KNOWPLAN: Knowledge-Driven AI Agents for Smart Degree Pathway Planning
إن KnowPlan هو نظام ذكاء اصطناعي قائم على المعرفة يتكون من مرحلتين، حيث يقوم أولاً بإعادة بناء المناهج الجامعية من مصادر غير متجانسة باستخدام زاحف استباقي يعتمد على مبدأ الاستخراج أولاً (CatalogBrowse)، ثم يعمل بعد ذلك على تحسين مسارات الدرجات العلمية الشخصية عبر حلّال فائق الرسم البياني معتمد (DegreeMap)، محققاً بذلك استدعاءً عالياً وقابلية تنفيذ مرتفعة مع تقليل تكاليف الوصول إلى المصادر بشكل كبير مقارنة بالنهج الشامل.
تخيل أنك تحاول بناء قلعة "ليغو" مخصصة وفائقة الروعة، لكن التعليمات مبعثرة عبر مليون موقع إلكتروني مختلف، بعضها مكتوب بشفرات برمجية، وبعضها في ملفات PDF، وبعضها الآخر مخفي خلف أبواب لا تعرف كيفية فتحها. هذا هو عالم الإرشاد الأكاديمي، وهو مجال تحاول فيه الحواسيب مساعدة الطلاب في تحديد الدروس التي يجب عليهم اتخاذها بالضبط ليتخرجوا في الوقت المحدد. لسنوات، بنى الباحثون أنظمة ذكية يمكنها اقتراح الجدول المثالي إذا كانت تمتلك بالفعل القائمة الكاملة للقواعد. ولكن تكمن المشكلة هنا: الحصول على قائمة القواعد هذه هو كابوس. فالمواقع الجامعية فوضوية، وغير متسقة، وتتغير باستمرار. إذا حاول الكمبيوتر "قراءة" القواعد أثناء محاولته في الوقت ذاته تحديد الدروس التي يجب اختيارها، فإن ذلك يخلق حلقة مربكة: فقد يتخطى قاعدة ما لأنه لم يعتقد أنها مهمة بعد، ليدرك لاحقاً أن تخطي تلك القاعدة يجعل الخطة بأكملها مستحيلة. تعالج هذه الورقة البحثية هذا الصداع تحديداً، وتسأل: كيف يمكن للكمبيوتر أن يجمع كل القواعد الفوضوية أولاً، دون معرفة الأهداف الشخصية للطالب، ثم يستخدم تلك القواعد لبناء خطة مثالية ومضمونة؟
إليك KnowPlan، وهو فريق آلي مكون من خطوتين مصمم لفك هذه العقدة الأكاديمية. فكر في الروبوت الأول، CatalogBrowse، كأنه أمين مكتبة منظم للغاية لا يهتم بمن تكون أو ماذا تريد أن تدرس. وظيفته الوحيدة هي استكشاف المكتبة الرقمية للجامعة وإيجاد كل قاعدة، وكل مساق، وكل متطلب، مهما كان مخفياً. وبدلاً من مجرد النقر على الروابط عشوائياً أو اتباع خريطة بسيطة، يلعب هذا الروبوت لعبة عالية المخاطر من نوع "ماذا بعد؟". فهو يحسب قيمة كل نقرة ممكنة، متسائلاً: "إذا فتحت هذه الصفحة، فما مقدار المعلومات الجديدة التي سأحصل عليها مقارنة بالجهد المبذول؟". ويستمر في ذلك حتى يحصل على "شهادة إغلاق" (closure certificate)—وهي ختم رقمي للموافقة يثبت أنه لم يفتْه أي جزء حيوي من اللغز. إنه لا يخمن؛ بل يتوقف فقط عندما يتأكد رياضياً أنه وجد كل ما يمكن العثور عليه في تلك اللقطة المجمدة للموقع الإلكتروني. وبمجرد انتهائه، يسلم ثلاثة ملفات رقمية مرتبة ومنظمة تحتوي على المنهج الدراسي بأكمله.
أما الروبوت الثاني، DegreeMap، فهو المخطط البارع. يأخذ تلك الملفات الثلاثة والملف الشخصي للطالب (مثل درجاته، واهتماماته، ومدى قدرته على تحمل ضغط العمل). ثم يبني خريطة ثلاثية الأبعاد معقدة للمتطلبات، حيث ترتبط المساقات ببعضها عبر خيوط غير مرئية من المنطق (مثل "يجب أن تأخذ الرياضيات 101 قبل الرياضيات 102"). وباستخدام محرك رياضي قوي، لا يجد هذا الروبوت مجرد خطة ما فحسب، بل يجد الخطة الأفضل. فهو يوازن بين القواعد الصارمة (لا يمكنك التخرج بدون هذا المساق) والرغبات المرنة (أنت تحب علم الأحياء حقاً)، مما يضمن إنهاء الطالب للدراسة في أقصر وقت ممكن وبأقل قدر من التوتر. والأهم من ذلك، ولأن الروبوت الأول قد أدى مهمته بشكل مثالي، فإن الروبوت الثاني لا يحتاج أبداً للتخمين حول وجود قاعدة ما؛ بل يعمل فقط بما أُعطي له.
النتائج مبهرة. فعند اختباره على 100 جامعة مختلفة، وجد الروبوت الأول 96.2% من جميع المساقات المتاحة واستعاد 88.7% من الصفحات "المخفية" التي فاتتها طرق أخرى، كل ذلك مع زيارة عدد صفحات أقل بنسبة 47% من الروبوت الذي يحاول قراءة كل شيء. ثم استخدم الروبوت الثاني هذه البيانات لإنشاء خطط كانت صالحة بنسبة 100% (أي لا توجد جداول مستحيلة التنفيذ) وجعلت الطلاب أكثر سعادة بخياراتهم بهامش بسيط ولكن قابل للقياس مقارنة بالأنظمة الرائدة الأخرى. نجح النظام بأكمله في اعتماد 99.5% من الطلبات، مما يثبت أنه من خلال فصل مهمة "إيجاد القواعد" عن مهمة "وضع الخطة"، يمكننا بناء دليل أكثر موثوقية وشخصية للطلاب. يوضح المؤلفون أن هذا النهج يزيل ارتباك المنطق الدائري، محولاً البحث الفوضوي إلى رحلة مدرجة وخطوة بخطوة نحو التخرج.
ملخص تقني: KnowPlan
بيان المشكلة
يُعد تخطيط مسارات الدرجات الأكاديمية مشكلة اتخاذ قرار مدفوعة بالقيود، تتطلب من الطلاب تسلسل المساقات لاستيفاء منطق المتطلبات السابقة، ومتطلبات الدرجة العلمية، وحدود الوحدات الدراسية، وعروض الفصول الدراسية. وبينما تناولت الأعمال السابقة التوصية بالمساقات وتحسين المناهج، إلا أن هذه النهج تفترض إلى حد كبير توفر تمثيل كامل للمنهج الدراسي مسبقاً.
إن بناء هذا التمثيل من المصادر الجامعية العامة أمر صعب بطبيعته. فالمناهج المؤسسية موزعة عبر تنسيقات غير متجانسة (صفحات ويب، نقاط نهاية JSON، ملفات PDF) دون مخطط مشترك، وتحتوي على بنود منطقية متداخلة، وتداخل في المتطلبات، واستثناءات سياساتية. وهناك فجوة حرجة لم تعالجها الأدبيات الحالية وهي دائرية الاستحواذ والتخطيط (acquisition–planning circularity): إذا كان المخطط الشخصي يتحكم في الاستحواذ على المصدر، فإن هدف الطالب الحالي هو ما يحدد الصفحات التي يتم فتحها. وبناءً على ذلك، فإن الرسم البياني الجزئي الناتج هو ما يحدد الخطط التي تبدو قابلة للتنفيذ، ويُستخدم نفس الرسم البياني غير المكتمل للتحقق من الخطة. تظل القواعد المفقودة غير مرئية لأنها لم يتم الاستحواذ عليها أبداً.
المنهجية
يقدم المؤلفون KnowPlan، وهو إطار عمل يعطي الأولوية للاستخراج، حيث يفصل بين إعادة بناء المنهج وبين التخطيط الشخصي للدرجة العلمية لكسر هذه الدائرية. يعمل النظام في مرحلتين متمايزتين:
1. CatalogBrowse: استخراج مستقل عن الملف الشخصي
CatalogBrowse هو وكيل استكشاف ويب مصمم للاستحواذ على بيانات المنهج الدراسي دون الوصول إلى أي ملف شخصي للطالب.
الحالة والقابلية للملاحظة: يحافظ الوكيل على رسم بياني ديناميكي للصفحات وجبهة من الروابط غير المفتوحة. ومن الأهمية بمكان أن محتوى الصفحة لا يُكشف إلا بعد الالتزام بالإجراء ودفع تكلفته مسبقاً، مما يمنع الوكيل من فحص المحتوى لاتخاذ قرار بشأن الوصول إليه.
الالتزامات الذرية: بدلاً من الاعتماد على إشارات الإكمال الموزونة التي تشجع على تحقيق مكاسب سهلة، يستهدف الوكيل مجموعة محددة من الالتزامات الذرية (O)، مثل اكتشاف مدخلات الفهرس، وتجسيد الكيانات، وتعبئة الحقول المطلوبة، وحل المراجع.
السياسة: يختار الوكيل الإجراءات باستخدام حد الثقة الأدنى (LCB) على العائد الهامشي المتوقع لكل وحدة من الوصول إلى المصدر. تعطي هذه السياسة المحافظة الأولوية للأدلة التي تم التحقق منها بالفعل، وتضمن عدم السعي وراء الإجراءات غير المألوفة إلا إذا كان الالتزام نفسه يولد عائداً متوقعاً إيجابياً.
التحليل والاحتياطي: يستخدم النظام محولات منصة حتمية لواجهات برمجة التطبيقات (APIs)، ونماذج DOM، وملفات PDF. بالنسبة للبنود المنطقية المعقدة، فإنه يستخدم نموذج (span-constrained clause-to-AST). يقتصر النموذج على الرموز الموجودة حرفياً في النطاق المرئي ولا يمكنه إصدار عناوين URL أو معرفات عشوائية؛ ويتم إعادة تحديد المخرجات في نص الصفحة قبل قبولها.
الإنهاء: يتوقف الوكيل فقط عندما تتحقق شهادة الإغلاق (closure certificate). تتحقق هذه الشهادة من أن كل مدخل فهرس تم اكتشافه إما أنه مرتبط بكيان أو تم تسجيل فشله صراحةً، وأن كل حقل مطلوب في المخطط (schema) إما أنه مرتبط أو غير محلول صراحةً، وأن كل إزاحة مصدر (provenance offset) تقع ضمن الحدود في صفحة فتحها الوكيل. تحدد الشهادة الأدلة ولكنها لا تحكم على الحقائق نفسها؛ فهي نسبية للقطة الزمنية ولا تدعي شيئاً عن الويب الحي.
المخرجات: تصدر المرحلة بالضبط ثلاث وثائق JSON مرتبطة بالمصدر: المساقات/المتطلبات السابقة، متطلبات البرنامج، وأطر التعليم العام.
2. DegreeMap: التخطيط الشخصي
يستهلك DegreeMap فقط وثائق JSON الثلاث الناتجة عن CatalogBrowse وطلب الطالب المحدد.
الرسم البياني الفائق للمتطلبات المحددة النوع (Typed Requirement Hypergraph): يقوم المترجم برسم وثائق JSON في رسم بياني فائق للمتطلبات المحددة النوع. يحافظ على الهياكل المنطقية المعقدة (مثل CHOOSE_N و ALL_OF) كحواف فائقة (hyperedges) بدلاً من توسيعها إلى بنود ثنائية، مما يضمن الإنفاذ الدقيق لمتطلبات مثل "اختر 3 من 9".
المنفعة الشخصية: يحسب النظام درجة S(c) لكل مساق بناءً على:
الاهتمام الدلالي المباشر (I0).
انتشار الاهتمام عبر الرسم البياني المحدد النوع (ID)، حيث ينتشر الاهتمام عبر حواف الاستيفاء والتبادل (cross-listing) ولكن ليس عبر حواف المتطلبات السابقة.
قيمة فتح المتطلبات السابقة (U)، حيث ينتشر الاهتمام للخلف عبر مسارات التبعية.
تحسين CP-SAT المعجمي: يحل المخطط لمجموعة مرتبة من الخطط باستخدام ترتيب معجمي:
الجدوى الصارمة (استيفاء جميع القيود).
الحد الأدنى لأفق الإكمال.
عبء العمل ومخاطر الجدولة.
المنفعة الشخصية.
قيمة الخيارات المستقبلية. تثبت كل مرحلة القيمة المثلى المثبتة للمرحلة السابقة كقيد صارم، مما يحافظ على قابلية التصديق ضمن ميزانية محددة للمحلل (solver).
التوضيح: إذا اختلفت الخطة المثلى عبر فرضيات التفضيل المتبقية، فإن النظام يطرح أسئلة مستهدفة لتقليل الندم المتوقع.
المساهمات الرئيسية
الصياغة: يصيغ البحث تخطيط الدرجة العلمية من المصادر العامة كمسألة استحواذ وتحسين ثنائية المرحلة، مما يجعل دائرية الاستحواذ والتخطيط قابلة للقياس مباشرة.
CatalogBrowse: يقدم وكيلاً مستقلاً عن الملف الشخصي يتميز بالاستكشاف المدفوع بالالتزام، والاستخراج المرتبط بالمصدر، وقاعدة توقف قائمة على الشهادة تضمن اكتمال المخرجات بالنسبة للقطة زمنية مجمدة من خلال التحقق من أن جميع المدخلات المكتشفة تمت معالجتها أو فشلت صراحةً.
DegreeMap: يقدم مخططاً يجمع بين الرسم البياني الفائق للمتطلبات المحددة النوع والتحسين المعجمي الدقيق، والذي تم تقييمه عبر مسارات المصدر المقنع (masked-source) ومسارات الذهب مقابل المستخرج (gold-versus-extracted).
النتائج
تم تقييم النظام في مسار Broad-100 (100 جامعة) ومسار Dense-6 (6 جامعات بتنسيقات مصادر متنوعة).
أداء الاستخراج (CatalogBrowse):
حقق استدعاء للمخزون بنسبة 96.2% واستعادة للمصادر المقنعة بنسبة 88.7% (استعادة الكيانات خلف الصفحات المخفية).
استخدم 47% أقل من عمليات الوصول إلى المصدر مقارنة بالزاحف الشامل، وتفوق على النماذج المرجعية مثل Static BFS والوكلاء من نوع Go-Browse.
حافظ على قيم عالية لـ Typed F1 (79.4) والتكافؤ الدلالي لـ AST (77.8) في المسار الواسع.
أداء التخطيط (DegreeMap):
حافظ على جدوى صارمة بنسبة 100.0% في مسار Dense-6.
حسن المنفعة الشخصية بمقدار +0.066 عن أقوى نموذج مرجعي (MSGS من نوع LLMAP).
قلل أفق الإكمال من 6.7 إلى 6.3 فصول دراسية.
الأداء النهائي (End-to-End):
حقق المسار الكامل تصديق 99.5% من طلبات التخطيط.
كانت فجوة المنفعة بالنسبة للتخطيط فوق رسم بياني ذهبي متميز للمنهج هي 0.015 فقط.
أكدت دراسات الاستبعاد (Ablation studies) أن إزالة شهادة النقطة الثابتة قللت الاستدعاء بمقدار 4.4 نقطة، وأن استخدام هدف المجموع الموزون بدلاً من التحسين المعجمي قلل الجدوى المصدقة بمقدار 4.0 نقاط.
الأهمية
يدعي البحث أن KnowPlan يزيل دائرية الاستحواذ والتخطيط عن طريق البناء. من خلال فصل الاستحواذ على المنهج (المستقل عن أهداف الطالب) عن تحسين الخطة، يجعل النظام الواجهة بين الاستحواذ على البيانات واستخدامها قابلة للقياس بدلاً من كونها مفترضة. يؤكد المؤلفون أن هذا النهج يحول فرضية النمذجة (أن المنهج معروف) إلى كمية قابلة للقياس، موضحين أن التخطيط الموثوق للدرجة العلمية يتطلب استحواذاً مستقلاً عن الملف الشخصي للمنهج قبل التحسين الخاص بالطالب. الإطار قابل للتعميم على أي مجال يجب فيه على الوكيل الاستحواذ على نموذج عالم لتسجيل النقاط ضد هدف لاحق، بشرما كان هدف الاستحواذ ثابتاً قبل معرفة الهدف.