AI tədqiqatı2026

EduVision

Neyro-simvolik arxitekturalı adaptiv intellektual tutor sistemi.

Mühərriklər: 5 + RL agenti
LLM: Llama 3.1 8B
Öyrənən modeli: BKT + SRS
Siyasət: PPO

01Ümumi baxış

EduVision fərdi, bir-bir insan tutorluğunu simulyasiya edir. Hər tələbənin nə bildiyini modelləşdirir, növbəti nəyi öyrədəcəyinə qərar verir, bunu təbii dildə izah edir və cavabı qiymətləndirir - sonra tələbə modelini yeniləyir və dövr təkrarlanır.

Sistem dil modelini sadəcə “sarımaq” əvəzinə qərarları dildən ayırır: pedaqoji olaraq nə baş verəcəyinə ehtimal və öyrənilmiş komponentlər qərar verir, LLM isə yalnız bu qərarı dialoqa çevirir.

02Problem

LLM çatbotları suallara cavab verir, amma öyrətmir: onların öyrənənin davamlı modeli, çətinlik anlayışı yoxdur və kurs materialında olmayan şeyləri deyə bilərlər.

Tutora yaddaş (bu tələbə nə bilir?), strategiya (növbəti nə olmalıdır?) və mənbəyə bağlılıq (izah bu kurs üçün düzgündürmü?) lazımdır.

03Arxitektura

Beş müstəqil mühərrik qərar mərkəzi rolunu oynayan Pedaqogika mühərriki vasitəsilə əlaqə saxlayır. Gücləndirmə ilə öyrənmə agenti çətinliyi tənzimləyir, platforma servisləri isə eksperimentləri, izah oluna bilənliyi və xərcləri idarə edir.

Müştərilər

Tələbə

Adaptiv söhbət və cavablar

Müəllim

Dərslər, PDF-lər və rubrikalar

API istifadəçiləri

Swagger / OpenAPI

API

FastAPI

Kurslar, sessiyalar, söhbət, öyrənən vəziyyəti

Autentifikasiya

JWT · bcrypt

Mühərriklər

Tutor

Dialoq və persona

Pedaqogika

Strategiya + PPO agenti

Öyrənən

BKT mənimsəmə və SRS

Qiymətləndirmə

Rubrika və kod yoxlaması

Bilik

RAG + anlayış qrafı

Platforma

Plaginlər

Sahəyə xas məzmun

Eksperimentlər

A/B testlər · bandit optimallaşdırıcı

İzah oluna bilənlik

Bu niyə seçildi?

İcra mühiti

Xərc nəzarəti · limitlər · metrikalar

Modellər və data

Llama 3.1 8B

Together AI vasitəsilə

MiniLM-L6-v2

Cümlə embedding-ləri

PostgreSQL

pgvector · async SQLAlchemy

PPO siyasəti

stable-baselines3

04Komponentlər

Bilik mühərriki

Kursun uzunmüddətli yaddaşı

PDF və mətnləri qəbul edir, ~512 tokenlik hissələrə bölür və hər hissə üçün embedding yaradır.
Vektorları pgvector ilə PostgreSQL-də, anlayışlar arasındakı əlaqələri isə NetworkX qrafında saxlayır.
Tutora top-k kontekst verir ki, izahlar kurs materialına əsaslansın.

pypdf · sentence-transformers · pgvector · NetworkX

Öyrənən mühərriki

Tələbənin ehtimal modeli

Bayes bilik izləmə ilə hər bacarıq üzrə mənimsəmə ehtimalını izləyir.
Bacarıq unudulmazdan əvvəl aralıqlı təkrarla təkrar planlaşdırır.
Düzəliş üsulunu seçmək üçün səhvləri taksonomiya ilə təsnif edir.

BKT · SRS · PostgreSQL

Pedaqogika mühərriki

Nəyi və necə öyrətməyə qərar verir

Öyrənənin vəziyyətini və tapılmış konteksti tədris strategiyasına çevirir (Sokratik sual, skafoldinq, Feynman).
Çətinliyi mənimsəmə, dəqiqlik, cavab müddəti, yorğunluq və cari çətinliyi müşahidə edən PPO agentinə həvalə edir.

Gymnasium · stable-baselines3

Tutor mühərriki

Strategiyanı dialoqa çevirir

Llama 3.1 8B Instruct Turbo ilə izahlar, ipucları və suallar yaradır.
Təhsil bələdçisi kimi yönləndirilir və Pedaqogika mühərrikinin seçdiyi strategiya ilə məhdudlaşır.
LLM-ə giriş provayder interfeysi üzərindən olur, ona görə model təchizatçısı dəyişdirilə bilər.

Together AI · provider abstraction

Qiymətləndirmə mühərriki

Qiymət və rəy verir

Kod üçün AST analizi, mətn üçün semantik oxşarlıq və müəllim rubrikalarına görə LLM qiymətləndirməsi.
Nəticəni Öyrənən mühərrikinə qaytararaq dövrü tamamlayır.

05Necə işləyir

1
Qəbul
Müəllim material yükləyir; Bilik mühərriki onu hissələrə bölür, embedding yaradır və əlaqələndirir.
2
Sessiyanın başlanması
Öyrənən mühərriki tələbənin mənimsəmə profilini yükləyir; Pedaqogika mühərriki ilk mövzunu seçir.
3
Öyrətmə
Tutor mühərriki mövzunu seçilmiş üslubda, tapılmış hissələrə əsaslanaraq təqdim edir.
4
Qiymətləndirmə
Tələbə cavab verir; Qiymətləndirmə mühərriki onu yoxlayır və rəy qaytarır.
5
Uyğunlaşma
BKT mənimsəməni yeniləyir; PPO agenti çətinliyi artırır, saxlayır və ya azaldır; dövr təkrarlanır.

06Texniki təhlil

Bayes bilik izləmə (BKT)

Mənimsəmə gizli dəyişəndir. Hər cavab bir sübutdur və bilmədən təsadüfən düz cavab vermə (G) və bildiyi halda səhv etmə (S) ehtimalları ilə çəkilir. Aposterior ehtimal hesablandıqdan sonra model cəhd zamanı baş verən öyrənməni (T) də nəzərə alır.

P (L_{t} ∣ correct) = \frac{P ( L _{t} ) ( 1 - S )}{P ( L _{t} ) ( 1 - S ) + ( 1 - P ( L _{t} )) G} P (L_{t + 1}) = P (L_{t} ∣ obs) + (1 - P (L_{t} ∣ obs)) T

src/core/adaptive/bkt.pypython

if is_correct:
    numerator = L_prev * (1 - skill.p_slip)
    denominator = numerator + (1 - L_prev) * skill.p_guess
else:
    numerator = L_prev * skill.p_slip
    denominator = numerator + (1 - L_prev) * (1 - skill.p_guess)

L_given_evidence = numerator / (denominator + 1e-10)
L_new = L_given_evidence + (1 - L_given_evidence) * skill.p_learn
skill.p_mastery = min(0.99, max(0.01, L_new))

Çətinlik gücləndirmə ilə öyrənmə problemi kimi

Agent 5 ölçülü vəziyyəti müşahidə edir - mənimsəmə, son cavabın düzgünlüyü, normallaşdırılmış cavab müddəti, yorğunluq indeksi və cari çətinlik - və üç hərəkətdən birini seçir: çətinliyi azaltmaq, saxlamaq və ya artırmaq.

Mükafat öyrənmə qazancı, axın zonasında qalmaq və sessiya yorğunluğu arasında balans qurur. Kiçik diskret hərəkət fəzası siyasəti stabil və izahı asan saxlayır.

R_{t} = α (m_{t + 1} - m_{t}) + β 1 [flow_{t}] - γ fatigue_{t}

Axtarışla mənbəyə əsaslanan cavablar

Hər sual embedding-ə çevrilir və kosinus oxşarlığı ilə kurs hissələri ilə müqayisə olunur. Ən uyğun top-k hissə kontekst kimi tutorun sistem promptuna əlavə edilir - beləliklə model internetdən yox, kursdan izah edir.

sim (a, b) = \frac{a \cdot b}{∥ a ∥ ∥ b ∥}

07Dizayn qərarları

LLM sarğısı yox, neyro-simvolik yanaşma

Pedaqoji qərarları izah oluna bilən modellər verir, LLM isə yalnız dil yaradır. Hər qərar izlənilə və izah edilə bilər.

Dərin bilik izləmə əvəzinə BKT

Hər bacarıq üçün dörd izah oluna bilən parametr, hər cavabda ucuz yeniləmə və tələbə başına çox az data ilə də ağlabatan davranış.

PostgreSQL daxilində pgvector

Vektorlar, öyrənən vəziyyəti və kurs datası bir tranzaksiyalı anbarda yaşayır - ayrıca vektor bazasını idarə etməyə ehtiyac yoxdur.

Daxili qiymətləndirmə

A/B eksperiment və bandit modulları RL siyasətini statik çətinlik ardıcıllığı ilə öyrənmə qazancı, cəlb olunma və tərk etmə göstəricilərinə görə müqayisə edir.

08Texnologiyalar

AI: Llama 3.1 8B (Together AI)sentence-transformersstable-baselines3 (PPO)Gymnasiumfaster-whisper
Backend: Python 3.11FastAPISQLAlchemy (async)PydanticJWT auth
Data: PostgreSQLpgvectorNetworkX
Əməliyyat və sənədlər: Docker ComposeGitHub ActionsDocusaurus (EN / AZ)

09Növbəti addımlar

Multimodal tutorluq üçün səs və şəkil girişi (Whisper, vision).
Real vaxtda mənimsəmə xəritələri olan müəllim analitika paneli.
Siyasəti sessiya mükafatına deyil, uzunmüddətli yadda saxlamaya görə optimallaşdırmaq.

Növbəti case study

LangVis

Hər cümləni düzəldən və öyrənəni A2-dən B2-yə aparan real vaxt səsli dil tutoru.