← أحدث الأبحاث
💬 NLP

ArguLens: An Open-Source System for Automated Essay Scoring and Label-Aware Feedback Generation

تقدم هذه الورقة نظام ArguLens، وهو نظام مفتوح المصدر وقابل للنشر محلياً يعالج أوجه القصور في أدوات تصحيح المقالات الآلية الحالية من خلال تفكيك العملية إلى مصنف للحركات الخطابية، ومُقيّم قائم على الميزات، ومولد تعليقات مدرك للتصنيفات، محققاً أداءً قوياً على مجموعة بيانات PERSUADE 2.0 مع ضمان خصوصية البيانات وقابلية التفسير.

المؤلفون الأصليون: Weiran Wang, Hongxiang Shi, Huitao Tang, Wenjuan Qin

نُشر 2026-08-19
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Weiran Wang, Hongxiang Shi, Huitao Tang, Wenjuan Qin

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 همهمة هادئة داخل فصل دراسي، يقرأ معلم مقالاً جدلياً لأحد الطلاب، موازناً الجمل من حيث الوضوح والمنطق والقوة. لعقود من الزمن، حاولت الحواسيب محاكاة هذا الحكم البشري، وهو مجال يُعرف باسم التصحيح الآلي للمقالات. اعتمدت المحاولات المبكرة على حسابات بسيطة للكلمات أو طول الجمل، بينما تستخدم النسخ الحديثة شبكات عصبية معقدة تعمل كصناديق سوداء، تقدم درجة ولكنها نادراً ما تشرح السبب. وهذا يخلق معضلة: فالأنظمة التي تتسم بالدقة غالباً ما تفتقر إلى الشفافية، بينما الأنظمة الواضحة غالباً ما تفتقر إلى الدقة. علاوة على على ذلك، فإن أقوى الأدوات اليوم تتطلب عادةً إرسال كتابات الطلاب إلى خوادم شركات بعيدة، مما يثير مخاوف بشأن الخصوصية والتكلفة. لقد كان الهدف للباحثين لفترة طويلة هو بناء نظام يكون ذكياً بما يكفي لتصحيح المقالات بدقة، ومنفتحاً بما يكفي لإظهار طريقة عمله، كل ذلك مع الحفاظ على أمان البيانات داخل حواسيب المدرسة نفسها.

لقد عالج فريق من الباحثين في جامعة فودان هذا التحدي بابتكار "ArguLens"، وهو نظام جديد مفتوح المصدر مصمم ليتم تثبيته محلياً، مما يبقي مقالات الطلاب بعيداً عن الإنترنت. وبدلاً من محاولة تخمين الدرجة في قفزة واحدة ضخمة، يقسم النظام المهمة إلى ثلاث خطوات متميزة وسهلة الإدارة. أولاً، يعمل النظام كـ "محقق بلاغي"، حيث يقرأ المقال جملة بجملة لتحديد وظيفة كل جزء. إنه يبحث عن تحركات محددة في الحجة، مثل الادعاء، أو دليل، أو حجة مضادة، أو تفنيد. وللقيام بذلك، يستخدم نسخة متخصصة من نموذج لغوي كبير تم تدريبه على التعرف على هذه الأنماط دون الحاجة إلى إعادة كتابة المقال بأكدله. وبمجرد أن يفهم النظام هيكل الحجة، ينتقل إلى الخطوة الثانية: التصحيح. هنا، لا يعتمد على النموذج اللغوي الثقيل؛ بل يقوم بحساب واحد وثلاثين سمة محددة، مثل تنوع المفردات المستخدمة، وتعقيد تراكيب الجمل، وتكرار التحركات الجدلية التي حددها للتو. تُغذى هذه الأرقام في محرك تصحيح خفيف الوزن وعالي الكفاءة يحسب الدرجة النهائية. الخطوة الثالثة هي توليد الملاحظات؛ فباستاستخدام الدرجات والتحركات الحجاجية المحددة، يكتب النظام تقريراً منظماً للطالب، يشير فيه إلى نقاط القوة ويقترح تحسينات محددة، مع ضمان أن تكون النصائح بناءة ومستندة إلى النص الفعلي.

اختبر الباحثون هذا النظام على مجموعة كبيرة من المقالات الجدلية لطلاب المدارس المتوسطة، وهي مجموعة بيانات تحتوي على آلاف الأمثلة التي كتبها طلاب في جميع أنحاء الولايات المتحدة. ووجدوا أن قدرة النظام على تحديد الأجزاء المختلفة للحجة كانت قوية للغاية، حيث نجح في تسمية وظيفة الجمل بشكل صحيح في أكثر من اثنين وثمانين بالمائة من الحالات. وبينما خلط أحياناً بين الادعاء الرئيسي والدليل الداعم له — وهو صعوبة شائعة حتى بالنسبة للبشر — فقد نجح في التمييز بين أنواع الحجج المختلفة في معظم الأوقات. وعندما تعلق الأمر بتعيين الدرجة النهائية، أظهر النظام مستوى من الاتفاق مع المعلمين البشر يُعتبر عالياً جداً في هذا المجال. واكتشف الباحثون أن تضمين المعلومات الهيكلية حول التحركات الحجاجية حسن دقة الدرجة النهائية بشكل ملحوظ. فعندما اختبروا النظام بدون هذه المعرفة الهيكلية، مع الاعتماد فقط على المفردات وأنماط الجمل، انخفضت الدقة بشكل ملحوظ. وهذا يشير إلى أن فهم كيفية بناء الحجة لا يقل أهمية عن معرفة ما هي الكلمات المستخدمة.

إن أحد أهم جوانب هذا العمل ليس مجرد الأرقام، بل التصميم. فالنظام مبني ليكون شفافاً وقابلاً للتكرار. كل مكون، بدءاً من الكود الذي يستخرج السمات وصولاً إلى الإعدادات المحددة المستخدمة لتدريب النماذج، متاح لأي شخص لفحصه. لقد كان الباحثون حذرين في التمييز بين ما يمكن للنظام فعله بالمعلومات المثالية وما يمكنه فعله في العالم الحقيقي. فقد أظهروا أنه إذا عرف النظام هيكل الحجة الدقيق مسبقاً، فيمكنه التصحيح بدقة عالية، لكنهم أقروا أيضاً بأنه في الفصل الدراسي الحقيقي، يجب على النظام التنبؤ بهذا الهيكل بنفسه. وقد قاسوا المدة التي تستغرقها كل خطوة على أجهزة كمبيوتر قياسية، ووجدوا أن خطوة التصحيح كانت فورية تقريباً، بينما استغرق تحليل هيكل الحجة ما يزيد قليلاً عن ثانية واحدة للمقال النموذجي. أما خطوة توليد الملاحظات، التي تنتج التعليقات المكتوبة، فقد صُممت لتكون مرنة، بحيث يمكن تشغيلها على خوادم محلية أو الاتصال بخدمات خارجية إذا لزم الأمر، رغم أن السرعة المحددة لهذه الخطوة الأخيرة لم تُقس في هذا الإصدار الأولي.

إن الفريق واضح بشأن حدود ابتكاره. فقد تم تدريب النظام حصرياً على مقالات كتبها طلاب المدارس المتوسطة والثانوية الأمريكيون، ويحذر الباحثون من عدم استخدامه لتصحيح أنواع أخرى من الكتابة، مثل القصص الإبداعية أو التقارير العلمية، دون مزيد من التدريب. كما أشاروا أيضاً إلى أن النظام لم يُختبر بعد على المسودات الجزئية، بل فقط على المقالات المكتملة، وهو أمر مهم إذا أراد المعلم استخدامه للتوجيه المستمر أثناء عملية الكتابة. وربما الأهم من ذلك، يؤكد الباحثون أنه بينما يتسم النظام بالدقة، فإنه ليس بديلاً عن الحكم البشري في المواقف عالية المخاطر. إنه مُعد ليكون أداة لمساعدة المعلمين، حيث يقدم رأياً ثانياً وتحليلات مفصلة يمكن أن تساعد الطلاب على فهم كتابتهم. ومن خلال جعل النظام بأكمله مفتوحاً ومجانياً للاستخدام، يأمل الباحثون في تشجيع التربويين والعلماء الآخرين على البناء على عملهم، واختباره في سياقات ولغات مختلفة، وفي النهاية تحسين الملاحظات التي يقدمها لضمان مساعدته لكل متعلم على التحسن.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💬 cs.CL →