Incorporating Feedback into Elo-Based Knowledge Tracing for Iterative Problem Solving
تقترح هذه الورقة وتتحقق من صحة امتدادين لنظام تصنيف "إيلو" (Elo Rating System) يعتمدان على التغذية الراجعة — وهما نموذجا "العنصر الجديد" و"معدل الاحتمالية" — واللذان يحسنان دقة تقدير المعرفة بشكل كبير مقارنة بالنهج القياسية من خلال التمييز الصريح بين النجاحات بمساعدة والنجاحات بدون مساعدة في بيئات حل المشكلات التكرارية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 تحاول تعلم مهارة معقدة، مثل إتقان مستوى جديد في لعبة فيديو أو حل لغز كيميائي صعب. في العالم الحقيقي، إذا تعثرت، قد تطلب من المعلم تلميحاً، أو ربما يعطيك الإجابة مباشرة. ولكن في العالم الرقمي، غالباً ما تحاول الحواسيب تخمين مدى ذكائك بناءً على إجاباتك. وللقيام بذلك، تستخدم طريقة تسمى "تتبع المعرفة" (Knowledge Tracing)، وهي ببساطة وسيلة تجعل الحاسوب يحتفظ بسجل لما تعرفه وما لا تعرفه. إحدى الطرق الشائعة للاحتفاظ بهذا السجل هي "نظام تصنيف إيلو" (Elo Rating System)، وهو أسلية ابتُكرت في الأصل لتصنيف لاعبي الشطرنج. يعمل هذا النظام مثل السلم: إذا هزمت خصماً قوياً، فإنك تصعد للأعلى؛ وإذا خسرت أمام خصم سهل، فإنك تنزلق للأسفل. السؤال الكبير الذي يطرحه الباحثون هو: ماذا يحدث عندما يساعدك الحاسوب؟ إذا حللت مسألة بعد أن أعطاك الحاسوب تلميحاً، فهل يُحتسب ذلك كحل للمسألة بمفردك تماماً؟ إذا لم يفرق الحاسوب بين الحالتين، فقد يظن أنك عبقري بينما كنت في الواقع تحتاج فقط إلى دفعة بسيطة، أو قد يظن أنك تعاني بينما كنت تنتظر المساعدة فحسب. إن الخطأ في هذا التقييم يمثل مشكلة، لأن ذلك يعني أن الحاسوب قد يقدم لك دروساً خاطئة في المرة القادمة.
تعالج هذه الورقة البحثية تلك المشكلة تحديداً عبر دراسة كيفية جعل نظام تصنيف "إيلو" أكثر ذكاءً فيما يتعلق بـ "التغذية الراجعة". درس الباحثون 296 طالباً جامعياً يعملون على مهمة كيميائية معقدة: تصميم بروتوكول معايرة (خطة خطوة بخطوة لخلط المواد الكيميائية). كان بإمكان هؤلاء الطلاب المحاولة لعدد غير محدود من المرات، وبعد كل تخمين خاطئ، كان النظام يقدم لهم تغذية راجعة محددة، تتراوح من تلميح بسيط إلى الإجابة الصحيحة الكاملة. اختبر الفريق طريقتين جديدتين لتحديث درجات الطلاب تأخذان في الاعتبار هذا النوع من المساعدة فعلياً.
الفكرة الأولى، وتسمى نموذج "العنصر الجديد" (New Item model)، تعامل كل نسخة من المسألة كأنها لعبة مختلفة تماماً. فهي تقول: "حل هذا اللغز بدون مساعدة هو أمر، وحله مع تلميح هو تحدٍ مختلف تماماً". لذا، يقوم الحاسوب بإنشاء درجة منفصلة لنسخة المسألة "المُلمَّحة". أما الفكرة الثانية، وهي نموذج "معدل الاحتمالية" (Probability Modifier model)، فهي تشبه إلى حد ما "التعزيز السحري". فهي تقول: "المسألة هي نفسها، لكن وجود تلميح يجعل من السهل جداً حلها بشكل صحيح". حيث يقوم هذا النموذج بتعديل احتمالات النجاح بناءً على حجم التلميح المقدم.
وعندما اختبر الباحثون هذه الأفكار مقابل الطريقة القديمة والمعيارية (التي تتجاهل ما إذا كانت المساعدة قد قُدمت أم لا)، كانت النتائج واضحة. فقد كان كلا النموذجين الجديدين أفضل بكثير في التنبؤ بما إذا كان الطالب سيحل الخطوة التالية بشكل صحيح. لم يكتفيا بالتنبؤ بشكل أفضل فحسب، بل كانا أكثر اتساقاً عبر مجموعات مختلفة من الطلاب، بل واستطاعا التنبؤ بكيفية أداء طلاب جدد لم يسبق رؤيتهم. استخدمت الدراسة مجموعة بيانات مكونة من 47,224 تفاعلاً لإثبات أن تجاهل التغذية الراجعة يؤدي إلى صورة ضبابية وغير دقيقة لمعرفة المتعلم. ومن خلال نمذجة المساعدة بشكل صريح، يحصل الحاسوب على رؤية أكثر وضوحاً وإنصافاً لما يعرفه الطالب حقاً، مما يضمن أن "الدرجة" تعكس المهارة الحقيقية بدلاً من مجرد مقدار المساعدة التي كانت متاحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.