بیاید یه چیزی رو با هم مرور کنیم: همه میدونیم که ارزیابی معلمها برای بهتر شدن کیفیت آموزش و اینکه یاد بدن چطور بهتر درس بدن، خیلی مهمه. اما خب، روشهای سنتی مثل اینکه یه نفر بیاد سر کلاس و معلم رو زیر نظر بگیره، معمولاً یه خورده سلیقهایه، وقتگیر و حتی بعضی وقتها نتایجش واقعا دقیق نیست.
حالا این مقاله چی میگه؟ میخواد بگه که چطور میشه با استفاده از هوش مصنوعی و تکنولوژیهای جدید، این ارزیابی رو کلی بهتر، سریعتر و بیطرفتر انجام داد. اینجا اومدن یه سیستم کامپیوتری ساختن که با کمک Computer Vision (یعنی همون هوش مصنوعی که میتونه عکسها رو ببینه و بفهمه توش چیه) تعاملات داخل کلاس رو آنالیز میکنه.
حالا چطوری؟ اومدن سه تا از خفنترین مدلهای تشخیص شیء یا Object Detectors رو امتحان کردن: YOLOv8، Faster R-CNN، و RetinaNet. مثلا YOLOv8 یه مدل خیلی معروفه که سرعت و دقت زیادی داره و میتونه همزمان چندتا چیز رو توی یدونه عکس پیدا کنه!
برای تست این سیستم، یه دیتاست درست حسابی آماده کردن: ۷۲۵۹ تا عکس واقعی از کلاسای درس جمع کردن و هرکدوم رو با دقت برچسبگذاری کردن (این یعنی تو هر عکس مشخص شده که کی معلمه، کی دانشآموزه، کی داره سؤال میپرسه و…). هدف این بود که بتونن ۱۱ نوع مختلف از تعاملات کلاسی رو تشخیص بدن. منظور از تعامل اینه که مثلاً معلم داره چیزی توضیح میده، دانشآموز سوال میپرسه یا حتی همه دارن با هم حرف میزنن!
حالا نتیجه چی شد؟ YOLOv8 تونست بهترین عملکرد رو نشون بده و میانگین دقتش یا همون mean Average Precision که به اختصار mAP میگن (یه معیار برای سنجش دقت مدلهای شناسایی اشیاست)، به عدد ۸۵.۸ درصد رسید! یعنی در تشخیص تعاملات مختلف تو کلاس واقعا قوی عمل کرد. اون دوتا مدل دیگه هم بد نبودن، اما YOLOv8 رو نتونستن بزنن.
ته داستان اینکه این مدلهای جدید مبتنی بر Deep Learning یا یادگیری عمیق (یه شاخه از هوش مصنوعی که توش کامپیوترها میتونن چیزهای خیلی پیچیده رو خودشون یاد بگیرن) خیلی بهتر و بیطرفتر از روشهای قدیمی میتونن تعامل معلم و دانشآموز رو تحلیل کنن. این سیستم نه تنها میتونه باعث بشه ارزیابیها دقیقتر و اتکاپذیرتر باشه، بلکه راه رو برای بازخورد بهتر و بهبود کار معلمها باز میکنه. در کل، انگار وقتشه که هوش مصنوعی رو به عنوان دستیار جدید معلمها بپذیریم تا هم به نفع خودشون باشه هم به نفع شاگردا!
منبع: +