RoboTutor يقدم أداء ممتازاً

نشر في 15-01-2016 | 00:01
آخر تحديث 15-01-2016 | 00:01
No Image Caption
كيف تُظهر أنك تعرف ما تعرفه؟ تُضطر في معظم الأحوال إلى الخضوع لاختبار.
يستطيع برنامج إلكتروني جديد تحسين معارفك وإلغاء الحاجة إلى الخضوع لاختبارات رسمية.
يحلل برنامج جديد طوره باحثون من جامعة ستانفورد وغوغل في كاليفورنيا، أداء الطلاب في المسائل العملية السابقة، محدداً المواضع التي ربما يخطئون فيها، ويكوّن صورة عن معارفهم عموماً.

لا تُعتبر فكرة استخدام برنامج إلكتروني لتتبع تقدم الطلاب جديدة. لكن محاولات قليلاة سعت حتى اليوم إلى استغلال عملية التعلم العميق المتطورة التي تساعد الآلات على التعلم باستهلاك كميات كبيرة من البيانات.

زوّد كريس بيتش وفريقه من جامعة ستانفورد نظامهم بأكثر من 1.4 مليون جواب قدمها طلاب لحل مسائل حسابية معروضة على منصة {خان أكاديمي} للتعلم على شبكة الإنترنت، فضلاً عن علامات كل منها. كذلك دربوا شبكة عصبية على فرز الأسئلة وفق نوعها: تلك التي تشمل جذراً تربيعياً، رسوماً بيانية، أو احتساب النقطة التي يلتقي عندها خط بالمحور الأفقي في الرسم مثلاً.

ومع هذه المعلومات كافة، بدأ البرنامج الاطلاع على مقدرات كل طالب في كل من فئات الأسئلة.

يستطيع هذا النموذج توقع بدقة تصل إلى 85 % ما إذا كان الطالب سينجح في حل تمرين جديد أو لا، وذلك بتأمل نحو 12 سؤالاً آخر سبق أن أجاب عنها. قدّم بيتش نتائجه هذه في مؤتمر لأنظمة معالجة المعلومات العصبية في مونتريال بكندا الشهر الماضي.

يود بيتش إعداد نسخة أكثر تطوراً لا تكتفي بتوقع الأسئلة التي لن ينجح التلميذ في الإجابة عنها على الأرجح، بل تحدد السبب أيضاً. فمن الجيد، في رأي بيتش، {إن تمكنا كلنا من الحصول على مدرّس متطور يمضي الوقت في التفكير في ما علينا تعلمه}. صحيح أن هذا الأمر قد يبدو اليوم بعيداً عن المنطق، إلا أننا قد نلجأ ذات يوم إلى هذا النوع من البرامج بغية تحديد المواضع التي يواجه فيها الإنسان صعوبة ومساعدته في تحسينها.

علاوة على ذلك، قد يصبح هذا البرنامج في النهاية دقيقاً كفاية لإلغاء الحاجة إلى الخضوع لامتحانات، وفق بيتش. ويضيف: {ينبئنا حدسنا أننا إذا أولينا الاهتمام الكافي لأداء التلميذ خلال عملية التعلم، نلغي الحاجة إلى إخضاعه لامتحان}.

تذكر تامارا سامنر من جامعة كولورادو ببولدر أن البرنامج يشكل تقدماً كبيراً في هذا المجال. وتتابع موضحة: {من اللافت أن هذه المقاربة لا تتطلب مشاركة بشرية كبيرة بغية تقييم بيانات التدريب أو رسم نماذج عن الخبرات}.

يؤكد نيل هيفرنان، عالم كمبيوتر في معهد وارشيستر المتعدد الاختصاصات في ماساشوستس، أهمية تطوير طرق أفضل لتوقع أداء الطلاب. لكنه يتساءل عما إذا كان لهذا النظام الجديد أي قيمة عملية: على سبيل المثال، هل يستطيع أن يحدد لنا كيفية تحسين أساليب تعليم الطلاب الذين ينتمون إلى خلفيات متنوعة ويملكون مستويات مختلفة من المهارات؟

يتابع هيفرنان: {ما الهدف من امتلاك قدرة أكبر على التوقع؟ أتمنى لو نستطيع استغلاله في أغراض ذات معنى وهدف}.

back to top