Geliştirilmiş Kepler optimizasyon algoritmasıyla değiştirilen çift yönlü yinelemeli sinir ağı kullanılarak üniversite idari hizmetleri için niyet sınıflandırması

Günlük kampüs soruları için daha akıllı dijital yardım

Üniversite öğrencileri artık başvuru yaparken, ders kaydı yaparken veya mali yardım hakkında soru sorarken günün her saatinde hızlı ve doğru yanıtlar bekliyor. Bu makale, özellikle İngilizce ve Yunanca ile başa çıkmaya odaklanan, üniversite idari hizmetleri için özel olarak tasarlanmış yeni bir yapay zeka destekli sohbet botu türünü inceliyor. Tek bir sistemi öğrencilern ne demek istediğini ve hangi ayrıntıların önemli olduğunu daha iyi anlamaya öğretmeyi amaçlayarak, yazarlar dijital yardım masalarını daha hızlı, daha güvenilir ve işletmesi daha kolay hale getirmeyi hedefliyor.

Neden bugünün sohbet botları hâlâ kafaları karışıyor

Çoğu modern sohbet botu, öğrencinin sorusunu iki ana parçaya ayıran doğal dil anlama alanına dayanır. İlk olarak niyet vardır: öğrencinin yapmak istediği, örneğin "bir derse kayıt olmak" veya "son tarih hakkında sormak" gibi. İkinci olarak varlıklar (entitiler) vardır: ders kodu, dönem veya program adı gibi sorudaki somut bilgi parçaları. Geleneksel sistemler bu iki görev için ayrı modeller kullanır. Bu ayrım bellek ve hesaplama gücünü boşa harcar ve örneğin ders kodunu doğru tespit edip bunu doğru eyleme bağlayamama gibi tutarsız cevaplara yol açabilir. Aynı fikir birçok dilde farklı biçimlerde ifade edildiğinde bu sorunlar çokdilli ortamlarda daha da kötüleşir.

İki yerine tek bir beyin

Yazarlar, niyetleri ve varlıkları aynı anda tanımayı öğrenen, iki ayrı beyin yerine paylaşılan bir "beyin" kullanan ortak bir model öneriyor. Bunun özünde iki güçlü tekniğin birleşimi yatıyor. Birincisi, BERT, tüm cümleyi bir kerede inceleyerek genel anlamı yakalar. İkincisi, çift yönlü LSTM ağı, kelime sırasına hem soldan sağa hem de sağdan sola dikkat ederek yakın ilişkileri —örneğin hangi dersin hangi dönemle ilişkili olduğunu— izlemesine yardımcı olur. Bu paylaşılan anlayışın üstünde sistem iki kola ayrılır: biri öğrencinin niyetini tahmin eder, diğeri ise her kelimeyi bir varlık rolü olarak etiketler veya etiketlemez.

Görevlerin birbirleriyle konuşmasına izin vermek

Bu paylaşılan beyinden en iyi şekilde yararlanmak için model, iki görevin gerçek zamanlı olarak birbirlerini bilgilendirmesine izin veren bir "ko-etkileşimli dönüştürücü" (co-interactive transformer) katmanı içerir. Sistem niyeti kararlaştırırken varlıkların varlığını görebilir; varlıkları etiketlerken de en olası görünen niyete dayanabilir. Bu çapraz iletişim, "drop" kelimesinin bir dersten ayrılmayı mı yoksa bir başvuruyu iptal etmeyi mi anlatıp anlatmadığı gibi belirsizlikleri çözmeye yardımcı olur ve kelime biçimlerinin ve kelime sırasının İngilizceye göre daha esnek olduğu Yunanca’da özellikle değerlidir. Temsilleri ve dikkat mekanizmalarını bu şekilde paylaşarak model, iki büyük modeli ayrı ayrı çalıştırmaya kıyasla parametre sayısını neredeyse yarı yarıya azaltır ve bu da üniversite BT departmanları için daha uygulanabilir kılar.

Modeli eğitmek için kozmostan ilham alan bir yol

Böylesine zengin bir modeli eğitmek zordur: standart optimizasyon yöntemleri yavaş olabilir ve ince ayarlı ayarlara karşı hassas olabilir. Yazarlar, gezegenlerin güneşin etrafında dönme biçiminden ilham alan Geliştirilmiş Kepler Optimizasyon (DKO) algoritmasını tanıtıyor. Bu benzetmede, modelin farklı versiyonları en iyi performans gösteren "güneşe" doğru çekilirken olası parametre ayarları uzayını keşfeden gezegenler gibidir. DKO, bu adayları olağanın daha çeşitli bir yayılımında başlatır ve ardından performanslarına göre "yörüngelerini" sürekli olarak ayarlar. Bu yaklaşım, popüler bir yöntem olan Adam ile karşılaştırıldığında öğrenmeyi yaklaşık %42 oranında hızlandırır ve özellikle karmaşık, çokdilli verilerde eğitimi daha kararlı hale getirir.

Öğrencilerle gerçek dünya testleri

Ekip sistemini UniWay adlı üniversite hizmetleri hakkında İngilizce ve Yunanca sorulardan oluşan bir koleksiyon ile kısa komutları anlamada bilinen bir kıyaslama seti olan xSID de dahil olmak üzere birkaç veri setinde değerlendirdi. Tüm bunlarda, ortak model kural tabanlı sistemleri, eski sinir ağlarını ve hatta güçlü dönüştürücü (transformer) bazlı sistemleri tutarlı şekilde geride bıraktı. İki üniversitede yapılan saha denemelerinde —biri yalnızca İngilizce hizmet veren, diğeri iki dilli olan— sohbet botu öğrenci niyetlerini ve varlıklarını on sorudan yaklaşık dokuzunda doğru belirledi ve öğrenciler memnuniyeti yaklaşık 5 üzerinden 4,5 olarak değerlendirdi. Eğitim verileri azaldığında bile performans güçlü kaldı; bu da yöntemin daha düşük kaynaklı diller ve alanlar için sağlam olduğunu gösteriyor.

Bu öğrenciler ve üniversiteler için ne anlama geliyor

Bir yetişkinin anlayacağı şekilde ana çıkarım, yazarların üniversite sohbet botları için daha verimli ve doğru bir "dinleme motoru" tasarlamış olmalarıdır. Niyet tespiti ve ayrıntı çıkarımını birleştirerek ve yörünge ilhamlı bir eğitim yöntemi kullanarak sistemleri, öğrencilerin ne sorduğunu daha iyi kavrayabilirken daha az bellek ve eğitim süresi harcar. Bu, daha hızlı yanıtlar, daha az yanlış anlama ve insan personeli fazla yüklemeden 7/24 çokdilli destek anlamına gelebilir. Yeni politikalara uyum sağlama, daha fazla dil ve uzun vadeli kullanım kalıpları gibi zorluklar devam etse de, bu çalışma daha duyarlı, adil ve ölçeklenebilir kampüs yardım sistemlerine doğru bir adım olduğuna işaret ediyor.

Atıf: 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

Anahtar kelimeler: üniversite sohbet botları, niyet sınıflandırması, isimlendirilmiş varlık tanıma, çokdilli yapay zeka, optimizasyon algoritmaları