرفي قائم على الأنطولوجيا. يسمح هذا للنظام بالاستفيد من المحتوى التعليمي الدقيق مع احترام القيود الأكاديمية المهيكلة (مثل الخطط الدراسية والمتطلبات السابقة).
دالة تجميع مدركة للرسم البياني: يقترح المؤلفون طريقة مبتكرة لنشر درجات الاسترجاع على مستوى القطعة إلى توصيات على مستوى المساق. وخلافًا لطرق الجمع البسيطة، تأخذ هذه الدالة في الاعتبار صراحةً قوة ترتيب القطع المسترجعة وتوزيعها عبر التسلسل الهرمي للدروس.
التقييم التجريبي: تقدم الدراسة تقييمًا صارمًا يقارن بين ثلاثة نهج:
- الاسترجاع الكثيف القائم على البيانات الوصفية فقط.
- تجميع (SumP) المعتمد على النصوص والمطبع (وهو خط أساس يستخدم نفس درجات الاسترجاع ولكن بتجميع أبسط).
- تجميع RAGEAR الكامل.

النتائج

تم تقييم النظام باستخدام 152 استعلامًا شبيهًا باستعلامات الطلاب باستخدام مزيج من التقييم البشري (على مجموعة فرعية) وتقييم الصلة واسع النطاق القائم على النماذج اللغوية الكبيرة (LLM) (باستخدام GPT-4.1 nano، والذي تم التحقق من توافقه العالي مع المقيمين البشريين).

النصوص مقابل البيانات الوصفية: أظهر استخدام نصوص المحاضرات الكاملة تفوقًا ملحوظًا على الاسترجاع القائم على البيانات الوصفية فقط عبر جميع المقاييس (Precision@1, nDCG@5, MAP@5)، مما يثبت أن المحتوى التعليمي الدقيق يحتوي على معلومات قيمة لا تلتقطها أوصاف المساقات.
RAGEAR مقابل خط الأساس SumP: أدى تجميع RAGEAR الكامل إلى تحسين جودة الترتيب بشكل أكبر مقارنة بخط الأساس (Transcript Normalized SumP).
- زادت Precision@1 بنسبة 10.69% مقارنة بالأساس المعتمد على البيانات الوصفية وبنسبة 2.8% فوق خط الأساس SumP.
- تحسن nDCG@1 بنسبة 7.21% فوق الأساس المعتمد على البيانات الوصفية.
- شهد MAP@5 تحسنًا بنسبة 17.09% فوق الأساس المعتمد على البيانات الوصفية.
أداء الترتيب العلوي: كانت المكاسب أكثر وضوحًا في التوصيات ذات الترتيب الأعلى (k=1, 3, 5)، مما يشير إلى أن دالة التجميع المقترحة فعالة بشكل خاص في وضع المساقات الأكثر صلة في أعلى القائمة.

الأهمية والادعاءات

يزعم البحث أن RAGEAR يثبت جدوى الجمع بين النمذجة الهيكلية الرمزية والاسترجاع الدلالي الدقيق للتوجيه الأكاديمي. ويؤكد المؤلفون أن مساهمتهم الأساسية ليست مجرد استخدام النصوص، بل هي استراتيجية التجميع المدركة للرسم البياني التي تنجح في تخليق الأدلة على مستوى القطعة إلى تصنيفات على مستوى المساق.

تشير النتائج إلى ما يلي:

توفر نصوص المحاضرات أساسًا أقوى للتوصية من البيانات الوصفية وحدها.
إن تجميع الأدلة من خلال مراعاة ترتيب القطع المسترجعة وتوزيعها عبر الدروس يؤدي إلى جودة ترتيب فائقة مقارنة بطرق الجمع البسيطة.

يحافظ المؤلفون على موقف متواضع فيما يتعلق بالتقييم، مشيرين إلى أن التقييم القائم على النماذج اللغوية الكبيرة يعمل كبديل محكم للمقارنة واسعة النطاق وليس بديلاً للدراسات الطولية مع الطلاب الفعليين. وهم يؤكدون أن مكون الفلترة الرمزية هو عملية حتمية، وأن التقييم ركز تحديدًا على قدرة مكون الترتيب على تحسين الصلة. ويتجه العمل المستقبلي نحو دمج النظام في الخدمات التشغيلية وتوسيع التقييمات لتشمل برامج أكاديمية أوسع.