به کارگیری یادگیری تقویتی پیشرفته در پلتفرم های آموزشی چارچوبی برای شخصی سازی پویای مسیر یادگیری با استفاده از مدل های زبانی بزرگ

هدف این مطالعه ارائه و ارزیابی یک چارچوب نوین برای شخصی سازی پویای مسیرهای یادگیری در پلتفرم های آموزشی هوشمند است. این چارچوب یادگیری تقویتی عمیق (Deep RL) را با قابلیت های درک زبانی مدل های زبانی بزرگ (LLM) تلفیق می کند تا سیستمی بسازد که نه تنها بر اساس عملکرد گذشته بلکه با درک معنایی محتوای آموزشی و تعامل زنده یادگیرنده، مسیرهای یادگیری را به صورت بلادرنگ بهینه سازی کند. با استفاده از روش طراحی پژوهشی و شبیه سازی رایانه ای یک محیط آموزشی دیجیتال با ۵۰۰ یادگیرنده مجازی و ۲۰۰ مفهوم درسی مدل سازی شد. معماری پیشنهادی شامل سه لایه اصلی بود: لایه تحلیل محتوای مبتنی بر LLM، لایه تصمیم گیری مبتنی بر الگوریتم DDPG، و لایه محیط شبیه سازی. یافته ها نشان داد که چارچوب پیشنهادی در مقایسه با روش های خطی، فیلتر مشارکتی و یادگیری تقویتی کلاسیک منجر به بهبود ۲۸.۵ درصدی نرخ تکمیل دوره ها، کاهش ۲۲ درصدی زمان یادگیری و افزایش ۳۴ درصدی رضایت کاربران مجازی شده است. این مطالعه نتیجه می گیرد که ادغام Deep RL و LLM پتانسیل بالایی برای تحول در سیستم های آموزشی هوشمند دارد و می تواند گامی به سوی تحقق عدالت آموزشی از طریق شخصی سازی در مقیاس انبوه باشد. چالش های عملیاتی شامل نیاز به زیرساخت محاسباتی، ملاحظات اخلاقی و لزوم بومی سازی مدل های زبانی برای زبان فارسی مورد بحث قرار گرفته اند.

کلیدواژه ها:

یادگیری تقویتی عمیق ، مدل های زبانی بزرگ ، شخصی سازی یادگیری ، پلتفرم های آموزشی هوشمند ، سیستم توصیه گر آموزشی