BengaliMCQ: Automatic Generation and Answer Prediction of Academic Multiple-Choice Questions in a Low-Resource Language
تقدم الورقة البحثية إطار عمل للتعزيز التوليدي المستند إلى الاسترجاع والمدرك للبنية، والذي يعمل على نمذجة الكتب المدرسية البنغالية كرسوم بيانية هرمية لتحسين توليد الأسئلة متعددة الخيارات والتنبؤ بالإجابات بشكل كبير في هذه اللغة ذات الموارد المنخفضة.
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
في عالم الذكاء الاصطناعي، أصبحت النماذج اللغوية الكبيرة أدوات قوية للقراءة والكتابة والاستنتاج. يمكن لهذه الأنظمة معالجة كميات هائلة من النصوص، لكنها تواجه حداً عملياً: فهي لا تستطيع قراءة مكتبة كاملة في وقت واحد. فعندما يُطلب منها إنشاء نوع معين من الأسئلة بناءً على فصل طويل من كتاب مدرسي، غالباً ما يفقد النموذج مساره بسبب الحجم الهائل للكلمات، مما يؤدي إلى تفويت التفاصيل الأكثر أهمية. ولحل هذه المشكلة، يستخدم الباحثون تقنية تسمى "التوليد المعزز بالاسترجاع". يعمل هذا النهج مثل أمين المكتبة الذي يجد أولاً الصفحات الدقيقة التي يحتاجها الطالب قبل تسليم الكتاب للمعلم. ومع ذلك، فإن الطرق القياسية للعثور على هذه الصفحات غالباً ما تتعامل مع الكتاب المدرسي كقائمة مسطحة من الجمل، متجاهلة الطريقة التي تُنظم بها الفصول والعناوين والفقرات. وهذا أمر صعب بشكل خاص عند العمل مع لغات مثل البنغالية، حيث توجد موارد رقمية أقل لتدريب هذه الأنظمة، مما يؤدي إلى نتائج غالباً ما تكون غير دقيقة أو غير ذات صلة.
لقد سعى فريق من الباحثين في جامعة "براك" (BRAC) في بنغلاديش لإصلاح هذه المشكلة عبر تعليم الحواسيب فهم هيكل الكتاب، وليس فقط كلماته. فقد طوروا نظاماً يسمى "BengaliMCQ"، مصمماً لإنشاء أسئلة اختيار من متعدد للطلاب والإجابة على تلك الأسئلة بدقة عالية، وكل ذلك باستخدام اللغة البنغالية. وبدلاً من تغذية الذكاء الاصطناعي بالكتاب المدرسي بأكمله، يقوم نظامهم أولاً ببناء خريطة للكتاب. فهو يعامل الكتاب المدرسي كهيكل هرمي، يربط الفصول بالعناوين، والعناوين بالفقرات، والفقرات بالجمل الفردية. وتسمح هذه الخريطة للكمبيوتر برؤية كيفية تدفق الأفكاء من قسم إلى آخر، تماماً كما توضح شجرة العائلة العلاقات بين الأقارب.
ولجعل هذه الخريطة مفيدة، درب الباحثون برنامجاً حاسوبياً متخصصاً للتنقل فيها. لقد أنشأوا مجموعة بيانات تضم آلاف الأسئلة النموذجية والمقاطع المحددة في الكتب التي تجيب عليها. وباستخدام هذا التدريب، تعلم النظام تحديد الأجزاء الأكثر صلة بموضوع معين من الكتاب. فعندما يطلب مستخدم من النظام إنشاء سؤال حول موضوع مثل "التمثيل الضوئي" أو "الأدب البنغالي"، لا يقوم النظام بمسح الكتاب بأكمله، بل يستخدم خريطته لاسترجاع أهم خمس مقاطع فقط. ثم تُرسل هذه المقتطفات القصيرة والمركزة إلى نموذج لغوي كبير، والذي يستخدمها لكتابة سؤال عالي الجودة أو لإيجاد الإجابة الصحيحة. وتؤدي هذه العملية إلى تقليل كمية المعلومات التي يتعين على الكمبيوتر معالجتها بشكل كبير، مما يجعل المهمة أسرع وأكثر دقة.
كانت نتائج هذا النهج مذهلة. ففي الاختبارات التي قارنت طريقتهم بالتقنيات القياسية، أثبت النظام الجديد قدرة أكبر بكثير على إيجاد المعلومات الصحيحة. وبينما كانت الطرق الأخرى تعاني غالباً في تحديد المقطع الصحيح، نجح نظام الباحثين باستمرار في تحديد النص الأكثر صلة. وعندما اختبروا قدرة النظام على إنشاء الأسئلة، لم تكن المخرجات أكثر دقة فحسب، بل كانت أيضاً أكثر تنوعاً وسليمة تربوياً. ولعل الأمر الأكثر إثارة للإعجاب هو أن النظام حقق دقة في التنبؤ بالإجابات بلغت 91.41 بالمائة. وهذا يعني أنه عندما يُعطى سؤالاً من امتحان سابق، استطاع النظام تحديد الإجابة الصحيحة في أكثر من تسع مرات من أصل عشرة. وفي المقابل، أدت الطرق الأخرى التي حاولت قراءة الكتاب بأكمله دفعة واحدة أو استخدمت طرق بحث أقل هيكلية إلى أداء أسوأ بكثير، حيث ضلت طريقها غالباً في ضجيج النصوص غير ذات الصلة.
اكتشف الباحثون أيضاً أن هيكل الكتاب كان العامل الأكثر حسمًا في نجاحهم. فعندما أزالوا الروابط التي تمثل هرمية النص — مثل الرابط بين الفصل وعناوينه الفرعية — انهار أداء النظام. وقد أثبت ذلك أن فهم تنظيم المادة كان أكثر أهمية من مجرد الوصول إلى الكلمات نفسها. كما وجدوا أن النظام يعمل بشكل أفضل عندما يتم تدريبه على البحث عن عدد محدد من الجمل المرتبطة وتجاهل الروابط الضعيفة جداً. ومن خلال ضبط هذه الإعدادات، ضمنوا تركيز النظام فقط على العلاقات الأقوى بين الأفكار.
ولضمان تجاوز جودة عملهم لمجرد الدرجات الحاسوبية، استعان الفريق بخبراء بشريين لمراجعة الأسئلة المولدة. قام متخصصان في الأدب والعلوم بتقييم عينة عشوائية من الأسئلة التي أنشأها النظام. وصنف الخبراء الغالبية العظمى من الأسئلة بأنها ذات صلة ومفيدة، حيث حصلت أسئلة علم الأحياء على أعلى الدرجات. وقد أكد هذا التحقق البشري أن النظام لم يكن يكتفي بمحاكاة الأنماط فحسب، بل كان ينتج بالفعل محتوى يلبي معايير الفصل الدراسي الحقيقي. كما سلطت الدراسة الضوء على مكسب كبير في الكفاءة: فباستخدام هذا النهج الهيكلي، قلل النظام من كمية النص التي يحتاج إلى معالجتها من أكثر من 43,000 كلمة إلى 1,651 كلمة فقط، دون فقدان أي من السياق الضروري.
وعلى الرغم من هذه النجاحات، يقر الباحثون بأن عملهم لا يخلو من القيود. فبيانات التدريب المستخدمة لتعليم النظام تم إنشاؤها بواسطة نماذج ذكاء اصطناعي أخرى، مما يعني وجود احتمال ضئيل لوجود أخطاء أو "هلوسات" مبنية في الأساس. بالإضافة إلى ذلك، اقتصر التقييم البشري على مجموعة صغيرة من الخبراء ومجموعة محددة من المواضيع. ويقترح الفريق أن العمل المستقبلي يجب أن يتضمن مجموعات بيانات أكبر يتم تنسيقها بالكامل من قبل البشر لزيادة الموثوقية. ومع ذلك، توضح هذه الدراسة مساراً واضحاً للمستقبل في مجال التكنولوجيا التعليمية للغات ذات الموارد المحدودة. فمن خلال احترام الهيكل الطبيعي للكتب المدرسية واستخدامه لتوجيه الذكاء الاصطناعي، يمكن إنشاء أدوات تكون دقيقة للغاية وذات صلة عميقة بعملية التعلم، مما يسد الفجوة بين التكنولوجيا المعقدة والاحتياجات اليومية للطلاب والمعلمين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.