කෘතිම බුද්ධිය (AI) භාවිතා කරගෙන ලේඛන වලින් ස්වයංක්රීයව ප්රශ්න-පිළිතුරු කාඩ් (flashcards) සාදන වැඩිහිටපු තාක්ෂණික කණ්ඩායම් ගණනාවක් දැකලා තියෙනවා. මේවා මුලින්ම ලාංකීය දැනුම් දීමේ පද්ධතිවලට අලංකාරයක් වුණත්, නිතරම ඉගෙනුම් ගතකළ පසු අසාර්ථක වෙයි.
LLM (Large Language Model) එකක් “මෙය Q&A යුගලවලට සාරාංශ කරන්න” කියලා අණ දුන්නාම, එය වාක්ය ගොඩනැගීම, ව්යාකරණය, තේමාව යනාදිය පිළිබඳව හොඳින් කරයි. නමුත්, ඒ කාඩ් වල “අවශ්ය තොරතුරු සරලව මතක තබාගන්න” සහ “වංචා කිරීමට අපහසු” යන දෙකම එකවර සපයන්න නොහැක. ඒ නිසා, ඉගෙනුම්කරු කාඩ් එකක් හතළිස් හය වාරයක් පසු නැවත බැලුවාම, එය වැරදි, අස්පෂ්ට හෝ අර්ථ නෑ කියලා හැඟේ.
ප්රධාන අසාර්ථකතා වර්ග
- සංයුක්ත ප්රශ්න: “TCP තුන්‑දාර සම්බන්ධතාවය කුමක්ද, එය ඇයි අවශ්ය?” වැනි දෙකම එක කාඩ් එකේ පෙනෙයි. ඉගෙනුම්කරු අර්ධ‑මතකය ගන්නා විට, දෙකම “හොඳයි” ලෙස ලකුණු කරයි, එවිට සමාලෝචක යන්ත්රය දෙකම දැනගෙන ඇතැයි වැරදි තොරතුරු ගොඩනැගේ.
- අස්පෂ්ට ප්රශ්න: “එය කවදා සිදුවුණා?” වැනි ප්රශ්නවල “එය” යන සබ්ජෙක්ට් එක පරායනයේ පසුබැසීමෙන් පේනවා. කාඩ් එක පෙන්වෙන විට ඒ සබ්ජෙක්ට් එක නොපෙනෙයි, ඉගෙනුම්කරු අසමත් වෙයි.
- අධික කෙටි පරීක්ෂණ (cloze) : “මයිටොකොන්ඩ්රියන් …” වගේ වාක්යයක් තුළ බොහෝ වාරයක් ඉවත් කරලා දෙනවා නම්, වාක්ය රචනා පමණක් මතක තබාගත හැක, නව දැනුමක් ලබා නොදේ.
- පැටිකාර උත්තර: ජර්මන් නාම පත්රයක් වැනි කාඩ් එකක සියලු උත්තර “der” යන වචනයෙන් ආරම්භ නම්, ඉගෙනුම්කරු පේටර්න් මතක තබාගනී, නුසුදුසු දැනුම නොලැබේ.
මෙවැනි ගැටලු වලට විසඳුම “අණුකරණය” (Atomicity) බවයි. කාඩ් එකක් “අණුකරණය කරන්න” කියලා පමණක් කියනවාට වඩා, පද්ධතියේ සැලැස්මම එක්‑එක් ප්රකාශයක් (claim) එකක් පමණක් නිර්මාණය කරන ලෙස සකස් කළ යුතුය. පළමු පියවරේ ලිපියේ සිටම වස්තුව, ක්රියාව, සහ කොන්දේසි වෙන් කරගනිමින් claim_schema එකක් නිර්මාණය කරයි. දෙවන පියවරේ ඒ claim එකක් පමණක් භාවිතා කර කාඩ් එකක් සාදයි. මෙහෙම 하면 pronoun resolution (සබ්ජෙක්ට් නාම පරීක්ෂණ) පූර්ව පරාග්රහණයේදී සිදු වේ, “ඒ” වැනි අසපැහැදිලි වචන ඉවත් වේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ ඉගෙනුම් ආයතන, තාක්ෂණික ආරම්භකයන්, සහ ව්යාපාර සඳහා මේ ක්රමවේදයේ ප්රතිඵල අගය කළ නොහැක.
- සිසුන්: නිවැරදි flashcards මගින් පරීක්ෂණ කාලය කෙටි කර, අඩු‑අඩු දෝෂයන් නිසා සිසුන්ගේ විශ්වාසය අඩුවෙන්නේ නැත.
- ඩෙවලොපර්ස්: claim‑based pipeline එකක් නිර්මාණය කිරීමේදී API, prompt engineering, සහ schema validation වැනි නව කුසලතා රැගෙන යා හැක.
- ව්යාපාර: අභ්යන්තර පුහුණුවීම්, compliance training, සහ knowledge‑base updates සඳහා ගුණාත්මක flashcards භාවිතා කර, කාර්යක්ෂමතාවය 30%+ වැඩි කරගත හැක.
අවසන් වශයෙන්, LLM‑උත්පාදිත flashcards වල ගුණාත්මකභාවය පරීක්ෂා කිරීම සඳහා සරල regex‑based screening, claim extraction, සහ atomic card generation වැනි තාක්ෂණික ක්රියාවලි භාවිතා කළ හැක. මේ ක්රමවේදයන් අනුගමනය කිරීමෙන්, ශ්රී ලංකාවේ තාක්ෂණික ඉගෙනුම් පද්ධතිවල නිවැරදි, තිරසාර, සහ ප්රයෝජනවත් flashcards නිර්මාණය කළ හැකි වේ.
ඉදිරියේදී AI‑සහිත flashcard නිර්මාණය කරන කණ්ඩායම්, මෙවැනි පූර්ව‑පරීක්ෂා පියවර අත්යවශ්ය බව සලකන්න.
