Intentclassificatie voor universitaire administratieve diensten met een bidirectioneel recurrent neuraal netwerk aangepast door een ontwikkeld Kepler-optimalisatiealgoritme

Slimmere digitale hulp voor alledaagse campusvragen

Studenten verwachten nu snelle, nauwkeurige antwoorden op elk moment—of ze nu zich aanmelden voor toelating, zich inschrijven voor vakken of vragen hebben over financiële steun. Dit artikel onderzoekt een nieuw soort door AI aangedreven chatbot die specifiek is ontworpen voor universitaire administratieve diensten, met aandacht voor zowel Engels als Grieks. Door één systeem te leren beter te begrijpen wat studenten bedoelen en welke details belangrijk zijn, willen de auteurs digitale helpdesks sneller, betrouwbaarder en makkelijker te beheren maken.

Waarom de huidige chatbots nog steeds in de war raken

De meeste moderne chatbots vertrouwen op een vakgebied dat natuurlijke taalbegrip heet, dat de vraag van een student in twee hoofdcomponenten opsplitst. Ten eerste intentie: wat de student wil doen, zoals “inschrijven voor een cursus” of “vragen naar een deadline.” Ten tweede entiteiten: de concrete informatie in de vraag, zoals een cursuscode, semester of programmanaam. Traditionele systemen gebruiken aparte modellen voor deze twee taken. Die scheiding verspilt geheugen en rekencapaciteit en kan leiden tot inconsistente antwoorden—bijvoorbeeld een cursuscode correct herkennen maar deze niet koppelen aan de juiste handeling. Deze problemen worden erger in meertalige omgevingen, waar hetzelfde idee in veel vormen over talen heen kan worden uitgedrukt.

Eén brein in plaats van twee

De auteurs stellen een gezamenlijk model voor dat zowel intenties als entiteiten tegelijk leert herkennen, gebruikmakend van een gedeeld “brein” in plaats van twee afzonderlijke. De kern is een combinatie van twee krachtige technieken. De eerste, BERT, bekijkt een hele zin in één keer om de algemene betekenis vast te leggen. De tweede, een bidirectioneel LSTM-netwerk, let nauw op de volgorde van woorden van links naar rechts en van rechts naar links, wat helpt om nabijheidsrelaties te volgen, zoals welke cursus bij welk semester hoort. Bovenop dit gedeelde begrip splitst het systeem in twee koppen: één voorspelt de intentie van de student en de andere labelt elk woord met zijn rol als entiteit of niet.

Laat taken met elkaar praten

Om het meeste uit dit gedeelde brein te halen, bevat het model een “co-interactive transformer” laag die de twee taken in realtime elkaar laat informeren. Wanneer het systeem een intentie bepaalt, kan het kijken naar de entiteiten die het denkt te zien; wanneer het entiteiten labelt, kan het leunen op welke intentie het meest waarschijnlijk lijkt. Deze kruiscommunicatie helpt ambiguïteiten op te lossen, zoals of “drop” verwijst naar het verlaten van een cursus of het annuleren van een aanmelding, en is bijzonder waardevol in het Grieks, waar woordvormen en woordvolgorde flexibeler zijn dan in het Engels. Door representaties en aandacht op deze manier te delen, halveert het model bijna het aantal parameters vergeleken met het parallel draaien van twee grote modellen, waardoor het praktischer wordt voor universitaire IT-afdelingen.

Een door de kosmos geïnspireerde manier om het model te trainen

Het trainen van zo’n rijk model is lastig: standaardoptimalisatiemethoden kunnen traag zijn en gevoelig voor fijn afgestelde instellingen. De auteurs introduceren het Developed Kepler Optimization (DKO) algoritme, geïnspireerd door de manier waarop planeten om de zon draaien. In deze analogie zijn verschillende versies van het model als planeten die de ruimte van mogelijke parameterinstellingen verkennen terwijl ze naar de best presterende “zon” worden toegetrokken. DKO start deze kandidaten in een diversere spreiding dan gebruikelijk en past vervolgens continu hun “banen” aan op basis van hoe goed ze presteren. Deze aanpak versnelt het leren met ongeveer 42 procent vergeleken met een populaire methode genaamd Adam, terwijl het trainen ook stabieler wordt, vooral bij complexe, meertalige data.

Tests in de echte wereld met studenten

Het team evalueerde hun systeem op meerdere datasets, waaronder UniWay, een verzameling Engelse en Griekse vragen over universitaire diensten, en xSID, een bekend benchmark voor het begrijpen van korte commando’s. Over al deze datasets presteerde het gezamenlijke model consequent beter dan op regels gebaseerde systemen, oudere neurale netwerken en zelfs sterke transformer-baselines. In veldtesten aan twee universiteiten—één Engelstalig en één tweetalig—herkende de chatbot de intenties en entiteiten van studenten circa negen van de tien keer correct, en studenten beoordeelden hun tevredenheid op ongeveer 4,5 van de 5. De prestaties bleven sterk zelfs wanneer de trainingsdata werden verminderd, wat suggereert dat de methode robuust is in talen en domeinen met minder middelen.

Wat dit betekent voor studenten en universiteiten

Voor een niet-specialist is de belangrijkste conclusie dat de auteurs een efficiëntere en nauwkeurigere “luistermotor” voor universitaire chatbots hebben ontworpen. Door intentiedetectie en detailextractie te verenigen en door een door banen geïnspireerde trainingsmethode te gebruiken, kan hun systeem beter begrijpen wat studenten vragen terwijl het minder geheugen en minder trainingstijd verbruikt. Dit kan zich vertalen in snellere antwoorden, minder misverstanden en meertalige ondersteuning rond de klok zonder het menselijk personeel te overbelasten. Hoewel er uitdagingen blijven—zoals aanpassen aan nieuwe beleidsregels, meer talen en langetermijngebruikspatronen—wijst het werk op helpdesks voor de campus die responsiever, eerlijker en schaalbaarder aanvoelen.

Bronvermelding: 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

Trefwoorden: universitaire chatbots, intentclassificatie, named entity recognition, meertalige AI, optimalisatiealgoritmen