تصنيف النوايا لخدمات الإدارة الجامعية باستخدام شبكة عصبية متكررة ثنائية الاتجاه مُعدَّلة بخوارزمية تحسين كيبلر مطورة

مساعدة رقمية أذكى لأسئلة الحرم الجامعي اليومية

يتوقع طلاب الجامعات اليوم إجابات سريعة ودقيقة في أي وقت—سواء عند التقديم للالتحاق، أو تسجيل المقررات، أو الاستفسار عن المساعدات المالية. تستكشف هذه الورقة نوعًا جديدًا من روبوتات الدردشة المدعومة بالذكاء الاصطناعي المصممة خصيصًا لخدمات الإدارة الجامعية، مع تركيز على التعامل باللغتين الإنجليزية واليونانية. من خلال تعليم نظام واحد لفهم ما يقصده الطلاب وتحديد التفاصيل المهمة بشكل أفضل، يهدف المؤلفون إلى جعل مراكز المساعدة الرقمية أسرع وأكثر موثوقية وأسهل في التشغيل.

لماذا لا تزال روبوتات الدردشة الحالية مرتبكة

تعتمد معظم روبوتات الدردشة الحديثة على مجال يسمى فهم اللغة الطبيعية، الذي يقسم سؤال الطالب إلى جزئين رئيسيين. الأول هو النية: ما الذي يريد الطالب القيام به، مثل «التسجيل في مقرر» أو «الاستفسار عن موعد نهائي». الثاني هو الكيانات: قطع المعلومات الملموسة داخل السؤال، مثل رمز المقرر أو الفصل الدراسي أو اسم البرنامج. تستخدم الأنظمة التقليدية نماذج منفصلة لهذين المهمتين. هذا الفصل يهدر الذاكرة وقوة الحوسبة وقد يؤدي إلى إجابات غير متسقة—على سبيل المثال، اكتشاف رمز مقرر بشكل صحيح لكن الفشل في ربطه بالإجراء الصحيح. وتزداد هذه المشكلات سوءًا في بيئات متعددة اللغات، حيث يمكن التعبير عن الفكرة نفسها بأشكال متعددة عبر اللغات.

عقل واحد بدلًا من اثنين

يقترح المؤلفون نموذجًا مشتركًا يتعلم التعرف على النوايا والكيانات في وقت واحد، مستخدمين «عقلًا» مشتركًا بدلًا من اثنين منفصلين. في جوهره مزيج من تقنيتين قويتين. الأولى، BERT، تنظر إلى الجملة بأكملها دفعة واحدة لالتقاط معناها العام. الثانية، شبكة LSTM ثنائية الاتجاه، تولي اهتمامًا لترتيب الكلمات من اليسار إلى اليمين ومن اليمين إلى اليسار، مما يساعدها على تتبع العلاقات القريبة مثل أي مقرر مرتبط بأي فصل دراسي. وعلى أساس هذا الفهم المشترك، يتفرع النظام إلى رأسين: أحدهما يتنبأ بنيّة الطالب، والآخر يوسم كل كلمة بدورها ككيان أم لا.

جعل المهام تتواصل فيما بينها

للاستفادة القصوى من هذا العقل المشترك، يتضمن النموذج طبقة «محول تفاعلي مشترك» تسمح للمهمتين بإفادة بعضهما البعض في الوقت الحقيقي. عندما يقرر النظام النية، يمكنه الاطلاع على الكيانات التي يعتقد بوجودها؛ وعندما يوسم الكيانات، يمكنه الاعتماد على النية الأكثر احتمالًا. يساعد هذا التبادل في حل الغموض، مثل ما إذا كانت كلمة «حذف» تشير إلى ترك مقرر أم إلغاء طلب، ويكون ذا قيمة خاصة في اليونانية حيث صيغ الكلمات وترتيبها أكثر مرونة من الإنجليزية. من خلال مشاركة التمثيلات والانتباه بهذه الطريقة، يقلص النموذج عدد المعاملات بنحو النصف مقارنة بتشغيل نموذجين كبيرين منفصلين، مما يجعله أكثر ملاءمة لقسم تكنولوجيا المعلومات في الجامعات.

طريقة مستوحاة من الفضاء لتدريب النموذج

تدريب نموذج غني كهذا أمر صعب: طرق التحسين القياسية يمكن أن تكون بطيئة وحساسة للإعدادات الدقيقة. يقدم المؤلفون خوارزمية تحسين كيبلر المطورة (DKO)، المستوحاة من طريقة دوران الكواكب حول الشمس. في هذا التشبيه، تُشبه نسخ النموذج المختلفة بالكواكب التي تستكشف فضاء إعدادات المعاملات المحتملة بينما تجذبها «الشمس» ذات الأداء الأفضل. تبدأ DKO هذه المرشحات بتوزيع أكثر تنوعًا من المعتاد ثم تضبط «مداراتها» باستمرار بناءً على مدى أدائها. تسرّع هذه المقاربة التعلم بنحو 42 بالمئة مقارنة بطريقة شائعة تسمى آدم، بينما تجعل التدريب أكثر استقرارًا، خاصة على بيانات متعددة اللغات ومعقدة.

اختبارات واقعية مع الطلاب

قَيَّم الفريق نظامه على عدة مجموعات بيانات، بما في ذلك UniWay، مجموعة من الأسئلة الإنجليزية واليونانية حول الخدمات الجامعية، وxSID، معيار معروف لفهم الأوامر القصيرة. عبر كل هذه المجموعات، تفوق النموذج المشترك باستمرار على الأنظمة القائمة على القواعد، والشبكات العصبية الأقدم، وحتى قواعد الأساسيات القائمة على المحولات القوية. في تجارب ميدانية في جامعتين—واحدة ناطقة بالإنجليزية فقط وأخرى ثنائية اللغة—حدد روبوت الدردشة نوايا وكيانات الطلاب بشكل صحيح حوالي تسع مرات من كل عشر، وقيم الطلاب رضاهم بنحو 4.5 من 5. ظل الأداء قويًا حتى عند تقليل بيانات التدريب، مما يشير إلى أن الطريقة قوية في اللغات والمجالات ذات الموارد الأقل.

ماذا يعني هذا للطلاب والجامعات

بالنسبة للقارئ العادي، الخلاصة أن المؤلفين صمموا «محرك استماع» أكثر كفاءة ودقة لروبوتات الدردشة الجامعية. من خلال توحيد اكتشاف النية واستخراج التفاصيل، وباستخدام طريقة تدريب مستوحاة من المدارات، يمكن لنظامهم فهم ما يطلبه الطلاب بشكل أفضل مع استخدام ذاكرة ووقت تدريب أقل. قد يترجم ذلك إلى إجابات أسرع، وفهم أقل خاطئ، ودعم متعدد اللغات على مدار الساعة دون إرهاق الطاقم البشري. ومع بقاء تحديات مثل التكيف مع سياسات جديدة، والمزيد من اللغات، وأنماط الاستخدام الطويلة الأمد، تشير هذه الدراسة إلى أن أنظمة المساعدة في الحرم الجامعي قد تصبح أكثر استجابة وعدلاً وقابلية للتوسع.

الاستشهاد: Yang, Z., Lu, M. & Huang, S. Intent classification for university administrative services using a bidirectional recurrent neural network modified by a developed Kepler optimization algorithm. Sci Rep 16, 6263 (2026). https://doi.org/10.1038/s41598-026-35504-7

الكلمات المفتاحية: روبوتات الدردشة الجامعية, تصنيف النوايا, التعرف على الكيانات المسماة, الذكاء الاصطناعي متعدد اللغات, خوارزميات التحسين