আকাংক্ষিত জটিলতাৰ প্ৰশ্নৰ স্বয়ংক্ৰিয় সৃষ্টি

আকাংক্ষিত জটিলতাৰ প্ৰশ্নৰ স্বয়ংক্ৰিয় সৃষ্টি

Embibe ৰ সকলোবোৰ শিক্ষাৰ ব্যক্তিগতকৰণ আৰু আমাৰ প্ৰযুক্তিয়ে সঠিক বিষয়বস্তু, সঠিক ছাত্ৰক, সঠিক সময়ত সেৱা আগবঢ়াব পৰাত শ্ৰেষ্ঠ। এই কাৰণেই ব্যৱহাৰযোগ্য বিষয়বস্তুৰ এটা বৃহৎ ডাটাছেট, আৰু বিশেষকৈ প্ৰশ্নসমূহৰ প্ৰৱেশ আমাৰ বাবে অতি গুৰুত্বপূৰ্ণ।আগতে, এম্বাইবৰ প্ৰশ্নবোৰৰ তথ্যসমষ্টি মানৱ তথ্য লিপিবদ্ধ চালকৰ দ্বাৰা প্ৰস্তুত কৰা হৈছিল৷ তেওঁলোকে ইন্টাৰনেটত বিনামূলীয়াকৈ উপলব্ধ বিভিন্ন প্ৰশ্নৰ সমষ্টিৰ পৰা আৰু আমাৰ সহযোগী প্ৰতিষ্ঠানৰ সৈতে সংগ্ন হৈ প্ৰশ্নবোৰ আহৰণ কৰিছিল৷

প্ৰশ্নবোৰৰ  স্বয়ংক্ৰিয়কৰণৰ গুৰুত্বপূৰ্ণ চালিকা শক্তি হৈছে শিক্ষাৰ্থীসকলৰ তেওঁলোকৰ শিক্ষাগুৰু/ পৰামৰ্শদাতাৰ ওপৰত নিৰ্ভৰশীলতা হ্ৰাস কৰা৷ শিক্ষাক প্ৰকৃততে নিযুতোধিক শিক্ষাৰ্থীক আৰোহণ কৰাবলৈ, তেওঁলোকে ধাৰণা/বিষয়বস্তু সমূহ অনুশীলন কৰিব পাৰিব লাগিব আৰু নিজে কোনো বাহ্যিক সহায় নোহোৱাকৈ তেওঁলোকৰ অগ্ৰগতি জুখিব পাৰিব লাগিব৷ অসীমিত প্ৰশ্নৰ প্ৰৱেশাধিকাৰে উচ্চ বুদ্ধিসম্পন্ন মূল্যায়ন সৃষ্টি, শিক্ষাৰ্থীৰ মূল্যাংকন আৰু শিকনৰ ফলাফল আগবঢ়াবলৈ ব্যক্তিগত বিষয়বস্তু আগবঢ়োৱাক সবল কৰি তোলে ৷ প্ৰশ্নবোৰৰ স্ব-সৃষ্টি আৰু শিক্ষাৰ্থীসকলক অনুশীলন কৰিবলৈ আৰু তেওঁলোকৰ অগ্ৰগতি মূল্যায়ন কৰিবলৈ এই দিশলৈ এটা পদক্ষেপ দিয়া হৈছে ৷

অৱশ্যে, নিশ্চিত কৰিবলৈ যে আমাৰ মঞ্চত শিক্ষাৰ্থীসকলে তেওঁলোকে উন্নতি কৰিবলগীয়া যিকোনো বিষয়ৰ ওপৰত প্ৰশ্ন কম নহয়, Embibe য়ে AI বিকশিত কৰাৰ ওপৰত মন দিছে যি স্বয়ংক্ৰিয়ভাৱে নতুন প্ৰশ্ন আৰু তাৰে সম্পৰ্কিত উত্তৰ সৃষ্টি কৰিব পাৰে৷এই কাৰ্যত বিষয়বস্তুৰ থূপ, বিষয়বস্তুৰ আৰ্হিকৰণ, অত্যাধুনিক প্ৰাকৃতিক ভাষা সৃষ্টি (NLG) আৰু solver technology ৰ পৰা ধাৰণাবোৰ লোৱা জড়িত থাকে৷

উদ্দেশ্য

আমি, Embibeত, প্ৰশ্নবোৰৰ উত্তৰ দিয়াৰ দ্বাৰা অনুশীলন কৰা আৰু দক্ষতা লাভ কৰাৰ জৰিয়তে শিক্ষনৰ এটা আধাৰ আগবঢ়ায় যি হৈছে ধাৰণাবোৰ মনত ৰখাৰ আৰু বুজি পোৱাৰ এটা পৰোক্ষ উপায় ৷ স্বয়ংক্ৰিয় প্ৰশ্ন সৃষ্টি হৈছে এটা প্ৰক্ৰিয়া যি শিক্ষা পাঠক এটা নিৱেশ হিচাপে লয় আৰু ইয়াৰ পৰা প্ৰশ্ন সৃষ্টি কৰে যাৰ ওপৰত শিক্ষাৰ্থীসকলে তেওঁলোকৰ জ্ঞান অনুশীলন আৰু শিকিবলৈ প্ৰয়োগ কৰিব পাৰে৷

স্বয়ংক্ৰিয় প্ৰশ্ন সৃষ্টি হৈছে প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণ (NLP) ৰ এটা অংশ৷ ই হৈছে গৱেষণাৰ এটা অংশ য’ত বহুতো গৱেষকে তেওঁলোকৰ কাম উপস্থাপন কৰিছে৷ ই এতিয়াও উচ্চ সঠিকতা লাভ কৰিবলৈ আছে৷ বহুতো গৱেষকে NLPৰ জৰিয়তে স্বয়ংক্ৰিয় প্ৰশ্ন সৃষ্টিৰ অঞ্চলত কাম কৰিছে আৰু স্বয়ংক্ৰিয়াভাৱে বিভিন্ন প্ৰকাৰৰ প্ৰশ্ন সৃষ্টি কৰিবলৈ অসংখ্য পদ্ধতি আৰু আৰ্হি বিকশিত কৰিছে৷

পদক্ষেপ

Fig 1 ত প্ৰদৰ্শন কৰা চিত্ৰই, স্বয়ংক্ৰিয় প্ৰশ্ন সৃষ্টিৰ স্থাপত্যৰ এটা অতি উচ্চ স্তৰৰ পদক্ষেপ প্ৰদৰ্শন কৰে৷ স্বয়ংক্ৰিয় প্ৰশ্ন সৃষ্টিয়ে NLP পদ্ধতিৰ সৈতে ট্ৰেঞ্চফৰ্মাৰ অত্যাধুনিক আৰ্হিৰ ভিন্ন ৰূপ ব্যৱহাৰ কৰে৷ ই সৃষ্ট প্ৰশ্নবোৰৰ মানদণ্ড আৰু জটিলতা বৃদ্ধি কৰিবলৈ পাঠৰ বাক্যৰীতি সম্পৰ্কীয় আৰু অৰ্থঘটিত ধাৰণাৰ ওপৰত কৰা গৱেষণাৰ কাৰ্যৰ উত্তৰণ ঘটায়৷

Fig 1. স্বয়ংক্ৰিয় প্ৰশ্ন সৃষ্টিৰ উচ্চ স্তৰীয় স্থাপত্য

স্বয়ংক্ৰিয় প্ৰশ্ন সৃষ্টি এডাল পাইপলাইন হিচাপে বহুতো উপাদান যেনে পাঠৰ কাৰ্যকৰীকৰণ, বিশেষত্ব আহৰণ আৰু ইঞ্জিনিয়াৰিং, আৰ্হি গঠন আৰু প্ৰশিক্ষণ, আৰ্হি মূল্যায়ন, ভাষ্য সংলগ্নকৰণ আৰু কিছুমান মানবিশিষ্ট ML পদ্ধতি সন্নিৱিষ্ট কৰে৷

আমি 20+ বিভিন্ন মুক্ত উৎসৰ তথ্যসমষ্টি ব্যৱহাৰ কৰিছো যেনে ARC, DROP, QASC, SciQ, SciTail, SQuAD আৰু Google NQ আৰু Embibe য়ে আমাৰ QA আৰ্হিক প্ৰশিক্ষণ দিবলৈ তথ্যসমষ্টিবোৰ ক্ৰয় কৰিছে৷ আমি বিভিন্ন প্ৰকাৰৰ প্ৰশ্নবোৰো ব্যৱহাৰ কৰিছো যেনে বুলিয়ান, স্পান আধাৰিত, খালী ঠাই পূৰ কৰা, বৈকল্পিক প্ৰশ্ন ইত্যাদি৷ প্ৰশ্নৰ কঠিনতা এটা প্ৰশ্নৰ বাক্যৰীতিৰ গঠন, উত্তৰটো নিৰ্ণয় কৰিবলৈ বহু আশা যুক্তি আৰু বুনিয়াদী ধাৰণাৰ ওপৰত ভিত্তি কৰি নিৰ্ণয় কৰা হয়৷ আমি জ্ঞান লেখো KI-BERT[1] ৰ দ্বাৰা অনুপ্ৰাণিত QG আৰ্হিলৈ সম্পৰ্কিত জ্ঞান সন্নিৱিষ্ট কৰিবলৈ ব্যৱহাৰ কৰিছো৷ আমি প্ৰশ্ন সৃষ্টিৰ পাৰদৰ্শিতা উন্নত কৰিবলৈ থলুৱাভাৱে নিৰ্মাণ কৰা Natural Language Understanding techniques উত্তৰণ কৰিছো৷

পাঠ উৎপন্ন কৰিবলৈ আমি T5[2]ৰ দৰে সৃষ্টিমূলক আৰ্হি ব্যৱহাৰ কৰিব পাৰোঁ, যি এটা প্ৰদত্ত আনুষংগিক কথা আৰু উত্তৰৰ পৰা উৎপন্ন কৰিব পাৰোঁ৷ ইয়াত দেখিবলৈ কেনেকুৱা হয় তাক উল্লেখ কৰা হৈছে৷

Fig 2. QG আৰ্হিৰ কাৰ্যগতি

ফলাফল

Embibe AI প্লেটফৰ্মে এই কামক পাঠ্যপুথিৰ পৰা শিক্ষাৰ্থী সকলৰ বাবে যিমান সম্ভৱ সিমান অধিক প্ৰশ্ন সৃষ্টি কৰিবলৈ উত্তৰণ ঘটায়৷ সকলোবোৰ শ্ৰেণী, লক্ষ্য, পৰীক্ষা, ৰাজ্যিক বোৰ্ডক বিবেচনা কৰি এতিয়ালৈ আমি  6 ৰ পৰা 12 শ্ৰেণীলৈ NCERT কিতাপ সমূহৰ পৰা ~125k প্ৰশ্ন সৃষ্টি কৰিছো৷ আমাৰ যিকোনো মুক্ত ৰূপৰ শিক্ষণ পাঠৰ পৰা প্ৰশ্ন সৃষ্টি কৰাৰ সক্ষমতা আছে৷

এই প্ৰণালীটো বাস্তৱ পৃথিৱীৰ দৃশ্যাৱলীত জীৱন আৰু শিক্ষনৰ ফলাফল লাভ কৰিবলৈ যিকোনো ক্ষেত্ৰ আৰু লক্ষ্যলৈ উত্তৰণ ঘটাব পাৰি৷ আমি উন্নত NLPৰ অঞ্চলত মডাল আৰু প্ৰণালীক অধিক সঠিক কৰিবলৈ আৰু ইয়াক ক্ষেত্ৰ নিৰ্দিষ্ট কৰিবলৈ এটা পথত আছো ৷

ইয়াত, আমি ক্ষেত্ৰ নিৰ্দিষ্ট ইনপুট দিয়া আৰু সৰষ্ট প্ৰশ্নৰ গোটৰ কিছুমান উদাহৰণ আগবঢ়াইছো ৷

শৈক্ষিক পাঠ:

Fig 3. বাচি লোৱা অনুচ্ছেদ আৰু গুৰুত্ব প্ৰদান কৰা  ADPE অৰ্তাৎ শৈক্ষিকভাৱে প্ৰাসংগিক শব্দ

সৃষ্ট প্ৰশ্ন সমূহ:

Fig 4. বাচি লোৱা অনুচ্ছেদৰ পৰা QG আৰ্হিৰ দ্বাৰা সৃষ্ট প্ৰশ্নবোৰ

তথ্যসূত্ৰ

[1] Faldu, Keyur, Amit Sheth, Prashant Kikani, and Hemang Akabari. “KI-BERT: Infusing Knowledge Context for Better Language and Domain Understanding.” arXiv preprint arXiv:2104.08145 (2021).

[2] Colin Raffel, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, Peter J. Liu. “Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer”