Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

סיווג כוונות לשירותים מנהליים באוניברסיטה באמצעות רשת נוירונים חוזרת דו-כיוונית ששונתה על ידי אלגוריתם אופטימיזציה Kepler מפותח

· חזרה לאינדקס

עזרה דיגיטלית חכמה יותר לשאלות יומיומיות בקמפוס

סטודנטים באוניברסיטה מצפים כיום לתשובות מהירות ומדויקות בכל שעות היממה — בין אם הם מגישים בקשה לקבלה, נרשמים לקורסים או שואלים על סיוע כלכלי. מאמר זה בוחן סוג חדש של צ׳אטבוט מונע בינה מלאכותית המתוכנן במיוחד לשירותים מנהליים באוניברסיטה, עם דגש על טיפול באנגלית וביוונית. על ידי לימוד מערכת יחידה להבין טוב יותר מה הסטודנטים מבקשים ואילו פרטים חשובים, המחברים שואפים להפוך את מרכזי העזרה הדיגיטליים למהירים יותר, מהימנים יותר וקלים יותר לתפעול.

Figure 1
Figure 1.

למה הצ׳אטבוטים של היום עדיין מתבלבלים

רוב הצ׳אטבוטים המודרניים מבוססים על תחום שנקרא הבנת שפה טבעית, שמפרק את שאלת הסטודנט לשני מרכיבים עיקריים. הראשון הוא כוונה: מה הסטודנט רוצה לעשות, כמו "להירשם לקורס" או "לשאול על מועד אחרון". השני הן ישויות: החתיכות הקונקרטיות של מידע בתוך השאלה, כמו קוד קורס, סמסטר או שם תוכנית. מערכות מסורתיות משתמשות במודלים נפרדים לשתי המשימות הללו. ההפרדה הזו מבזבזת זיכרון וכוח מחשוב ועלולה להוביל לתשובות לא עקביות — למשל זיהוי נכון של קוד קורס אך כישלון בקישורו לפעולה הנכונה. הבעיות הללו מתגברות בסביבות רב-לשוניות, שבהן אותו רעיון יכול להיות מבוטא בצורות שונות בין שפות.

מוח אחד במקום שניים

המחברים מציעים מודל משותף שלומד לזהות כוונות וישויות בו-זמנית, באמצעות "מוח" משותף במקום שניים נפרדים. בלבו שילוב של שתי טכניקות רב-עוצמה. הראשונה, BERT, בוחנת את המשפט כולו בבת אחת כדי לתפוס את משמעותו הכוללת. השנייה, רשת LSTM דו-כיוונית, מקפידה על סדר המילים משמאל לימין ומימין לשמאל, מה שעוזר לעקוב אחר קשרים בסביבה הקרובה כמו איזה קורס משתייך לאיזה סמסטר. מעל ההבנה המשותפת הזו המערכת מתפצלת לשתי ראשים: אחת חוזה את כוונת הסטודנט והשנייה מתייגת כל מילה לפי תפקידה כישות או לא.

להניח למשימות לדבר זו עם זו

כדי להפיק את המרב מהמוח המשותף, המודל כולל שכבת "טרנספורמר משולב-אינטראקטיבי" המאפשרת לשתי המשימות לעדכן זו את זו בזמן אמת. כאשר המערכת מחליטה על כוונה, היא יכולה להסתכל על הישויות שהיא סבורה שנמצאות; כאשר היא מתייגת ישויות, היא יכולה להתבסס על הכוונה שנראית סבירה יותר. הדיאלוג ההדדי הזה עוזר לפתור עממיות, כמו האם "להשיב" מתייחס לעזיבת קורס או לביטול בקשה, והוא בעל ערך מיוחד ביוונית, שבה צורות המילים וסדר המילים גמישים יותר מאנגלית. על ידי שיתוף ייצוגים ותשומת לב באופן זה, המודל מצמצם כמעט בחצי את מספר הפרמטרים בהשוואה להרצת שני מודלים גדולים בנפרד, מה שהופך אותו לפרקטי יותר למחלקות ה-IT של האוניברסיטאות.

Figure 2
Figure 2.

דרך בהשראת הקוסמוס לאימון המודל

אימון של מודל עשיר כזה הוא מאתגר: שיטות אופטימיזציה סטנדרטיות יכולות להיות איטיות ורגישות לכיוונונים מדויקים. המחברים מציגים את אלגוריתם Developed Kepler Optimization (DKO), בהשראת האופן שבו כוכבי הלכת מקיפים את השמש. באנלוגיה זו, גרסאות שונות של המודל הן כמו כוכבי לכת החוקרים את מרחב אפשרויות הפרמטרים בזמן שהן נמשכות אל ה"שמש" שמניבה ביצועים מיטביים. DKO מתחיל את המועמדים הללו בפריסה מגוונת יותר מהרגיל ואז מתאים את "המסלולים" שלהם באופן מתמשך בהתאם לביצועיהם. גישה זו מזרזת את הלמידה בכ-42 אחוזים בהשוואה לשיטה פופולרית בשם Adam, תוך שהיא גם מייצבת את האימון, במיוחד על נתונים מורכבים ורב-לשוניים.

מבחנים במציאות עם סטודנטים

הצוות העריך את המערכת על מספר מערכי נתונים, כולל UniWay, אוסף של שאלות באנגלית וביוונית על שירותי אוניברסיטה, ו-xSID, מדד מוכר להבנת פקודות קצרות. בכל המבחנים המודל המשותף ביצע בעקביות טוב יותר ממערכות מבוססות חוקים, מרשתות נוירונים ישנות ואפילו מבסיסים חזקים של טרנספורמר. בניסויים שדה בשתי אוניברסיטאות — אחת דוברת רק אנגלית ואחת דו-לשונית — הצ׳אטבוט זיהה נכון את כוונות ויישויות הסטודנטים בכ-תשעה מקרים מתוך עשרה, והסטודנטים דירגו את שביעות רצונם בכ-4.5 מתוך 5. הביצועים נשארו חזקים גם כאשר נתוני האימון הועמסו פחות, מה שמרמז שהשיטה עמידה בשפות ובתחומים עם משאבים נמוכים יותר.

מה המשמעות עבור סטודנטים ואוניברסיטאות

במילים פשוטות, הממצא המרכזי הוא שהמחברים תכננו "מנוע הקשבה" ליעיל ומדויק יותר לצ׳אטבוטים של אוניברסיטה. על ידי איחוד זיהוי הכוונה וחילוץ הפרטים, ובשימוש בשיטת אימון בהשראת מסלולים, המערכת שלהם מסוגלת להבין טוב יותר את שאלות הסטודנטים תוך שימוש פחות בזיכרון ובזמן אימון. הדבר עשוי להתרגם לתשובות מהירות יותר, פחות אי-הבנות ותמיכה רב-לשונית מסביב לשעון מבלי להעמיס על הצוות האנושי. על אף שיש אתגרים נמשכים — כמו התאמה למדיניות חדשה, הוספת שפות וניהול דפוסי שימוש ארוכי טווח — העבודה מצביעה לכיוון של מערכות עזרה בקמפוס שייראו רגישות יותר, הוגנות וניתנות להרחבה.

ציטוט: 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

מילות מפתח: צ׳אטבוטים באוניברסיטה, סיווג כוונות, זיהוי ישויות ממוסמנות, בינה מלאכותית רב-לשונית, אלגוריתמי אופטימיזציה