إطار هجين actor–critic وBERT لتوصية دورات ذكية في أنظمة التعلم الإلكتروني المدركة لإنترنت الأشياء

إيجاد الدورة المناسبة عبر الإنترنت

مع تزايد منصات التعليم عبر الإنترنت لآلاف الدورات، يواجه العديد من المتعلمين مشكلة بسيطة لكنها محبطة: أي دورة يجب أن أتابعها بعد ذلك؟ تتناول هذه الورقة ذلك التحميل الزائد عبر تصميم نظام توصية ذكي يراقب كيف يدرس الأشخاص فعليًا عبر الهواتف والحواسب اللوحية والحواسب، ثم يقترح دورات تتوافق بشكل أفضل مع أهدافهم وقدراتهم وعاداتهم مع مرور الوقت.

لماذا يحتاج التعلم عبر الإنترنت إلى مرشدين أكثر ذكاءً

الدورات المفتوحة الكبيرة عبر الإنترنت (MOOCs) تتيح لأي شخص في أي مكان الوصول إلى دروس عالية الجودة. لكن نجاح هذا النموذج خلق تحديًا جديدًا: مع كل هذه الخيارات من السهل أن تشعر بالضياع. الأساليب التقليدية للتوصية، التي تعتمد في الغالب على تقييمات النجوم أو التشابه البسيط بين المستخدمين، تكافح في هذا البيئ المتغير بسرعة. فهي تفترض أن تفضيلاتك ثابتة وغالبًا ما تتجاهل إشارات غنية مثل مدة الجلسة، الجهاز المستخدم، أو متى تميل إلى الانسحاب. في منصات التعلم المتصلة اليوم، تُسجل هذه الأنماط باستمرار ويمكن أن تكشف الكثير عما سيحافظ على تفاعل المتعلم.

جمع ما تقوله الدورات وما يفعله المتعلمون

يقترح المؤلفون نظامًا هجينًا يجمع نوعين من المعلومات: معنى محتوى الدورات وآثار سلوك المتعلمين التفصيلية. أولاً، يستخدمون نموذج لغة قويًا يُدعى BERT لقراءة عناوين الدورات والوصف والوسوم، وتحويلها إلى بصمات عددية كثيفة تلتقط الفروق الدقيقة في الموضوع والأسلوب. في الوقت نفسه، يجمع النظام إشارات تفاعل من سجلات الويب والموبايل—كم مرة ينقر المتعلم، ومدة مشاهدته للفيديوهات، وسرعته في الانتقال عبر المواد، ومدى صعوبة الدورات المختلفة بالنسبة له. تمثل هذه الآثار بيئة تعلم مدركة لإنترنت الأشياء، حيث تساهم العديد من الأجهزة المتصلة في رسم صورة عن عادات دراسة كل شخص.

كيف يعلّم المساعد التعليمي نفسه

في قلب الإطار يوجد إعداد للتعلم المعزز، حيث يتصرف الموصي كوكيل يتعلم عن طريق المحاولة والخطأ. زوج من الشبكات بنمط “actor–critic” يختار أي الدورات يقترح ويقيّم مدى جودة هذه الاختيارات، محسنًا استراتيجيته تدريجيًا. الحالة المُقدمة لهذا الوكيل تمزج بصمات الدورات المبنية على BERT، وملخصات مضغوطة لسلوك المتعلم، وميزات إضافية ينتجها وحدة مسافة ماهالانوبس، التي تقيس التشابه مع الأخذ في الاعتبار الارتباطات بين العديد من الميزات. بدلًا من السعي وراء النقرات السريعة، يشجع إشارة المكافأة النتائج الأعمق: إنهاء أجزاء أكبر من الدورة، أداء أفضل في الاختبارات، وقضاء وقت ذي مغزى في التفاعل مع المادة. تحافظ طريقة تدريب تسمى Proximal Policy Optimization على استقرار التعلم حتى عندما يستكشف النظام توصيات جديدة.

الاختبار على منصات دورات حقيقية

لاختبار ما إذا كان هذا التصميم يعمل عمليًا، درب المؤلفون قيمَّموا نموذجهم على ثلاث مجموعات كبيرة من الدورات: MOOCCube وedX وNTHU MOOCs. تختلف هذه المجموعات في الحجم وتركيبة الموضوعات ومدى ندرة أو كثافة تفاعلات المستخدمين، مما يجعلها اختبار ضغط جيد. قارنوا نظامهم بعدة منافسين أقوياء، بما في ذلك أساليب قائمة على الشبكات العصبية البيانية والتجميع والهياكل الهجينة العميقة. عبر جميع المجموعات ومقاييس جودة الترتيب المعيارية، تفوق النموذج الجديد باستمرار، محققًا عادة تحسنًا في النقاط الرئيسية بمعدلات تتراوح بين نقطتين وأربع نقاط مئوية. أظهرت دراسات الإزالة المتأنية أن كل عنصر—ترميز النص الدلالي، بنية actor–critic، قاعدة تدريب PPO، ومقياس المسافة الواعي بالارتباط—ساهم في المكاسب النهائية.

ماذا يعني هذا للدراسة عبر الإنترنت في المستقبل

بعبارات بسيطة، تُظهر الدراسة أن محرك توصية يستمع فعليًا إلى ما تعد به الدورات وإلى كيفية تصرف المتعلمين يمكنه إرشاد الناس عبر فهارس الإنترنت المزدحمة بشكل أكثر فعالية. من خلال تتبع ليس فقط النقرات ولكن أيضًا الإكمال ونجاح الاختبارات والانتباه المستمر، يتعلم النظام اقتراح دورات من المرجح أن تناسب مستوى كل متعلم وتحافظ على تقدمه. وبما أن التصميم يتضمن ضوابط خصوصية ويمكن توسيعه بتقنيات مثل التعلم الفدرالي وواجهات قابلة للتفسير، فإن الإطار يقدم طريقًا عمليًا نحو صفوف إلكترونية أكثر دعمًا وتكيفًا تبدو أقل كالتجول في متاهة وأكثر كوجود معلم ملمّ يخبرك بالخطوة الأفضل التالية.

الاستشهاد: Chunqin, X., Peixi, W. A hybrid actor–critic and BERT framework for intelligent course recommendation in IoT-aware e-learning systems. Sci Rep 16, 10259 (2026). https://doi.org/10.1038/s41598-026-40952-2

الكلمات المفتاحية: توصية دورات عبر الإنترنت, التعلم الإلكتروني المخصص, التعلم المعزز, البيانات التعليمية, تحليلات التعلم