يمثل تعلم المعارف المعقدة والمفصلة والمتطورة باستمرار تحديًا قائمًا في مهن تقنية متعددة، إذ تتوزع المعارف المصدرية ذات الصلة على مستندات ومصادر معلومات ضخمة كثيرة، وتخضع هذه المستندات لتحديثات متكررة تفرض توليد اختبارات معرفية حول المواد الجديدة وتنقيح الاختبارات القائمة بما يواكب تحديثات قاعدة المعرفة، وفي هذا السياق توفر النماذج اللغوية الكبيرة إطارًا للاكتساب المعرفي والتعلم المستمر بمساعدة الذكاء الاصطناعي، بينما يوفر التوليد المعزز بالاسترجاع إطارًا للاستفادة من النماذج اللغوية الكبيرة المدربة الجاهزة مقترنة بقواعد معرفية خاصة بالمجالات التقنية، بما يجمع بين قدرات النموذج اللغوية ودقة المصادر الموثوقة المغلقة
وتزداد الحاجة إلى مثل هذه الحلول في البيئات المهنية التي تعتمد على مكتبات مستندية مغلقة لا يمكن إتاحتها للنماذج العامة، كالأدلة الفنية واللوائح والمناهج التدريبية الداخلية، إذ يحتاج المهنيون إلى استعلام هذه المستندات المتعددة بسرعة ودقة، وإلى اختبارات محدثة تقيس إلمامهم بالمستجدات، وقد جاءت هذه الدراسة لتقدم طرقًا وحلًا متكاملًا يعالج هذه الحاجة، ويجعل الإجابة عن الأسئلة وتوليد الاختبارات وتقييمها عمليات قابلة للأتمتة والمتابعة مع تطور قاعدة المعرفة ذاتها
أولًا: أهداف الدراسة ومنهجيتها
قدمت الدراسة طريقتين جديدتين هما طريقة المستند بوصفه قاموسًا وطريقة قاموس الأسئلة والأجوبة المنظم، وتمكن هاتان الطريقتان معًا من التطبيق الفعال للإجابة عن الأسئلة بالنماذج اللغوية الكبيرة المعززة بالاسترجاع على المستندات الضخمة، كما قدمت الدراسة حل الذكاء الاصطناعي للمهام كثيفة المعرفة للعمل مع مستندات عديدة لأغراض التدريب والتعليم المستمر، وهو حل مفتوح المصدر معبأ في حاويات، يعمل على الأنظمة المستقلة والأنظمة عالية الأداء والأنظمة السحابية، ويتضمن نماذج لغوية كبيرة وتوليدًا معززًا بالاسترجاع ومخازن متجهات وقاعدة بيانات علاقية وواجهة ويب مبنية بإطار روبي أون ريلز، بما يكوّن بيئة متكاملة من الاسترجاع إلى التفاعل مع المستخدم
ثانيًا: أبرز النتائج
1- أظهرت النتائج أن تغطية المستندات المصدرية بالأسئلة المولدة عبر النماذج اللغوية الكبيرة المعززة بالاسترجاع تتناقص كلما ازداد طول المستندات، وهو ما يحد من اكتمال الأسئلة المولدة عن المواد الطويلة إذا عولجت وحدة واحدة، 2- تبين أن تقسيم المستندات المصدرية إلى أجزاء يحسن تغطية الأسئلة المولدة، إذ يتيح التعامل مع المقاطع الأصغر استرجاعًا أدق وأسئلة أشمل لمحتوى المستند بأجزائه المختلفة، 3- أتاح حل الذكاء الاصطناعي للمهام كثيفة المعرفة استخدام نماذج لغوية كبيرة متعددة بسهولة مع مستندات استرجاع متعددة الوسائط، بما يمنح المستخدم مرونة في اختيار النموذج المناسب لمهمته ومقارنة مخرجاته بغيره، 4- يحتفظ الحل باستجابات النماذج اللغوية الكبيرة المعززة بالاسترجاع للاستعلامات الموجهة إلى نموذج واحد أو نماذج متعددة، بما يدعم المراجعة والمقارنة وإعادة الاستخدام في التدريب والتعليم المستمر
ثالثًا: دلالات الدراسة وتطبيقاتها
توفر هذه الدراسة للمؤسسات التعليمية والتدريبية والمهن التقنية مجموعة أدوات سهلة الاستخدام للتعامل مع المعلومات المعقدة بقدرات النماذج اللغوية الكبيرة المعززة بالاسترجاع، إذ يمكن توظيف الحل المقدم في توليد اختبارات معرفية مواكبة لتحديث المستندات وتنقيح الاختبارات القائمة، وفي دعم التعلم المستمر للمهنيين الذين تفرض عليهم مهنهم متابعة معارف متجددة، كما أن طبيعة الحل المفتوحة المصدر وقابليته للنشر على بيئات تشغيل متنوعة تجعله قابلًا للتبني والتكييف بحسب احتياجات المؤسسات المختلفة وقدراتها التقنية، وقابلًا للتطوير المجتمعي المستمر، وتزداد قيمة هذا الحل في المؤسسات التي تدير مكتبات مستندات ضخمة متجددة، إذ يختصر زمن إعداد الاختبارات ومراجعتها، ويتيح للخبراء التركيز على ضبط الجودة بدل الأعمال المتكررة، ويجعل التعلم المستمر نشاطًا مصاحبًا للعمل اليومي لا عبئًا إضافيًا عليه
وخلاصة القول إن الدراسة قدمت إسهامًا تطبيقيًا في توظيف النماذج اللغوية الكبيرة المعززة بالاسترجاع لخدمة اكتساب المعرفة والتعلم المستمر، من خلال طريقتين لتحسين الإجابة عن الأسئلة في المستندات الضخمة، وحل متكامل مفتوح المصدر يجمع النماذج ومخازن المتجهات وقواعد البيانات وواجهة الاستخدام، مع درس منهجي مهم مفاده أن تقسيم المستندات الطويلة شرط لتحسين تغطية الأسئلة المولدة وجودة الاسترجاع
المصدر الأصلي: https://www.frontiersin.org/articles/10.3389/frai.2025.1592013/full
DOI: 10.3389/frai.2025.1592013