NYIT تطوّر مساعدًا قائمًا على نموذج لغوي كبير لمقرر التحليل التطبيقي في MATLAB

قدّم باحثون في قسم هندسة الكهرباء وتقنيات الحاسوب بمعهد نيويورك للتكنولوجيا (NYIT) في يوليو 2026، عبر منصة arXiv، نموذج VectorizationLLM، وهو مساعد لغوي شديد التخصص مبني على نماذج Google مفتوحة الأوزان، وقد طُوّر لمقرر دراسي واحد بعينه.

لأي مقرر صُمّم المساعد

صُمّم VectorizationLLM حصرًا لمقرر CTEC 247 — «التحليل الحسابي التطبيقي II» — في قسم ECE Technology بحرم NYIT في أولد ويستبري بولاية نيويورك. ويتناول المقرر عدة موضوعات يصعب عادةً على طلاب التخصصات التقنية استيعابها:

• التوجيه الذكي (smart vectorization) في بيئة MATLAB
• تحليل المتجهات الزمنية والموجية
• الدوال المعرَّفة على مقاطع
• تحليل فورييه
• المعادلات التفاضلية العادية

في هذه الموضوعات يتعثر الطلاب أكثر من غيرها، ويبحثون عن المساعدة خارج قاعة الدرس. ويسدّ المساعد هذه الفجوة لأنه متاح على مدار الساعة، بخلاف المحاضر في القسم.

كيف يعمل النموذج وما الذي لا يفعله

تقوم بنية VectorizationLLM على مكوّنين. الأول هو RAG (Retrieval Augmented Generation)، أي قاعدة معرفية مكوّنة من مواد مقرر CTEC 247، بما فيها ملاحظات المحاضرات وأمثلة التعليمات البرمجية بلغة MATLAB والرسوم التوضيحية. عندما يطرح الطالب سؤالًا، يبحث النموذج أولًا عن المقاطع ذات الصلة داخل هذه المجموعة من المواد، ثم يولّد الإجابة استنادًا إليها. وهذا يقلّل بشكل حاد من خطر «الهلوسة» مقارنة بروبوتات الدردشة العامة.

المكوّن الثاني هو موجّه النظام (system prompt) الذي يحدّد الدور التربوي: يشرح المساعد ويلمّح، لكنه لا يقدّم حلولًا جاهزة للمسائل عن قصد. والمبدأ المتّبع هو «الحوار السقراطي»، أي أن على الطالب أن يصل إلى الإجابة بنفسه. ويمكن أن تتضمن الإجابات شروحات نصية وكتل تعليمات برمجية وصورًا في آن واحد، مما يتيح شرح المفاهيم الرياضية بأوضح صيغة ممكنة.

لماذا يُعدّ «الذكاء الاصطناعي الخاص بالمقرر» اتجاهًا واعدًا

يندرج VectorizationLLM ضمن اتجاه متنامٍ لإنشاء نماذج لغوية كبيرة تعليمية شديدة التخصص، مرتبطة بمادة أو مقرر محدد. وبخلاف ChatGPT بصيغته «الخام»، لا يخرج هذا المساعد عن حدود المنهج الدراسي، ويعتمد فقط على مواد المحاضر الموثّقة، ويخفّف عن القسم عبء الأسئلة الروتينية من الطلاب.

ويتمثل التحدي الرئيسي عند تعميم حلول كهذه في بناء مجموعة مواد RAG: فإنشاء قاعدة معرفية عالية الجودة لكل مقرر يتطلب وقتًا وخبرة أكاديمية. وهنا تحديدًا، لا في النموذج اللغوي نفسه، يتركّز الجهد الأكبر.

ماذا يعني ذلك

يُظهر VectorizationLLM كيف يمكن توظيف نماذج Google مفتوحة الأوزان في التعليم دون إعادة تدريب مكلفة: فالجمع بين RAG وموجّه النظام يتيح تكييف نموذج لغوي أساسي بسرعة مع أي مقرر، مع الحفاظ على التحكم في المحتوى. وسيتوقف اعتماد حلول كهذه على نطاق واسع في الجامعات على مدى سهولة أن يبني المحاضرون بأنفسهم قواعد معرفية من هذا النوع.