বিনামূলীয়া পাঠ্য উত্তৰ ভিত্তিক প্ৰশ্নৰ স্বয়ংক্ৰিয় মূল্যায়ন

বিনামূলীয়া পাঠ্য উত্তৰ ভিত্তিক প্ৰশ্নৰ স্বয়ংক্ৰিয় মূল্যায়ন

প্ৰতিযোগিতামূলক পৰীক্ষাৰ এক বৃহৎ অংশৰ বাবে অংশগ্ৰহণকাৰীসকলে বস্তুনিষ্ঠ প্ৰকাৰৰ প্ৰশ্ন সমাধান কৰিব লাগিব, যেনে প্ৰশ্ন যাৰ বাবে এক বা একাধিক শুদ্ধ উত্তৰ এটা নিৰ্ধাৰিত উত্তৰ বা প্ৰশ্নৰ পৰা বাছনি কৰিব লাগিব যাৰ বাবে অংশগ্ৰহণকাৰীসকলে সাংখ্যিক মূল্য প্ৰবিষ্ট কৰিব লাগিব। বস্তুনিষ্ঠ প্ৰকাৰৰ প্ৰশ্নৰ ওপৰত আধাৰিত পৰীক্ষাবোৰৰ মূল্যাঙ্কন যথেষ্ট পোনপটীয়া।

অৱশ্যে, বহুতো পৰীক্ষা আছে, উদাহৰণ স্বৰূপে ব’ৰ্ড পৰীক্ষা, য’ত বিনামূলীয়া পাঠ উত্তৰ থকা প্ৰশ্ন অন্তৰ্ভুক্ত থাকে। বিনামূলীয়া পাঠ্য উত্তৰৰ মূল্যাঙ্কন এতিয়াও প্ৰবন্ধ স্ক’ৰিং লক্ষ্য কৰি কিছুমান সফল সমাধানৰ সৈতে এক মুকলি গৱেষণাৰ সমস্যা। Embibe হৈছে স্কেলত শিকনৰ ফলাফল প্ৰদান কৰাৰ বাবে এক কৃত্ৰিম বুদ্ধিমত্তা (AI)মঞ্চ, আৰু এনে সামৰ্থ্যই বিনামূলীয়া-পাঠ উত্তৰ আধাৰিত প্ৰশ্নৰ সৈতে ব্যক্তিগতকৃত পৰীক্ষা সৃষ্টি কৰাত আৰু প্ৰাসঙ্গিক জ্ঞান লেখত শিক্ষাৰ্থীৰ ধাৰণাবোৰ নিপুণতা মূল্যাঙ্কন কৰাত সহায় কৰিব পাৰে। বিভিন্ন একাডেমিক ক্ষেত্ৰত বিভিন্ন ধৰণৰ বিনামূলীয়া পাঠ উত্তৰ প্ৰাপ্ত কৰিব পৰা সাধাৰণ  মূল্যাঙ্কনকাৰী এটা বিকশিত কৰাৰ বাবে উন্নত এনএলপি/এনএলইউ ব্যৱহাৰৰ প্ৰয়োজন আৰু এম্বাইবৰ বাবে এক আগ্ৰহৰ ক্ষেত্ৰ।

আমি সমস্যাটোক দুটা উপ-সমস্যাত বিভক্ত কৰিব পাৰোঁ।

  1. সত্তা সংযোগ
  2. অৰ্থগত সাদৃশ্য

সত্তা সংযোগ

সত্তা সংযোগত, আমি চুটি ৰূপ/সংক্ষিপ্ত ৰূপ আৰু ওৰফে (ইয়াক) প্ৰকাৰৰ সত্তা অন্তৰ্ভুক্ত কৰিব পাৰোঁ। উদাহৰণ স্বৰূপে, সংক্ষিপ্ত শব্দবোৰে পছন্দ কৰে

“পিএমচি “: “পৰাগ মাতৃ কোষ”,

“এমএমচি “: “স্থূলৰেণু মাতৃ কোষ”,

“পিইএন”: “প্ৰাথমিক এণ্ডোস্পাৰ্ম নিউক্লিয়াছ”,

“পিইচি”: “প্ৰাথমিক এণ্ডোস্পাৰ্ম কোষ”,

“এল.এইচ. “: “লুটিনাইজিং হৰমন”,

“এফ.এছ.এইচ. “: “ফলিকল উদ্দীপক হৰমন”

আৰু ওৰফে

“কাঠফুলা”: “টোডষ্টুল”,

“বীজাণু”: “জীৱাণু”,

“বেক্টেৰিয়া”: “জীৱাণু”,

“ইষ্ট”: “জীৱাণু”,

“নৱীকৰণযোগ্য”: “অশেষ”,

“চৰিত্ৰ”: “বৈশিষ্ট্য”,

আমি ৰাসায়নিক নামবোৰো মেপ কৰিব পাৰোঁ যেনে,

‘(NH4)(NO3)’ :এম’নিয়াম নাইট্ৰেট

‘(NH4)2C2O4’ : এম’নিয়াম অক্সেলেট

‘Ag2O’ :চিল্ভাৰ অক্সাইড

‘Ag2SO4’ :চিলভাৰ চালফেট

‘Al(NO3)3’ : এলুমিনিয়াম নাইট্ৰেট

এই পৰিমাপবোৰ ব্যৱহাৰ কৰি, আমি সংক্ষিপ্ত শব্দ আৰু একে ধৰণৰ শব্দ মেপ কৰিব পাৰোঁ আৰু তাৰ পিছত সেইবোৰ প্ৰকৃত উত্তৰৰ সৈতে মিলাব পাৰোঁ।

অৰ্থগত সাদৃশ্য

দুটা বাক্যৰ অৰ্থ একেই হ’ব পাৰে। আমি প্ৰাকৃতিক ভাষা বুজাআৰু জ্ঞান সঞ্চাৰিত শিক্ষণৰ আমাৰ অত্যাধুনিক গৱেষণা ব্যৱহাৰ কৰি ক্ষেত্ৰ-সংযোজী জ্ঞান আৰু ভাষা আৰ্হিৰ সম্ভাৱনা অনুমান কৰি অৰ্থগত সাদৃশ্য স্থাপন কৰোঁ।

আমি শিক্ষাৰ্থীৰ উত্তৰটো অন্তৰ্ভুক্ত কৰিব পাৰোঁ আৰু ইয়াক প্ৰকৃত উত্তৰৰ সৈতে নিহিতকৰণৰ সৈতে তুলনা কৰিব পাৰোঁ। যদি তেওঁলোকৰ মাজত কোচাইন দূৰত্ব নিৰ্দিষ্ট সীমাতকৈ কম হয়, তেনেহ’লে আমি সেইবোৰ আৰু একে ধৰণৰ বিবেচনা কৰিব পাৰোঁ আৰু উত্তৰটো শুদ্ধ বুলি চিহ্নিত কৰিব পাৰোঁ।

আমি শিক্ষাৰ্থীৰ উত্তৰ আৰু শুদ্ধ উত্তৰৰ নিহিতকৰণ প্ৰাপ্ত কৰিবলৈ BERT[1] আৰু RoBERTa[2]ৰ দৰে আত্ম-মনোযোগ আধাৰিত মডেল ব্যৱহাৰ কৰিব পাৰোঁ, আৰু তেওঁলোকৰ মাজত সাদৃশ্য পাবলৈ তেওঁলোকৰ মাজৰ কোচাইন দূৰত্ব গণনা কৰিব পাৰোঁ।

তথ্যসূত্ৰসমূহ

[1] Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”

[2] Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike Lewis, Luke Zettlemoyer, Veselin Stoyanov. “RoBERTa: A Robustly Optimized BERT Pretraining Approach”