Hasashen daidai na ilimin ɗalibi shine ginshiƙi don gina ingantattun tsarin koyo na musamman. Wannan takarda ta gabatar da sabon tsarin haɗin kai da aka tsara don hasashen kurakurai a matakin kalma (gibin ilimi) da ɗalibai masu koyon harshe na biyu suka yi akan dandalin Duolingo. Tsarin ya sami mafi girman maki akan duka ma'aunin kimantawa (AUC da F1-score) a cikin dukkan bayanan harsuna uku (Turanci, Faransanci, Sifen) a cikin Aikin Haɗin Kai na 2018 akan Tsarin Koyon Harshe na Biyu (SLAM). Aikin ya nuna yuwuwar haɗa tsarin jeri da na tushen fasali yayin da ake bincika sosai gibin da ke tsakanin ayyukan gwaji na ilimi da buƙatun samarwa na ainihi don koyo mai daidaitawa.
Binciken ya dogara ne akan bayanan ɗalibai daga Duolingo, wanda ya ƙunshi kwanaki 30 na farko na hulɗar masu amfani don masu koyon Turanci, Faransanci, da Sifen.
Bayanai sun haɗa da martanin mai amfani da aka daidaita da jerin amsoshi daidai ta amfani da hanyar mai canzawa mai iyaka. An riga an raba bayanan zuwa saiti na horo, ci gaba, da gwaji, tare da rabe-raben da aka yi bisa tsari na lokaci ga kowane mai amfani (kashi 10% na ƙarshe don gwaji). Abubuwan fasali sun haɗa da bayanan matakin alama, alamomin sashi na magana, da bayanan bayanan aiki, amma abin lura, ba a ba da ainihin jumlar shigarwar mai amfani ba.
Aikin asali shine rarrabuwa biyu: hasashen ko wata kalma (alama) ta musamman a cikin martanin mai koyo za ta zama kuskure. Ana kimanta aikin tsarin ta amfani da Yankin Ƙarƙashin Lankwalin ROC (AUC) da makin F1, wanda aka ƙaddamar ta hanyar uwar garken kimantawa.
Marubutan sun gano iyakoki guda uku masu mahimmanci na tsarin aikin SLAM don keɓancewa na ainihin lokaci:
Wannan yana nuna babban gibin da ke tsakanin gasa na ilimi da mafita na EdTech da za a iya aiwatarwa.
Mafita da aka gabatar ita ce haɗin kai wanda ke amfani da ƙarfin haɗin kai na nau'ikan tsari daban-daban guda biyu.
An samar da hasashe na ƙarshe ta hanyar haɗa sakamakon tsarin Bishiyar yanke shawara mai haɓakawa (GBDT) da tsarin hanyar sadarwar jijiya mai maimaitawa (RNN). GBDT ta yi fice wajen koyon hadaddun hulɗa daga abubuwan fasali masu tsari, yayin da RNN ke ɗaukar dogaro na lokaci a cikin jerin koyon ɗalibi.
Ƙarfin hasashe na haɗin kai ya samo asali ne daga haɗa yuwuwar. Idan $P_{GBDT}(y=1|x)$ shine yuwuwar hasashen kuskure na GBDT, kuma $P_{RNN}(y=1|s)$ shine yuwuwar RNN da aka ba da jerin $s$, haɗin kai mai sauƙi amma mai inganci shine matsakaicin ma'auni:
$P_{ensemble} = \alpha \cdot P_{GBDT} + (1 - \alpha) \cdot P_{RNN}$
inda $\alpha$ shine ma'auni mai girma wanda aka inganta akan saitin ci gaba. RNN yawanci tana amfani da tantanin halitta na Gajeren Lokaci Mai Tsayi (LSTM) don sabunta yanayin ilimi ɓoye $h_t$ a matakin lokaci $t$:
$h_t = \text{LSTM}(x_t, h_{t-1})$
inda $x_t$ shine vector ɗin fasali don aikin yanzu. Ana yin hasashe ta hanyar layi mai cikakken haɗin kai: $P_{RNN} = \sigma(W \cdot h_t + b)$, inda $\sigma$ shine aikin sigmoid.
Tsarin haɗin kai ya sami mafi girman maki akan duka AUC da F1-score don dukkan bayanan harsuna uku a cikin gasar, yana nuna ingancinsa. Marubutan sun lura cewa yayin da aikin ya kasance mai ƙarfi, kurakurai sau da yawa suna faruwa a cikin yanayin harshe mai rikitarwa ko tare da alamomi da ba a saba gani ba, suna nuna wuraren da za a inganta ta hanyar ingantaccen injiniyan fasali ko haɗa abubuwan fifikon harshe.
Taswirar Ayyuka na Hasashe (Bisa Bayanin Takarda): Taswira mai sanduna za ta nuna makin AUC don tsarin Haɗin kai da aka gabatar, GBDT mai zaman kansa, da RNN mai zaman kansa (ko ma'auni na DKT) a cikin saitunan gwajin Turanci, Faransanci, da Sifen. Sandunan Haɗin kai za su kasance mafi tsayi ga kowane harshe. Taswira ta biyu mai rukunin sanduna za ta nuna irin wannan don makin F1. Abin gani zai nuna a fili "fa'idar haɗin kai," inda aikin haɗin tsarin ya wuce na kowane ɓangare na mutum ɗaya, yana tabbatar da haɗin gwiwar hanyar haɗin kai.
Tsarin don Kimanta Tsarin Hasashen EdTech:
Misalin Lamari (Babu Lamba): Ka yi la'akari da ɗalibi, "Alex," yana fama da fi'ili na lokacin da ya wuce na Faransanci. Bangaren GBDT na iya gano cewa Alex ya ci gaba da kasawa akan ayyukan da aka yiwa alama da "past_tense" da "irregular_verb." Bangaren RNN ya gano cewa kurakurai suna taruwa a cikin zaman da ke biyo bayan hutun kwanaki 3, yana nuna mantawa. Haɗin kai ya haɗa waɗannan siginonin, yana hasashen babban yuwuwar kuskure akan aikin fi'ili na lokacin da ya wuce da ba na yau da kullun ba. Tsarin na musamman zai iya shiga tsakani tare da bita mai niyya ko alama kafin gabatar da wannan aikin.
Rarrabuwa mai mahimmanci, mai ra'ayi game da abubuwan da takardar ke nufi ga sashin EdTech.
Ƙimar gaske ta takardar ba wai kawai wani tsarin gasa mai nasara ba ne; amma shi ne yarda a ɓoye cewa fagen ya makale a cikin mafi kyawun gida. Mun yi hazaka wajen gina tsarin da ke cin nasara a kan ma'auni kamar SLAM amma sau da yawa muna butulci game da gaskiyar aiki na tura su. Dabarar haɗin kai (GBDT+RNN) ta wayo amma ba abin mamaki ba—daidai yake da kawo duka wuka da guduma a cikin akwatin kayan aiki. Mafi ƙwaƙƙwaran fahimta an binne shi a cikin tattaunawar: allunan jagoranci na ilimi suna zama wakilai marasa kyau na AI mai shirye-shiryen samfur. Takardar a ɓoye tana jayayya cewa muna buƙatar tsarin kimantawa waɗanda ke hukunta zubar da bayanai kuma su ba da fifikon aikin farawa sanye, matsayin da ya kamata a yi ihu, ba a rada ba.
Hujjar tana gudana daga tushe mai ƙarfi: gano gibin ilimi yana da mahimmanci. Sa'an nan kuma ta gabatar da mafita mai inganci ta fasaha (haɗin kai) wanda ya ci ma'auni. Duk da haka, ma'ana ta ɗauki juyi mai mahimmanci ta hanyar rushe ainihin ma'aunin da ta ci. Wannan sukar mai tunani shine mafi kyawun kayan takarda. Yana bin tsari: "Ga abin da ke aiki a cikin dakin gwaje-gwaje. Yanzu, bari mu yi magana game da dalilin da ya sa tsarin dakin gwaje-gwaje ya gaza gaba ɗaya don bene na masana'anta." Wannan motsi daga gini zuwa suka shine abin da ke raba gudummawar bincike mai amfani da shigar gasa kawai.
Ƙarfafawa:
Kurakurai & Damar da aka rasa:
Ga kamfanonin EdTech da masu bincike:
Wannan takarda ta Osika et al. tana wakiltar matakin balaga a cikin juyin halitta na Tonon Bayanai na Ilimi (EDM). Tana nuna ƙwarewar fasaha tare da tsarin haɗin kai mai nasara amma, mafi mahimmanci, tana nuna ƙarfin fahimtar kai a cikin fagen game da fassarar bincike zuwa aiki. Haɗin kai na GBDT da RNN zaɓi ne mai amfani, yana maimaita yanayin a wasu yankuna inda tsarin haɗin kai sau da yawa ya fi gine-gine masu tsafta. Misali, nasarar haɗin tsarin a cikin nasarar gasar Kaggle an rubuta shi sosai, kuma aikace-aikacensu a nan yana bin tsari mai dogaro. Duk da haka, gudummawar dindindin na takardar ita ce bincikenta mai mahimmanci na tsarin Aikin Haɗin Kai da kansa.
Marubutan sun gano daidai cewa zubar da bayanai da rashin yanayin farawa sanye na gaske sun sa allon jagora na SLAM ya zama alamar da ba ta cika ba na yuwuwar samarwa. Wannan ya yi daidai da ƙarin suka a cikin koyon injina, kamar waɗanda aka tayar a cikin takardar "CycleGAN" mai mahimmanci da tattaunawar da ke biyo baya kan bincike mai maimaitawa, waɗanda ke jaddada mahimmancin ka'idojin kimantawa waɗanda ke nuna amfani na ainihin duniya. Takardar a ɓoye tana jayayya don canzawa daga "daidaito-a-dukkan-farashi" ma'auni zuwa kimantawa mai sane da aiwatarwa, canjin da ƙungiyoyi kamar Cibiyar AI ta Allen suka ba da gudummawa a cikin NLP ta hanyar ma'auni kamar Dynabench.
Daga mahangar fasaha, hanyar tana da inganci amma ba juyin juya hali ba. Ainihin ƙirƙira yana cikin labari biyu na takardar: tana ba da girke-girke don tsarin mai inganci yayin da take tambayar kicin da aka dafa shi a ciki. Ga masana'antar EdTech, abin da za a ɗauka a bayyane yake: zuba jari a cikin ingantattun tsarin hasashe na haɗin kai yana da mahimmanci, amma bai isa ba. Dole ne a yi daidai da zuba jari a cikin gina tsarin kimantawa, bututun bayanai, da kayan aikin fahimta waɗanda ke haɗa gibin tsakanin dakin gwaje-gwaje da allon mai koyo. Makomar koyo na musamman ya dogara ba kawai akan hasashen kurakurai daidai ba, amma akan gina tsarin AI masu aminci, masu ma'auni, da haɗin kai na ilimi—ƙalubalen da ya wuce inganta makin AUC.