محاكاة ديناميات التعلم البشرية باستخدام الوكلاء المدعومين باللغة الكبيرة

أصبح استخلاص سلوك التعلم البشري باستخدام منهجيات التعلم العميق أحد المحاور البحثية الرئيسية في علم النفس والنظم الذكية. تعتمد النماذج الحديثة على تجارب مُحكَمة أو نماذج قائمة على القواعد لاستكشاف العمليات المعرفية، لكنها تواجه صعوبات في التقاط الديناميكيات التعليمية، وتتبع التقدم عبر الزمن، أو تقديم تفسيرات قابلة للتفهم. ولحل هذه التحديات، نقدّم "LearnerAgent"، وهي إطار متعدد الوكلاء جديد تعتمد على النماذج اللغوية الكبيرة (LLMs)، لمحاكاة بيئة تعليمية واقعية. ولدراسة ديناميكيات التعلم المشابهة للبشر، نصمم متعلمين يمتلكون ملفات نفسية مدعومة علمياً، مثل "المتعلم العميق"، و"المتعلم السطحي"، و"المتعلم الكسول"، إلى جانب متعلم عام خالٍ من الشخصية، لدراسة السلوك الافتراضي للنموذج الأساسي (LLM). من خلال اكتساب المعرفة أسبوعياً، واختيار الاستراتيجيات شهرياً، والاختبارات الدورية، والتواصل مع الزملاء، نتمكن من تتبع التقدم التعليمي الديناميكي لكل متعلم خلال رحلة مدتها سنة كاملة. وتوصلت نتائجنا إلى أربعة محاور رئيسية: 1) تحليل طويل الأمد يُظهر أن المتعلم العميق وحده هو الذي يحقق نموًا معرفيًا مستدامًا، بينما تُظهر الأسئلة "المحبّسة" المصممة خصيصًا فعاليةً عالية في تشخيص المعرفة السطحية لدى المتعلم السطحي. 2) تتماشى الأنماط السلوكية والمعرفية للمتعلمين المختلفين بشكل وثيق مع ملفاتهم النفسية. 3) تتطور درجات مفهوم الذات لدى المتعلمين بشكل واقعي، حيث يظهر المتعلم العام تطورًا مفاجئًا في ثقته بنفسه، رغم محدودية قدراته المعرفية. 4) وبشكل جوهري، يُظهر النموذج الأساسي لـ LLM سلوك "متعلم سطحي جاد لكنه هش" – أي وكيل يقلد سلوك طالب متميز، لكنه يفتقر إلى الفهم الحقيقي والقابل للتطبيق بشكل عام. وقد أظهرت التجارب المحاكاة الواسعة أن إطار "LearnerAgent" يتماشى بشكل جيد مع السيناريوهات الواقعية، مما يُنتج نتائج أكثر عمقًا حول سلوك النماذج اللغوية الكبيرة.