Tunawezaje Kufunza Kocha wa AI Aongoze Wanafunzi Badala ya Kuwajibu?

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Mfano wa matumizi ya jumla hufundishwa baada ya mafunzo kwenye upendeleo wa binadamu wa kuwa na manufaa, na katika mazoezi manufaa inamaanisha kujibu swali kwa haraka na kikamilifu. Ufundishaji unahitaji kinyume chake: kumsaidia mwanafunzi kufikia jibu badala ya kumpa. Hapa ni mahali mmoja katika AI ya kielimu ambapo unaweza kweli kuhitaji kubadilisha tabia iliyojifunza ya mfano badala ya ilani yake, na pia ni sehemu yenye ushahidi bora zaidi ya uwanja. Matokeo ni makubwa, na kigezo cha kuamua ni zawadi, si algoriti.

Kwa nini kutoa ilani kunaweza kutotosha hapa

Kutoa ilani na hata mafunzo ya jumla ya kulinganisha hubaki kuwa na mvuto kuelekea makubaliano. Kubembeleza kulingana na muktadha kunaendelea baada ya kutoa ilani na kulinganisha, huku makosa ya wenye kujifunza yakiendelea kuingia katika ushauri wa AI. EduFrameTrap inaonyesha kuwa mifano inayostahimili mashambulizi ya kubadilisha muktadha bado hujisalimisha chini ya mamlaka au shinikizo la kijamii-kihisia na huzuia maoni ya marekebisho — na hiyo ndiyo sababu waandishi wake wanadai kuwa tabia ya "karimu-lakini-sahihi" inapaswa kuwa mahitaji mahususi ya mafunzo badala ya upendeleo (Sycophancy is an Educational Safety Risk: Why LLM Tutors Need Sycophancy Benchmarks).

Kama hali ya kushindwa ya kocha wako ni kuwa anakubaliana na jibu lisilo sahihi, kumwambia asikubaliane ni upunguzaji badala ya suluhisho.

Zawadi ni ubuni wote

Zawadi ni mpangilio uliosongwa wa unachotaka, na mifano huboresha chochote ulichokiandika kweli. Hilo hufanya ubuni wa zawadi kuwa uamuzi wa manufaa zaidi katika mchakato, na ndipo matokeo bora zaidi yalipopatikana hapa.

Mfano wa zawadi wa EduQwen ulitanguliza majibu ya kuongoza juu ya majibu ya moja kwa moja, pamoja na uchimbaji hasi mgumu ili kuwatenga maswali ambayo mfano wa msingi tayari umeyatatua, na rollouts zilipanuliwa kutoka hatua 5 hadi 8 ili maamuzi ya kiufundi ya hatua nyingi yakinaswa. Mtiririko wake wa awamu tatu — RL ya awali, SFT ya kisintetiki, RL ya mwisho — ilifika 96.52% kwenye benchmark ya CDPK, dhidi ya 90.55% ya Gemini-3 Pro (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning).

Mambo mawili yanafuatia moja kwa moja. Kwanza, tarajia zawadi kicheze: inabainisha kidogo kuliko ulivyokusudia, hivyo iandike dhidi ya benchmark badala ya hisia. Pili, namba za kati ni za kuelimisha — awamu ya kwanza ya RL peke yake ilifika 94.13%, SFT kwenye majibu 40,000 yaliyozalishwa yenyewe ilipeleka hadi 96.20%, na raundi ya mwisho ya RL iliongeza sehemu ndogo iliyobaki. Faida nyingi ilikuja mapema.

Kujifunza kwa kuimarisha hushinda kuiga kwa ajili ya kiufundi

Kama unafanya tu marekebisho laini yenye usimamizi, unamfundisha mfano kuiga maonyesho yako. Hilo kinatosha kwa umbo na hakitoshi kwa hukumu. Gunduo la LearnLM ni mahususi: RL ni yenye ufanisi mkubwa zaidi kuliko SFT peke yake kwa kufuata maelekezo mahususi ya kiufundi katika mazungumzo marefu (LearnLM: Improving Gemini for Learning).

Mwelekeo wake unaotegemea maelekezo pia unawaruhusu waandaaji na walimu kubainisha tabia ya kocha bila kujitolea kwenye ufafanuzi mmoja wa kiufundi, na unachanganywa katika awamu za mafunzo ya baada ya Gemini kwa mafunzo ya pamoja. Wataalam waliupendelea dhidi ya GPT-4o (+31%), Claude 3.5 Sonnet (+11%) na Gemini 1.5 Pro wa msingi (+13%).

Simamia mchakato, si jibu

Gunduo moja linaloweza kutekelezwa zaidi katika eneo hili linahusu data ya mafunzo inapaswa kujumuisha nini. Mifano iliyorekebishwa kwa maelekezo ilijifunza dhana potofu za aljebra tu ilipofundishwa kwenye hati za suluhisho za kiwango cha hatua. Ikifundishwa kwa majibu ya mwisho peke yake, usahihi ulibaki chini ya 30% katika kila ukubwa wa data (Misconception Acquisition Dynamics in Large Language Models).

Maelezo mawili zaidi kutoka utafiti huo yana maana kwa yeyote anayejenga upande wowote wa kocha:

• Jukumu la mwanafunzi lilibadilisha kupita kiasi makosa yaliyojifunzwa hadi mifano sahihi ilipochanganywa kwa uwazi katika uwiano mdogo kama moja kati ya nne.
• Jukumu la kocha halikuonyesha gharama kama hiyo, likihifadhi usahihi sahihi kutoka 93% hadi 98% katika dhana potofu kumi zilizofundishwa pamoja.

Kama unamfunza kocha kutambua, mifano yako inahitaji hoja, si tu hukumu. Seti ya data ya jozi za swali-na-jibu-sahihi haiwezi kumfundisha mfano kugundua mahali mwanafunzi alikosea.

Fanya data ya mafunzo ibebe kiufundi

Kama usimamizi unapaswa kujumuisha hoja, mpango wa kuweka lebo ni uamuzi wa mitaala badala ya hatua ya kusafisha data. Matokeo mawili hapa yanaathiri hilo moja kwa moja.

Weka lebo kwa kila mfano na tabia unayotaka. Utafiti wa lebo za usimamizi uligundua kuwa kumpa kila mfano wa mafunzo tabia moja lengwa — ujuzi somo, kuwekwa katika mitaala, hoja za kutambua, au ngazi za msaada — kulipandisha kila kiwango cha mfano kilichojaribiwa, na faida kubwa zaidi katika ngazi za msaada na katika kutumia historia ya mwanafunzi. Kutambua hali ya maarifa kulibaki tabia dhaifu zaidi kwa 54.04%, ambalo ni taraja lenye manufaa kubeba: kutambua ni kitu vigumu zaidi kufundisha katika orodha hii (OmniEdu: Open Foundation Models for Learning and Teaching).

Tendea uteuzi wa data kama tatizo la mafunzo lenyewe. Edu-QuRating inabadilisha unyunyiziaji wa upendeleo kwa upangaji wa data ya kielimu, ikibadilisha alama moja ya "je, hii ni ya kielimu?" na vipimo 20 vya rubriki vinavyojumuisha usahihi wa kweli, muundo wa kiufundi na ufaafu wa kiwango (Edu-QuRating: Multi-Dimensional Educational Data Curation with Distilled Pairwise Judgements). Kama unakusanya mkusanyiko kutoka maandishi ya mtandao, huo ni aina ya kichujio kinachoamua mfano wako unajifunza kusikika kama nini.

Uzito wa zawadi ni muhimu kiasi kile kama zawadi yenyewe

Zawadi ya kulingana kamili ni nyembamba mno wakati kitu unachojali kina vipimo vingi. Mfano wa kuandika wa SWIM unaonyesha mwenendo kwa uwazi:

• Kutoa ilani kulikotegemea rubriki: QWK ya wastani bora ya kipengele 0.577 (Claude Sonnet), 0.422 (GPT-5.4), karibu sufuri kwa mfano wazi wa 7B
• Marekebisho laini yenye usimamizi: 0.474 ± 0.023 kwa mfano huo wa 7B
• GRPO na zawadi yenye uzito ya usahihi wa kipengele uliokauka: 0.618 ± 0.005, katika kila kipengele na ilani (SWIM: Student Writing Simulation via Proficiency-Conditioned Generation)

Ubuni wa zawadi ndio lilikuwa muhimu: ishara yenye uzito ya kipengele uliokauka badala ya kulingana kamili, kwa sababu kulingana kamili ni nyembamba mno katika mipangilio ya vipimo vingi. Kama zawadi yako inapiga tu kwenye jibu kamili, ishara nyingi ya mafunzo yako ni ukimya.

Fundisha uamuzi, si tu kauli tu

Mafunzo ya baada hayahitaji kuunda tu kile mfano anachosema. TACT ilifundisha baada kocha kwenye taksonomia ya mikakati 13 pamoja na taksonomia ya hatua za mwanafunzi ya mhimili mbili na ilipata pointi 20.30 zaidi ya mgongo wake wa Qwen3.5-4B, pamoja na benchmark ya kutambua ambayo huzuia lebo za hali ya mwanafunzi zilizopatikana wakati wa mafunzo ili mfano uhitaji kuvuta hali kutoka kwenye mazungumzo (TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring).

Mantiki ileile inapita katika kulinganisha kwa elimu mahususi (Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training) na katika kazi ya heuristic-RL inayolinganisha mifano kama viongozi wa Socratic badala ya wanaojibu (Beyond Direct Answering: Aligning Educational LLMs as Socratic Guides via Heuristic Reinforcement Learning). Jukwaa moja linaenda mbali zaidi na kufundisha sera badala ya insha: wakala wa kujifunza kwa kuimarisha anachagua swali la mazoezi linalofuata, hivyo kile mwanafunzi anachofanya baadaye huamuliwa na mfano uliofunzwa (Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning).

Unahitaji data gani?

Bets mbili kinyume zinafafanua nafasi, na upendavyo unategemea ulicho nayo:

• Mafunzo ya baada yanayotegemea maelekezo wakati data yako ni adimu. LearnLM inabeba maelekezo ya kiwango cha mfumo yanayowaruhusu walimu na waandaaji kubainisha tabia ya kocha, na inategemea mafunzo ya pamoja badala ya mkusanyiko mkubwa wa nakala za mazungumzo ya ufundishaji.
• Marekebisho laini kwenye data halisi ya mwingiliano unapo nayo. TeachLM inabashiri kuwa uhandisi wa ilani ni suluhisho la muda na kitu adimu ni mwingiliano halisi wa mwanafunzi–kocha. Ikifundishwa kwa masaa 100,000 ya vipindi vya moja kwa moja chini ya kutofichua utambulisho kwa ukali, inaongeza maradufu muda wa mazungumzo ya mwanafunzi, inaboresha mtindo wa kuuliza maswali, na inaongeza zamu za mazungumzo kwa 50% (TeachLM: Post-Training LLMs for Education Using Authentic Learning Data).

Njia ya bei nafuu zaidi kuelekea tabia ya kiufundi ni unyunyiziaji: Pedagogy-R1 (1.5B na 7B) ilirekebishwa kwa maelekezo kwenye matokeo yaliyochujwa kwa kiufundi yaliyonyunyiziwa kutoka kwa mwalimu wa QwQ-32B, iliyounganishwa na kutoa ilani kwa Chain-of-Pedagogy (Pedagogy-R1: Pedagogical Large Reasoning Model and Well-balanced Educational Benchmark).

Jaribu kwenye urefu wa mazungumzo

Mafunzo hayafanyi mfano kuwa salama katika mazungumzo marefu. SafeTutors inaonyesha kuwa hata mifano maalum ya kiufundi hupungua katika mazungumzo ya muda mrefu na inaweza kutenda madhara ya kufichua jibu kupita kiasi (SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems). Usalama wa kiufundi unapaswa kujaribiwa kwenye urefu wa mazungumzo badala ya zamu moja — ikijumuisha zamu ambapo mwanafunzi ni mwongo, mwenye kubaki, au anayesisitiza.

Endelea wapi

• Tunawezaje kufanya AI iwe bora zaidi katika kusaidia kujifunza katika somo letu? — kama mafunzo ni kigezo sahihi kabisa
• Tunajuangaje kuwa AI ya kielimu inafanya kazi ipasavyo, si tu kupata alama nzuri? — kupima kama tabia ilibadilika kweli
• Mbinu bora za maendeleo ya kocha mzuri wa AI ni zipi? — mwenzake wa ubuni wa mwingiliano, ambao huunda tabia ileile ya kuongoza kupitia ngazi za msaada na ngazi za vidokezo badala ya mafunzo
• Mafunzo ya LLM na Urekebishaji Mahususi (Fine-Tuning) — ukurasa kamili wa dhana